Google DeepMind преодолела планку 95 процентов в ARC-AGI-3 на Gemini 4 Argon, набрав 97,5 процента при затратах 4800 долларов. Выше находится только GPT-6 Astra от OpenAI с результатом 99,9 процента, поэтому Argon ближе всех моделей Google к лидерам за последние месяцы. Результат важен, поскольку ARC-AGI-3 считают самым сложным тестом общих способностей ИИ-агентов к решению задач.
Как Argon прошел тесты ARC
Высший балл получен в Provider Adapter Harness, где разрешены фирменные функции, включая retained reasoning и context compaction. По данным ARC Prize, Google стала второй лабораторией после OpenAI, преодолевшей отметку 95 процентов. В 25 публичных играх Argon использовал на 62 процента меньше действий, чем базовый уровень человека, повторил или побил рекорд скоростного прохождения в трех играх и уложился в 10 процентов от лучшего времени еще в шести.
На прежних версиях теста Argon набрал 91,3 процента в ARC-AGI-2 при 0,32 доллара за задачу и 98,5 процента в ARC-AGI-1 при 0,16 доллара за задачу. Эти расчеты основаны на вводной цене 2 доллара за миллион входных токенов и 10 долларов за миллион выходных токенов. Такая детализация позволяет сравнивать стоимость задачи между поколениями, а не только точность. Она также показывает, как тарифы на токены влияют на экономику repeated запусков агентов.
При других правилах тестирования та же модель выглядит иначе. В Standard Harness, где между раундами разрешены только простые заметки, Argon показал 49,8 процента при низком уровне рассуждений за 5800 долларов. Разрыв связан со спором июля 2026 года, когда GPT-5.6 Sol обошла Claude Opus 5 в ARC-AGI-3 за счет двух настроек API. Затем OpenAI заявила, что тесты всегда измеряют и техническое окружение, а сооснователь ARC Prize Francois Chollet разрешил общие публично доступные настройки API.
Что Argon меняет для покупателей ИИ
Для компаний, внедряющих агентов, результат в Provider Adapter Harness означает более эффективное решение задач внутри стека Google при сохранении рассуждений и уплотнении контекста. Меньшее число действий на задачу может дать более короткие сессии, меньшую задержку и меньше вызовов инструментов в исследовательских и многошаговых процессах. Небольшие команды получают планирование уровня лидеров без собственной оркестрации, а крупные компании могут стандартизировать один harness вендора для многих сценариев.
Ограничения перед закупкой заслуживают не меньшего внимания. Проблемы API не позволили Argon завершить все 55 игр в Standard Harness: 42 игры при низком уровне рассуждений, 46 при среднем и лишь 19 при высшем, причем в зачет вошли частичные баллы прерванных запусков. Epoch AI ставит Argon на восьмое место в Math ECI и на шестое в Software Engineering ECI при общем результате 165 баллов, равном Fable 5.1. Поэтому покупателям стоит отдельно проверять математику и код, а также уточнять, при каком harness, уровне рассуждений и опциях API получен заявленный балл.
Индикатором станет сохранение позиций Google в Epoch Capabilities Index, где у Argon 165 баллов против 167 у Opus 5.5 и 166 у GPT-6 Astra. Argon уже заметно обошел Gemini 3.8 Flash со 157 баллами, показав лучший результат с Gemini 3.1 Pro в феврале. Устойчивое место в тройке лидеров по знаниям, агентам и зрению подтвердит, что отставание от лидеров сократилось для бизнес-задач.
