【图一乐】怀疑Gemini 4 Argon是大砍知识量和智商去刷Agent分数

V_Arrow 2026-10-01 09:23 1

试着让GPT分析了一下Argon的AA index各个子项的得分，本来我是问是否出现了公开测试集核弹爆炸，私有测试集拉胯的情况，GPT分析以后说是没有明显证据，反而给出了这个结论：

具体交给他的任务会完成得很好，但是复杂任务的分析的世界知识表现不行。

搞了半天还是个大号Flash啊，没记错的话3.5 Flash定价好像就是输出接近9USD了吧，倒是和Argon差不多。^-^

GPT详细结论

最新回复 (19)

亓水 10-01 09:24

1楼

有点抽象，让GPT去分析滚木的数据吗？

怎么还改标题，不知道为什么对gemini恶意这么大，Google已经是模型厂商唯一被叫大善人的了，不希望Google崛起，难道希望A\这样的崛起吗
windgo 10-01 09:25

2楼

这个跟之前披着3.8皮测试的4pro是一个模型吗
板栗君 10-01 09:25

3楼

啊喂，这都还没开始用上呢，从跑分逆推？… 有点离谱哦
V_Arrow 楼主 10-01 09:25

4楼

毕竟现在没有其它测试数据，就当图一乐吧
大雨落江面 10-01 09:25

5楼

无敌了，还有这样蹭热度的。这跟AI判刑有什么区别。
Hifumi Mizuhara 10-01 09:26

6楼

大砍知识量但是Text arena第一吗，那咕咕嘎嘎很有黑科技了^-^
V_Arrow 楼主 10-01 09:26

7楼

从另一个角度，连容易拿分的跑分都表现不佳，真实性能确实容易怀疑^-^
V_Arrow 楼主 10-01 09:26

8楼

对我来说只要文笔能稳住我依旧愿意用
板栗君 10-01 09:28

9楼

楼上所说的Text arena就不是一个容易拿高分的 ^-^ 跃迁式增长了，还是值得期待的
quina 10-01 09:28

10楼

那skill表现能比较好?那其实利好外接方法,没实测不好下定论啊XD
liuliu 10-01 09:28

11楼

咱是预期是好用的，难得有这么慷慨的平台。
V_Arrow 楼主 10-01 09:30

12楼

希望向公众开放后能打脸吧，依稀记得当年Claude3好像就是跑分没赢过体验没输过
V_Arrow 楼主 10-01 09:34

13楼

至少根据哈基米的前科来看，有必要提前降低预期。当时3.7还是3.8，DeepSwe等旧测试集直接对标Sol，结果还不是美国豆包。
大雨落江面 10-01 09:36

14楼

谷歌吹牛逼是必然的，我是说用gpt测评纯搞笑。
丰川祥子 10-01 09:37

15楼

根据提示词的不同，或许GPT会给出完全相反的结论也说不定
ishtar 10-01 09:40

16楼

我怎么印象里哪怕gemini前一段玩的那些flash大份没有一个是以跑分著称的，主打的都是拉稀的速度

当然argon的跑分看上去确实很奇怪
SpaceQ 10-01 09:40

17楼

不是吧，gemini一个还值得称道的就是它的世界知识量和智商了，把这个都砍了不是自废武功吗。还是说看到AO在coding和agent方面那么风光之后，坐不住了，路线也要往这方面倾斜？
哈比 10-01 09:41

18楼

不是哥们，咱都还没用呢就开始分析上了。而且盲目相信一个 AI 的判断也不好吧？而且世界知识库这一块我觉得压根就不可能砍，因为这相当于自废武功了。
scp3500 10-01 09:43

19楼

gpt说世界知识不行是参照这个的吧

(个人感觉确实有点古怪,pro怎么会表现出比flash更差的知识水平呢)