Ethan Mollick @emollick

测试框架 + 聪明的模型 = 最后几个著名硬基准的终结。 模型现在可以工作极长时间（再见，METR Long Tasks），它们能输出数学正确的专业文档（永别了，GDPval），还能解决复杂的新奇谜题（别了，ARC-AGI-3）。 [引用 @arcprize]: 来自 @Google 的 Gemini 4 Argon 在 ARC-AGI（已验证）上： - ARC-AGI-3：97.5%，4800 美元（提供商适配器框架），49.8%，5800 美元（标准框架） - ARC-AGI-2：91.3%，每任务 0.32 美元 - ARC-AGI-1：98.5%，每任务 0.16 美元 Google DeepMind 是第二个在 ARC-AGI-3 上得分超过 95% 的前沿 AI 实验室。 https://t.co/8siwgfBJcr