Google's Gemini 4 Argon si avvicina al confine dell'IA più di qualsiasi modello Google da mesi
Google DeepMind è il secondo grande laboratorio di intelligenza artificiale a superare il 95 percento nel benchmark ARC-AGI-3. Tuttavia, i risultati dipendono fortemente dal metodo di test e Argon è in ritardo rispetto ai rivali in matematica e ingegneria del software, secondo Epoch AI.
Prestazioni di Gemini 4 Argon
Il nuovo modello frontier di Google DeepMind, Gemini 4 Argon, ha ottenuto il 97,5 percento nel benchmark ARC-AGI-3 a un costo di $4.800 utilizzando il "Provider Adapter Harness", un setup di test che utilizza funzionalità specifiche del fornitore come il ragionamento mantenuto e la compattazione del contesto. Secondo ARC Prize, Google è ora il secondo laboratorio di IA dopo OpenAI a superare il 95 percento in quello che è ampiamente considerato il benchmark più difficile per la risoluzione di problemi generali. Solo GPT-6 Astra ottiene un punteggio più alto con il 99,9 percento.
In tutti i 25 giochi pubblici di ARC-AGI-3, Gemini 4 Argon (giallo) e GPT-6 Astra (blu) hanno entrambi richiesto il 62 percento in meno di azioni rispetto alla baseline umana (viola) e spesso si sono avvicinati al record di speedrun (rosso). Argon ha eguagliato o superato il record di speedrun in tre giochi ed è arrivato entro il 10 percento del miglior tempo in altri sei. Nelle versioni precedenti del benchmark, Argon ha ottenuto il 91,3 percento in ARC-AGI-2 ($0,32 per compito) e il 98,5 percento in ARC-AGI-1 ($0,16 per compito), in base al prezzo introduttivo di $2 per milione di token di input e $10 per milione di token di output.
Dipendenza dal setup di test
Nei risultati del "Standard Harness", che permette solo note semplici tra i round, Argon scende al 49,8 percento con un basso ragionamento per $5.800. Questo divario risale a una disputa di luglio 2026 quando OpenAI's GPT-5,6 Sol ha battuto Claude Opus 5 su ARC-AGI-3 utilizzando due impostazioni API.
GPT-5,6 Sol ha ottenuto solo il 7,8 percento nell'ambiente standard, che scarta il ragionamento interno dopo ogni azione e ha utilizzato un'interfaccia più vecchia priva di funzionalità API più recenti di Claude. Questo significava che Claude è stato testato in condizioni diverse rispetto a GPT-5,6. Quando testato con l'API delle risposte di OpenAI, inclusi "Retained Reasoning" e smart context "Compaction", il modello è salito al 38,3 percento e ha battuto Opus 5 al 30,2 percento. OpenAI ha sostenuto che i benchmark misurano sempre l'ambiente tecnico. ARC Prize co-founder Francois Chollet ha poi permesso le impostazioni API generali e pubblicamente disponibili.
Problemi API hanno anche impedito ad Argon di completare tutti i 55 giochi nello Standard Harness, secondo i tester. A basso ragionamento, il sistema ha completato 42 giochi (49,8 percento), a medio 46 giochi (46,3 percento). Al livello più alto, ha completato solo 19 giochi, quindi ARC Prize non ha pubblicato un punteggio. I risultati riportati coprono ancora tutti i 55 giochi includendo punti parziali da esecuzioni interrotte.
Argon riduce il divario ma è in ritardo in matematica e codifica
L'istituto di ricerca Epoch AI ha tracciato anche i progressi di Google. Argon ha ottenuto 165 punti nell'Epoch Capabilities Index (ECI), eguagliando Fable 5,1 e posizionandosi appena dietro Opus 5,5 (167) e GPT-6 Astra (166). L'ECI combina oltre 50 benchmark in una singola scala di capacità, simile a come Artificial Analysis costruisce il suo punteggio principale.
Con un punteggio ECI di 165 punti, Google si avvicina al confine attuale dell'IA guidato da GPT-6 Astra (166) e Opus 5,5 (167) più di quanto non fosse da Gemini 3,1 Pro a febbraio 2026.
Le prestazioni variano per dominio, tuttavia. Secondo Epoch AI, Argon guida diversi benchmark di conoscenza, agenti e visione, ma le stime iniziali lo posizionano all'ottavo posto nell'ECI di Matematica e al sesto nell'Indice di Ingegneria del Software (SWE ECI).