导语： 10 月，Google DeepMind 的 Gemini 4 Argon 在被称为"AGI 终极考场"的交互式推理基准 ARC-AGI-3 上拿下 97.5%，成为继 OpenAI 之后第二家突破 95% 关口的实验室。但细看成绩单底部的一行小字——97.5% 属于 Provider Adapter 环境，同一模型在 Standard 环境下只有 49.8%——你会发现，这场考试真正的"隐形主考官"，或许不是模型，而是评测框架本身。
一、事件全景：第二家破 95% 的实验室诞生
ARC-AGI-3 排行榜上，Argon 以 97.5% 的成绩位列 Provider Adapter 榜第二，仅次于 OpenAI GPT-6 Astra 的 99.9%。这一成绩由 Provider Adapter 低推理档取得，中档与高档推理配置均为 97.3%，整套考程成本约 4,800 美元（精确值 4,770 美元）。
Argon 并非"偏科生"。它的三代 ARC 基准成绩单如下：ARC-AGI-1 拿下 98.5%（单题成本 0.16 美元）、ARC-AGI-2 拿下 91.3%（单题成本 0.32 美元）、ARC-AGI-3 拿下 97.5%（整套约 4,800 美元）。三代考题通杀——静态网格谜题、多步符号推理、交互式长程智能体任务，Argon 全部站上了头部位置。
从模型本身看，Argon 于 2026 年 9 月 30 日发布，是 Gemini 4 系列的首个模型，主打长复杂工作流场景——软件工程、企业知识工作与网络安全防御，输出 token 上限达 100 万，API 限时半价。在第三方评测 Epoch AI 的 ECI 指数中，Argon 拿到 165 分，与 Anthropic 的 Claude Fable 5.1 持平，落后于 Opus 5.5 的 167 分与 OpenAI GPT-6 Astra 的 166 分；单项上，数学排第 8、软件工程排第 6（据 Epoch AI）。换言之，Argon 在通用综合榜单上尚非第一梯队之巅，却在 ARC-AGI-3 这个最刁钻的考场里冲到了 97.5%——这一反差本身就值得深挖。
值得玩味的是，据观察，成绩公布后谷歌官方未置一词。这家向来高调的搜索巨头，在自家模型刷出历史级成绩时保持了罕见的沉默。
二、七个月时间线复盘：从全员不及格到三强并立
要理解 97.5% 的分量，得把时间拨回七个月前。
2026 年 3 月 25 日，ARC Prize 基金会正式发布 ARC-AGI-3——首个交互式推理基准，发布地选在 YC 总部，由 François Chollet 与 Sam Altman 对谈揭幕。上线当日，全球前沿模型全军覆没：Gemini 3.1 Pro Preview 0.37%、GPT-5.4 High 0.26%、Claude Opus 4.6 Max 0.25%、Grok-4.20 Beta 0.00%——而人类基线是 100%。
第一个打穿考场的是 OpenAI。9 月 2 日至 3 日，GPT-6 Astra 发布，在 Provider Adapter 环境拿下 99.9%（高档推理），Greg Brockman 难掩兴奋，写下"欢迎来到 AGI 时代"。不过同一模型在 Standard 环境的 max 档只有 62.7%，max 档成本约 26,100 美元。
紧接着，OpenAI 于 9 月下旬开启 GPT-6 Sol 与 Luna 的低价双发（API 降价 50%），Sol 在 9 月 29 日正式发布：Provider Adapter xhigh 档 96.4%（成本约 4,400 美元），ARC-AGI-2 上 94.2%（0.25 美元/题）、ARC-AGI-1 上 98.5%（0.06 美元/题）。96.4% 已十分接近 Astra 的 99.9%，但成本低了 77%。当然，因安全顾虑，OpenAI 取消了 GPT-6.1 Astra 的后续计划。
然后就是 10 月的 Argon：三代考题通杀，成本却只有 Astra 的零头。七个月，ARC-AGI-3 从"无人能解"走到"三强并立"——AI 能力的爬坡速度，快过了基准设计者最激进的预期。
三、ARC-AGI-3 考什么：无说明书的交互式考场
ARC-AGI-3 到底难在哪？答案是：它把模型扔进一个"没有说明书的游戏机"。
