RE-Bench 实测：Argon 解出约半数真实 ML 工程任务，远未到全自动研发
HaydnBelfield · x · 2026-10-14
该线程第 7/9 条给出基准测试结果：在 Google RE-Bench 的 74 个真实 ML 工程任务上，Gemini 4 Argon 在已完成的运行中解出约一半，显著高于 Gemini 3.7 Flash 的 27%，但距离实现代表性日常 ML 研发工程全自动化所需的接近满分仍有很大差距。
所属事件:谷歌发布 Gemini 4 Argon，附 217 页安全报告(22 条相关)→
「模型」频道最新
- VIN 识别实测:GPT-6 Astra 只对 46%,Sonnet 5 达 86%,专用路由价值凸显 — arnabdotorg · 2026-10-15
- Anthropic 研究员:VLM 视觉进展惊人,一两年内性能与成本将超人类 — arnabdotorg · 2026-10-15
- 具身评测榜：Gemini 4 Argon 落后 GPT 6 Astra 仅 25 分 — qinzytech · 2026-10-15
- 未发表理论物理题测试:GPT-6-Astra 拿下 98%,还揪出专家答案错误 — sandersted · 2026-10-15
- Kimi K3 第三方托管质量疑似降级,或与 MXFP4 量化有关 — casper_hansen_ · 2026-10-15
- Gartner 2026 生成式 AI 技术成熟度曲线:AgentAI 尚在爬坡 — luisdans · 2026-10-15