گوگل دیپ‌مایند مدل جدیدی به نام Gemini 4 Argon عرضه کرد. این مدل در آزمونی به نام ARC‑AGI‑3 امتیاز 97.5٪ گرفت. این نتیجه از آستانه 95٪ فراتر می‌رود؛ آستانه‌ای که تنها چند آزمایشگاه به آن رسیده‌اند. تنها مدلی که به‌طور عمومی امتیاز بالاتری از آن گزارش شده، GPT‑6 Astra از OpenAI است که به 99.9٪ رسید.
آزمون چگونه اجرا شد
این امتیاز با استفاده از پیکربندی‌ای به نام «Provider Adapter Harness» به دست آمد. این پیکربندی به مدل اجازه می‌دهد استدلالش را بین مراحل حفظ کند و زمینه را فشرده‌سازی کند؛ قابلیتی ویژه این ارائه‌دهنده. وقتی همین مدل با پیکربندی محدودکننده‌ترِ «Standard Harness» اجرا شد، امتیازش به 49.8٪ افت کرد و نتوانست هر 55 بازی را به پایان برساند.
این اعداد چه معنایی دارند
در 25 بازی عمومی ARC‑AGI‑3، Argon در مقایسه با خط مبنای انسانی به 62٪ اقدام کمتر نیاز داشت و در سه بازی با رکورد سرعت برابر شد. در نسخه‌های قدیمی‌تر این آزمون، Argon در ARC‑AGI‑2 امتیاز 91.3٪ و در ARC‑AGI‑1 امتیاز 98.5٪ گرفت؛ هزینه هر وظیفه به‌ترتیب $0.32 و $0.16 بود.
شاخص مستقلی به نام Epoch Capabilities Index به Argon امتیاز 165 داد؛ امتیازی برابر با Fable 5.1 و اندکی پایین‌تر از Opus 5.5 (167) و GPT‑6 Astra (166). این مدل در آزمون‌های دانش، عامل‌محور و بینایی پیشتاز است، اما در وظایف ریاضی و مهندسی نرم‌افزار عملکرد ضعیف‌تری دارد.
چرا مهم است
برای توسعه‌دهندگان و کسب‌وکارهایی که برای حل مسائل پیچیده به هوش مصنوعی متکی‌اند، امتیاز بالای Gemini 4 Argon در ARC‑AGI‑3 نشان می‌دهد مدل‌های گوگل اکنون با برترین سامانه‌ها رقابت می‌کنند. بااین‌حال، امتیاز پایین‌تر در آزمون استاندارد و عملکرد ضعیف‌تر در ریاضی و برنامه‌نویسی نشان می‌دهد که شاید برای رسیدن مدل به بهترین نتیجه، هنوز به تنظیمات سفارشی نیاز باشد.
