Közelít az AI élmezőnyéhez a Gemini 4 Argon, de döntő a tesztkörnyezet
A friss értékelések ismét az élmezőny közelébe helyezik a Google modelljét. A számok értelmezéséhez azonban a következtetési beállítást és a modellt körülvevő szoftvert is össze kell vetni.
Ebben a cikkben
A Google Gemini 4 Argon modellje ismét komoly versenyzőként jelenik meg az AI élmezőnyében. A The Decoder október 16-i beszámolója ugyanakkor lényeges feltételre hívja fel a figyelmet: az összesített képességek mellett a tesztet futtató szoftverkörnyezet is erősen befolyásolja az eredményt. A lap szerint a felzárkózás nem minden szakterületen egyformán erős.
A tesztkörnyezet szerepe
Az ARC Prize október 16-án ellenőrzött modelloldalán az Argon alacsony következtetési szinten 97,5 százalékot ér el az ARC-AGI-3-on a Provider Adapter környezetben, a Standard változatban pedig 49,8 százalékot. Az előbbi megőrzi a belső következtetési állapotot és tömöríti a hosszú beszélgetést; az utóbbi jegyzeteket visz tovább. API-hibák miatt a standard futásban csak 42 feladat fejeződött be az 55-ből. A pontszám mind az 55-öt tartalmazza, részpontokkal. A különbség ezért nem magyarázható kizárólag az állapotmegőrzéssel.
Az összesített helyezés
Az Epoch AI modellkatalógusában október 16-án az Argon 165 ponttal szerepel az Epoch Capabilities Indexen. Ezzel a Claude Fable 5.1 szintjén áll, a 167 pontos Claude Opus 5.5 és a 166 pontos GPT-6 Astra mögött. Ez versenyképes összteljesítményre utal, általános győztest azonban nem jelöl ki.
Az Epoch módszertana eltérő nehézségű tesztekből becsüli a képességet, és 90 százalékos bootstrap konfidenciaintervallumokat közöl. Az ECI absztrakt skála, nem helyesválasz-arány: néhány pont különbség önmagában nem bizonyít érdemi fölényt.
Mit mérjenek a fejlesztők?
A Google API-útmutatója szerint az Argon a Gemini API-n és az AI Studióban használható. Három következtetési szintje van: alacsony, közepes és magas; alapértelmezésben a közepes működik. A Google mindhárom értékelését, majd az alkalmazás minőségi követelményét teljesítő legalacsonyabb szint kiválasztását javasolja. A teszt dokumentációjába ezért a feladatsor és a futtatókörnyezet mellé a következtetési beállítás is kerüljön be.
A vállalat modellkártyája hallucinációkat, időnkénti lassulást és időtúllépést is megnevez, a tudáslezárás dátumát pedig 2026 márciusára teszi. Ezek a gyártó által közölt korlátok az erős teszteredmények mellett is számítanak: a tényekre épülő munkához továbbra is friss források és a kapott válasz ellenőrzése szükséges.
Források(6)
- Google's Gemini 4 Argon is closer to the AI frontier than any Google model in monthsEllenőrizve:
- Gemini 4 Argon — ARC-AGI ResultsEllenőrizve:
- Models — Epoch AIEllenőrizve:
- ECI documentation — MethodologyEllenőrizve:
- What's new in Gemini 4 Argon — Gemini APIEllenőrizve:
- Gemini 4 Argon — Model CardEllenőrizve:
