Gemini 4 ML R&D 基准测试中约四分之一任务存在缺陷

Google DeepMind 的 Gemini 4 Argon 安全报告排除了其 AI 自动化 AI 研究阈值，但报告自身审计显示该基准中约四分之一的评分任务无法通过。该发现被指出在报告第 67 页，且部分评估使用的是最终模型发布前 10 天和 6 天的检查点。