整理：TopAIMap 编辑
ARC Prize 验证 Gemini 4 Argon：ARC-AGI-3 达 97.5%（约 $4.8K），Google 成第二家破 95% 的前沿实验室；标准 harness 仅 49.8%
10 月 15 日 9:22am（PT），ARC Prize 基金会官方账号 @arcprize 公布 Gemini 4 Argon 的 ARC-AGI Verified 成绩：ARC-AGI-3 在「供应商适配器」（provider adapter）harness 下 97.5%（成本约 $4.8K），在统一的标准 harness 下 49.8%（约 $5.8K）；ARC-AGI-2 91.3%（每题 $0.32），ARC-AGI-1 98.5%（每题 $0.16）。Google DeepMind 由此成为继 OpenAI 之后第二家在 ARC-AGI-3 上超过 95% 的前沿实验室，仅次于 GPT-6 Astra 的 99.9%。官方帖约 7.2 万浏览、828 赞。
条件与细节：两种 harness 的差距是这条新闻的关键——97.5% 来自 Google 自己提交的 provider adapter（按自家模型的接口与工具调用习惯定制交互层），换成 ARC Prize 统一的标准 harness 只剩 49.8%，成本反而更高。ARC-AGI-3 是 25 个公开交互式游戏，考察模型在陌生环境里边玩边学；ARC Prize 补充称，Argon 与 Astra 一样，所用动作数比人类基线少 62%，在 3 个游戏上追平或打破速通纪录，另有 6 个差距在 10% 以内。排行榜图上，GPT-6.1 Sol 的 provider adapter 档位也在 80%–90% 以上，标准 harness 下各家普遍低得多。影响：ARC-AGI-1/2 已近见顶，ARC-AGI-3 在适配器条件下也接近饱和，评论区已开始催 ARC-AGI-4。
真实用法：开发者盯的是「每题成本」——ARC-AGI-2 每题 $0.32、ARC-AGI-1 每题 $0.16，意味着这类抽象推理任务已便宜到可以批量跑；但也有用户提醒「按 token 便宜不等于按任务便宜」，早期使用者反映 Argon 的 token 消耗偏高。团队侧的实际用法仍集中在 Gemini API 跑 agent 评测与规划、GitLab Duo 和 Antigravity 里做编码/规划模型；这次 ARC 数据更直接的用途，是给选型的人一个「适配器做得好，交互式任务能差一倍」的参照。
谁能用：Gemini 4 Argon 已于 10 月 13 日 GA。Gemini App 与 Google 搜索 AI 功能需 Google AI Pro 或 Ultra；Antigravity 编码环境目前仅 Ultra 与 Enterprise（Pro 不可用）；付费 API 全球开放（模型名 gemini-4-argon），入门价约输入 $2 / 输出 $10（每百万 token），约 11 月 30 日后调整为 $4 / $20，另有排队与容量限制；Free 档用不到 Argon。注意：97.5% 用的是 Google 提交的定制 harness，普通 API 用户直接调用不会自动获得同等表现。
解读：Argon 在 ARC-AGI-3 上追到 Astra 身后，说明「交互式推理」已不再是某一家独有；但 97.5% 与 49.8% 的落差同样说明，今天的成绩一半在模型、一半在 harness——谁能把模型接进环境，谁就拿高分。对 benchmark 来说，provider adapter 成绩该不该和标准 harness 同榜排名，会越来越有争议。讨论：1. 你更看重厂商自定 harness 的上限分，还是统一 harness 的下限分？2. ARC-AGI-3 接近饱和后，下一代 benchmark 应该考什么，才不会被 harness 工程「刷」掉？
