Reflection 模型任务成本与 ARC-AGI-3 结果待公布

ARC Prize 公布 Gemini 4 Argon 在 ARC-AGI (Verified) 的评测成绩。ARC-AGI-3 上，provider adapter harness 得分 97.5%、成本 $4.8K，标准 harness 得分 49.8%、成本 $5.8K；ARC-AGI-2 得分 91.3%、$0.32/task；ARC-AGI-1 得分 98.5%、$0.16/task。Google DeepMind 是第二家在 ARC-AGI-3 上得分超过 95…

ARC Prize 公布 2026 赛季 ARC-AGI-2 高分榜，TUFA Labs 以 88.06% 排名第一。10 万美元之外另设的 15 万美元 Bonus Prize 将由所有得分超过 85% 的团队分享；榜单第 2 至第 5 名分别为 Rabbithole（80.56%）、Yi-Chia Chen（77.22%）、Nubanana（77.08%）和 _hans（67.64%）。

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI (Verified) 的成绩：ARC-AGI-2 得分 72.9%，每任务成本 $0.13；ARC-AGI-1 得分 94.5%，每任务成本 $0.07。相比 V4 Flash 的最佳成绩，ARC-AGI-1 高 5.5 分，ARC-AGI-2 高 11.5 分，但每任务成本高约 250%。

@reflection_ai @baseten - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Beam 1.0 完整结果：https://arcprize.org/results/reflection-beam-1-0

ARC Prize 公布 Beam 1.0 在 ARC-AGI (Verified) 的成绩：ARC-AGI-2 为 23.5%，每任务 $0.61；ARC-AGI-1 为 74.0%，每任务 $0.31。最佳成绩出现在 xhigh 推理档，但 high 档在 ARC-AGI-2 上也达到 20.0%，成本约低 43%。

@Google - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Gemini 4 Argon 完整结果：https://arcprize.org/results/google-gemini-4-argon

@Google Argon 在 ARC-AGI-3 上 97.5% 的得分仅次于 GPT-6 Astra 的 99.9%。 与 Astra 一样，Argon 在 25 个 ARC-AGI-3 公开游戏中的操作次数比人类基线少 62%。它在 3 个游戏上追平或打破了速通纪录，并在另外 6 个游戏上差距在 10% 以内。

ARC Prize 发布 Gemini 4 Argon 在 ARC-AGI-3 标准 harness 下的测试结果，低推理得分 49.8%（完成 42/55 局），中推理 46.3%（完成 46/55 局），高推理仅完成 19/55 局故未公布分数。

@AnthropicAI - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Haiku 5.5 完整结果：https://arcprize.org/results/anthropic-claude-haiku-5-5

ARC Prize 解释在 ARC-AGI-2 榜单中省略 Claude Haiku 5.5 的 max reasoning 结果，因为该设置只完成 120 个任务中的 74 个，且许多未完成的尝试在耗尽输出预算前无法返回可解析的答案。完整结果见 https://arcprize.org/results/anthropic-claude-haiku-5-5。