ARC Prize 刚把 Gemini 4 Argon 的 ARC-AGI 成绩摊在桌面上。最扎眼的不是 98.5%，也不是 91.3%，而是 ARC-AGI-3 上两个并排的数字：provider adapter harness 97.5%，标准 harness 49.8%。同一款模型，同一个基准，分数差出一倍。Google DeepMind 因此成为第二家在 ARC-AGI-3 上越过 95% 的前沿 AI 实验室。可这份成绩单真正讲的，未必是模型有多强，而是评测装置有多能改变结论。
97.5% 与 49.8%，隔着一整套评测装置
模型没有变，变的是谁在替它答题
标准 harness 像是官方给好的跑道，provider adapter harness 更像厂商自带适配层。97.5% 对 49.8%，差距大到不能用“发挥好坏”解释。在 ARC-AGI-3 这种带交互、带状态、带连续决策的环境里，怎么接入、怎么拆解、怎么调用工具，可能比模型权重更决定结果。榜单上写的是 Gemini 4 Argon，实际答题的是一个系统：模型、脚手架、重试策略、上下文管理、工具调用、状态记录。说 97.5% 是模型得分，容易；说清楚这 97.5% 属于哪套系统，难。
provider adapter harness 把分数推了上去
适配器像翻译层，把 ARC-AGI-3 的任务格式转成模型熟悉的接口。它可能改写提示、提供中间状态、允许更细粒度探索。于是模型不必直接面对原始环境的粗糙边缘。97.5% 不是凭空涨的，成本 $4.8K 也说明背后有算力投入。但这也意味着，谁掌握适配器，谁就部分掌握评分规则。
更贵的那套，反而只拿到一半
标准 harness 成本 $5.8K，得分 49.8%。多花钱，低分。这打破“投入越多、分数越高”的直觉。原因可能很多：标准 harness 更严格、限制更多，或没有给模型合适的工具。无论哪种，它都提醒我们，评测成本不等于评测效率。昂贵跑分可能只是把不合适的流程硬跑了一遍。
91.3% 和 98.5%，静态基准正在变薄
ARC-AGI-2 的难度神话在松动
ARC-AGI-2 拿到 91.3%，每任务 $0.32。这个成绩放在两年前会让人兴奋，现在更像前沿模型的常规操作。ARC-AGI-2 原本用来卡住依赖记忆和模式匹配的系统，但当顶级实验室把分数推到 90% 以上，它作为抽象推理试金石的锋利度就在下降。不是基准没价值，而是它开始接近饱和。
每任务三毛二，价格已经不像门槛
$0.32/task 在 AI 评测里几乎算便宜。过去推理成本常常把很多实验挡在门外，现在成本降到可以大规模重复跑。ARC-AGI-2 的 91.3% 因此不只是能力信号，也是经济信号：模型可以便宜地试错，开发者可以拿它当日常工具，而不是昂贵演示。
98.5% 之后，还能测出什么
ARC-AGI-1 的 98.5%、$0.16/task 更极端。几乎满分，成本低到像水电费。继续在 ARC-AGI-1 上刷分，意义有限。它已经从挑战题变成体检表上的旧指标。真正的问题转向 ARC-AGI-3：那里有交互、有状态、有更长链条，也有更多可操作空间。
第二家越过 95% 的实验室
DeepMind 追上来了，而且换了赛道
Google DeepMind 成为第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室。这个“第二家”很关键。它说明 ARC-AGI-3 的高分不再是孤例，也不是某一家实验室的独门技巧。DeepMind 的体量、数据和工程能力摆在那里，一旦找到合适的 harness 路径，复制高分并不意外。
95% 这条线，本身也在贬值
如果 95% 从新闻变成入场券，那这条线的象征意义就会缩水。ARC Prize 需要更高难度、更严评测来维持区分度。否则榜单会变成大厂轮流打卡。Gemini 4 Argon 的 97.5% 很漂亮，但它的漂亮依赖于 provider adapter harness。标准 harness 只有 49.8%，才是更值得追问的基线。
别急着给第一名加冕
第二家越过 95% 不代表竞争结束。ARC-AGI-3 的评测协议、harness 规则、成本披露方式都还在演化。今天的高分可能明天就被重新解释。对实验室来说，这是实力展示；对观察者来说，这是提醒：别把新闻稿里的百分比当成能力全貌。
评测经济学开始反噬榜单
4.8K 与 5.8K 的成本倒挂
provider adapter harness 花 $4.8K 得 97.5%，标准 harness 花 $5.8K 得 49.8%。这个倒挂很刺眼。通常更贵意味着更多尝试、更长推理、更高准确率。这里相反。它说明评测成本不是线性投入，而是被 harness 设计强烈调制。花在错误框架上的钱，可能只是浪费。
谁来审计 harness
如果 harness 决定分数，那 harness 本身就需要被审计。它是否公平？是否给所有模型同等工具？是否允许特定厂商利用私有接口？这些问题不解决，ARC-AGI-3 的高分就会带着问号。ARC Prize 作为基准组织，必须把 harness 规则写得更透明，否则榜单会失去公信力。
ARC Prize 从裁判变成产品经理？
ARC Prize 不只是发榜，它还在定义 harness、适配器、成本统计。角色越重，争议越大。它需要在推动前沿和保持中立之间走钢丝。Gemini 4 Argon 这组数据，正好把这种张力放大：没有 harness，模型无法在 ARC-AGI-3 上跑；有了 harness，分数又不再纯粹。
开发者该把注意力放在哪里
看分数，更要看评测说明
开发者看到 97.5% 时，第一反应可能是换模型。但更该看的是评测说明：用了哪套 harness，允许哪些工具，成本怎么算，失败案例长什么样。只看主榜数字，容易把系统能力误认成模型能力。实际部署中，你的 harness 和 ARC Prize 的 harness 可能完全不同。
代理框架已是性能变量
ARC-AGI-3 的结果说明，代理框架不再是外围工程。它直接决定模型能不能把推理转成行动。上下文管理、状态跟踪、错误恢复、工具调用，这些模块的表现会写进最终分数。企业选型时，如果只比较基座模型，而忽略代理层，等于只看了半张成绩单。
下一场竞争在 harness 之外
当模型分数越来越接近，竞争会转向评测之外：谁能设计更稳的 harness，谁能把成本压到更低，谁能让失败可解释。Gemini 4 Argon 的 97.5% 是一个节点，不是终点。ARC-AGI-3 的标准 harness 49.8% 更像一记警钟：离真正通用、可靠的智能体，行业还有很长的路。
ARC Prize 这份成绩单值得读，但别只读数字。97.5%、49.8%、91.3%、98.5%，每个百分比背后都有一套选择。Google DeepMind 成为第二家越过 95% 的实验室，说明前沿在推进；标准 harness 与适配器 harness 的巨大差距，说明评测本身也在成为战场。下一次看到类似榜单，先问一句：跑分的是模型，还是模型背后的整套装置？
