Gemini 4 Argon 公布 ARC-AGI 评测：ARC-AGI-3 得分 97.5%

ARC Prize 公布 Gemini 4 Argon 在 ARC-AGI (Verified) 的评测成绩。其中 ARC-AGI-3 使用 provider adapter harness 得分 97.5%、成本 4.8K 美元，标准 harness 得分 49.8%、成本 5.8K 美元；ARC-AGI-2 得分 91.3%，每任务 0.32 美元；ARC-AGI-1 得分 98.5%，每任务 0.16 美元。Google DeepMind 因此成为第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室。

此前 ARC-AGI-3 仅有少数实验室突破高位分数，Google DeepMind 成为第二家超过 95% 的前沿实验室，说明该基准的领先成绩不再由单一机构占据。同时同一模型在标准 harness 下仅 49.8%，与 adapter harness 的 97.5% 形成明显落差。

成绩差异集中在 harness 配置：provider adapter harness 与标准 harness 使用同一模型，但得分从 49.8% 升到 97.5%，表明评测接入层、任务封装或交互方式对结果影响显著，而非仅由模型权重决定。成本数据则显示不同基准与 harness 的推理开销并不一致。

对研发与产品评测而言，引用 ARC-AGI 分数时需同时说明 harness 类型与单任务成本，否则横向比较会失真。若产品依赖第三方基准做模型选型，应把 harness 适配和推理预算纳入验证流程，不能只看最高分。

• 在模型评测或选型工具中，把 harness 类型、总分与单任务成本作为并列字段展示，避免只呈现最高分。
• 针对自身业务任务搭建 adapter harness 复现实验，验证接入层优化能否带来类似幅度提升。
• 将 ARC-AGI-1、ARC-AGI-2、ARC-AGI-3 的分任务成本纳入推理预算模型，用于成本敏感场景选型。

• provider adapter harness 与标准 harness 的具体差异是什么，为何得分相差约 48 个百分点？
• 97.5% 的成绩是否经过 ARC Prize 官方独立验证，还是由公布方自行提交？
• ARC-AGI-3 的 4.8K 美元与 5.8K 美元成本对应多少任务量，能否换算为单任务成本？
• 除 Google DeepMind 外，第一家超过 95% 的实验室是谁，两者成绩是否可直接比较？