这是一系列交互式回合制游戏：无说明书、无预设指令、甚至不告知目标，模型必须自己试错、自己总结规则、自己发现通关路径。考场是一块 64×64 的彩色格子画布（每格 16 种颜色），操作界面只有 7 个动作按钮——5 个功能键、1 个撤销键，外加可选的坐标点击。
题库共 135 个手工环境，分为三层：25 个公开演示、55 个半私有评测环境、55 个全私有竞赛环境——公开练手、半私有评分、全私有决胜，最大限度防止模型"背题"。ARC Prize 2026 总奖金超过 200 万美元，其中 ARC-AGI-3 赛道大奖 70 万美元，提交截止 11 月 2 日，结果 12 月 4 日公布。
它测的不是知识，而是"流体式自适应效率"——面对全新环境，用多少步、多少成本学会并通关。这正是它区别于 ARC-AGI-1（静态网格谜题）与 ARC-AGI-2（多步组合与符号操作）的核心。3 月发布时，这个考场被视作对前沿模型的"降维打击"；而到 10 月，顶级模型已接近通关。基准的"保质期"从未如此短暂。
顺带一提，框架的影响力已被学术界量化验证：2026 年 10 月，何恺明团队的 VISTA 多模态 Harness 框架，让 Claude Opus 5 在 25 个公开游戏上的分数从 40.68 分跃升至 100 分，让 GPT-5.6 Sol 从 13.33 分升至 99 分（注：百科口径）。换一个"考场服务台"，分数可以直接翻倍——这为下文的争议埋下伏笔。
四、一行小字里的 48 个百分点：评测框架才是隐形主考官
Argon 成绩单上最刺眼的一行小字，是同一个模型在不同评测环境下的断崖差：
配置 | 环境 | 成绩 | 成本 |
低推理档 | Provider Adapter | 97.5% | 约 $4,800（精确 $4,770） |
中推理档 | Standard | 46.3%（55 局完成 46 局） | 约 $6,180 |
低推理档 | Standard | 49.8%（55 局完成 42 局） | 约 $5,800 |
高推理档 | Standard | 未公布（因 API 问题仅完成 19 局） | — |
同一模型，两个环境，差距近 48 个百分点。
两者的差别在于官方定义：Standard harness 只允许模型在各回合之间携带其选择保留的简单笔记（notes），回合结束后丢弃内部推理；Provider Adapter 则保留模型的不透明推理状态（retained reasoning）并支持长对话压缩（compaction），可复用先前工作。说通俗点：Standard 模式下模型每回合都要"失忆重来"，Adapter 模式下模型可以"记着草稿继续算"。
成本上更出现倒挂：Standard 低档比 Adapter 低档贵约 20%，分数却不到一半（49.8% vs 97.5%）。Astra 身上同样存在这条鸿沟——Adapter 99.9% 与 Standard max 62.7% 之间差 37.2 个百分点。
这场"考务之争"并非新事。今年 7 月就曾爆发争议：GPT-5.6 Sol 在标准环境只有 7.8%——因为其回合后丢失推理、使用旧接口；切换到 OpenAI Responses API 后飙升至 38.3%，一举反超 Opus 5 的 30.2%。OpenAI 当时主张"基准必然同时测试技术环境"，Chollet 随后开放双轨制，Adapter 与 Standard 并列展示。
榜单细则也值得细读：只展示成本低于 1 万美元的系统；未完成的输出记错误分；部分覆盖的成绩仍按全部任务作分母计算分数、成本仅计入已记录用量。换句话说，你在榜单上看到的每一个百分数，都是"模型 × harness 系统"的联合成绩。
五、效率维度：比人类少 62% 的行动次数
如果说 97.5% 衡量的是"能不能通"，那效率维度衡量的是"怎么通的"——而这或许更能说明问题。
在 25 个公开游戏中，Argon 的通关行动次数比人类基线少 62%；Astra 同样比人类基线少 62%。更惊人的是：Argon 在 3 局中追平甚至超越了人类的速通纪录，另有 6 局与人类纪录的差距小于 10%。模型不只是在蛮力试错，它在许多关卡上找到了比人类玩家更"聪明"的路径。
ARC Prize 联合创始人 Mike Knoop 指出，Argon 是第二个通过 Provider Adapter"有效最大化"ARC-AGI-3 的模型家族，其行动效率曲线出现了"反向弯曲"——随着尝试推进，行动次数不增反降。
