Google、「Gemini 4 Argon」がARC-AGI-3で97.5% 条件次第で49.8%に

何が起きたか

AIベンチマークを運営する非営利団体ARC Prize(アーク・プライズ)はこのほど、Google DeepMindの新モデル「Gemini 4 Argon(ジェミニ・フォー・アルゴン)」をARC-AGI-3ベンチマークで検証した結果を公表しました。Google独自の機能を使える条件(プロバイダー・アダプター・ハーネス)では97.5%を記録し、検証コストは4,800ドルでした。OpenAIの「GPT-6 Astra」(99.9%)に次ぐ2位で、Googleは95%の壁を越えた2社目となりました。一方、各行動後にモデル内部の推論を保持できない標準条件(スタンダード・ハーネス)では49.8%(検証コスト5,800ドル)まで落ち込みました。ただしARC Prizeは、標準条件ではAPIの不具合で55課題すべてを評価しきれず、低推論設定で完走できたのは42課題だったと注記しています(公表スコアは途中終了分の部分点も含めた集計)。同じARC Prizeの検証では、1世代前の課題セット「ARC-AGI-2」で91.3%、さらに前の「ARC-AGI-1」で98.5%を記録しています。

なぜ重要か

ARC-AGI-3は、見たことのない課題に汎用的な推論力で対応できるかを測る、現時点で最も難しいとされるベンチマークの一つです。テック系メディアThe Decoderによると、ArgonとAstraはいずれも、人間が同じ課題を解くときに必要な行動数より62%少ない手数で解いており、効率の高さをうかがわせます。ただし、スコアが条件によって97.5%から49.8%まで大きく変わる点には注意が必要です。標準条件はモデルが持ち越せる情報を単純なメモだけに絞った、いわば「ハンデ付き」の設定です。実運用でベンダー独自の機能を使えるかどうかで、現場での性能が大きく変わる可能性があるため、公表された一つの数字だけでモデルの実力を判断するのは危険です。

背景

Argonは2026年10月13日(米国時間)に一般提供が始まった、Googleにとって2025年末の「Gemini 3」以来のフロンティアモデル刷新です。独立の評価機関Epoch AIが運営する「Epoch Capabilities Index(ECI、50種類超のベンチマークを統合した指標)」では、The DecoderによるとArgonは165点で、AnthropicのClaude Fable 5.1と同点となり、Claude Opus 5.5(167点)やGPT-6 Astra(166点)にはわずかに届きませんでした。さらに、暫定の推計では、数学分野に特化した指標(Math ECI)で8位、ソフトウェア開発分野に特化した指標(Software Engineering Index、SWE ECI)で6位という結果も報じられています。ARC-AGI-3のような汎用的な問題解決力では最前線に並んだ一方、数学やコーディングに特化した総合評価では他の主要モデルに後れを取っていることがうかがえます。

日本のビジネスへの示唆

• 「ベンチマークで97.5%」のような見出しの数字だけで性能を判断せず、どの条件・コストで計測されたかまで確認する姿勢が重要です。社内導入時の性能は、ベンダー独自機能を使える契約形態かどうかにも左右されます。
• コーディングや数学を中心とした業務での活用を検討する場合、Argonの強みは汎用的な推論力にある一方、専門分野の総合指標では他モデルに劣る可能性がある点を踏まえて選びたいところです。
• 独立機関による第三者検証の結果は、各社の自社発表の数字を補う材料になります。複数の指標を参照する習慣をつけると、導入判断を誤りにくくなります。