Chollet 的评语则带着久违的火药味：Argon 的表现特征与 Astra 相似，"Google is back at the frontier"——谷歌回到了前沿。要知道，3 月榜单垫底名单里还有 Gemini 3.1 Pro Preview 的 0.37%。七个月，从考场弃子到并列领跑，"回到前沿"四个字分量十足。
六、竞争格局重绘：三强榜、缺席者与另一张榜单
截至 10 月 18 日，Provider Adapter 榜共收录 65 个配置，头部格局清晰：
OpenAI GPT-6 Astra：high 档 99.9%（max 98.6%、xhigh 98.4%、medium 98.4%、low 98.0%）
Google Gemini 4 Argon：low 档 97.5%（high/medium 97.3%）
OpenAI GPT-6.1 Sol：xhigh 档 96.4%（max 96.2%）
但把镜头切到 Standard 榜，画风骤变：Argon 的 49.8% 只排第五，落后于 Astra 的 max 62.7%、xhigh 59.3%、high 54.8%，以及 Sol 的 max 52.7%。同一批模型，换一张榜单，座次重排——这正是"评测框架即主考官"最直观的注脚。
值得注意的还有 Anthropic 的缺席。其最佳成绩是 Claude Opus 5 在 Standard 环境的 30.2%，旗舰 Opus 5.5 甚至没有 ARC-AGI-3 成绩。在 ARC-AGI-2 上，Opus 5.5（high）为 93.3%（0.41 美元/题），Argon 的 91.3% 落后于 Astra 的 max 95.0% 与 Sol 的 max 94.2%。回到 ECI 通用指数，Opus 5.5 仍以 167 分居首。Anthropic 的失声更多是"未应考"，而非"考不动"。
外围同样热闹：OpenAI 9 月下旬 GPT-6 Sol 与 Luna 低价双发、API 降价 50%；Anthropic 完成两万亿美元估值的 IPO；Meta 于 10 月 13 日发布 Muse Wonder 系列迎战。三强之外，牌桌上的玩家都在重新算账。
七、尺子快不够用了：当"模型+harness"成为评测新范式
ARC 系列三代基准的演进，本身就是一部 AI 能力压缩史：
ARC-AGI-1（2019）：源于 Chollet 的论文《On the Measure of Intelligence》，静态网格谜题；
ARC-AGI-2（2025 年 3 月推出）：引入多步组合与符号操作；
ARC-AGI-3（2026 年 3 月 25 日）：交互式长程智能体行为，测"流体式自适应效率"，以人类效率为满分标尺。
ARC Prize 官方的立场值得全文引用式地记住：高分不等于 AGI 到来——"智能在于高效而非穷举"，满分的定义是以人类效率通关每一局。97.5% 不是 AGI 宣言，而是"距离人类效率标尺还有一步"的度量。
但比分数更重要的信号是：基准正在被"模型+harness 系统"取代，成为评测的基本单元。行业旁证比比皆是——YC 的判断是"Harness 比模型更重要"；南洋理工大学安波团队专门开展 Agent Harness 研究；MLPerf Inference 已迭代至 v6.1；评测平台 Arena 完成两亿美元 B 轮融资，估值 31 亿美元。评测正在从"考试的旁支"变成"产业的主赛道"。
由此，给所有读榜人立三条新规则：
1. 先看环境再看分数——同一个模型，Provider Adapter 与 Standard 的差距可达近 48 个百分点，只报一个数字的都是断章取义；
2. 成本是第二坐标轴——Argon 以约 4,800 美元做到 97.5%，Astra 以约 26,100 美元做到 99.9%，Sol 用 Astra 零头 23% 的价格逼近其成绩；效率与成本，比孤立的最高分更能说明商业现实；
3. 榜单是快照不是结论——双轨制、未完成记错误分、按全部任务计分等细则，决定了每个百分数的含义都藏在脚注里。
ARC-AGI-3 用七个月走完了前辈们数年的"失效周期"。当尺子的寿命短于模型的迭代周期，真正的竞赛已经不在考场上，而在设计下一把尺子的能力上。Chollet 们必须跑得更快——因为模型，已经追到了考官身后。
