Wynik Gemini 4 Argon w ARC-AGI-3 sięga 97,5%, ale standardowy test pokazuje inną historię

Wynik Google Gemini 4 Argon w ARC-AGI-3 osiągnął 97,5% w środowisku testowym z adapterem dostawcy ARC Prize. Ten sam model uzyskał 49,8% w standardowym środowisku testowym. Ta różnica wynosząca 47,7 punktu jest tu najważniejsza.

ARC Prize opublikowało zweryfikowane wyniki po przetestowaniu sześciu konfiguracji w całej serii benchmarków. Gemini 4 Argon uzyskał również 98,5% w ARC-AGI-1 i 91,3% w ARC-AGI-2 przy wysokim poziomie rozumowania. Wyniki te plasują Google DeepMind wśród czołowych laboratoriów we wszystkich trzech generacjach testu.

ARC-AGI-3 mierzy jednak system interaktywny, a nie odizolowany model odpowiadający na statyczne pytania. Jego środowisko testowe kontroluje, jakie informacje pozostają dostępne między działaniami i jak zarządzana jest długa historia. GPT-6 Astra od OpenAI pozostaje najistotniejszym punktem odniesienia, ponieważ także przekroczył 95% z adapterem dostawcy.

To rozróżnienie zmienia sposób, w jaki deweloperzy i nabywcy korporacyjni powinni interpretować nagłówek. Wynik 97,5% wspiera twierdzenia Google dotyczące trwałego rozumowania na długich horyzontach. Nie dowodzi jednak, że Argon zapewnia taką samą wydajność przez każdy interfejs lub architekturę wdrożeniową.

Benchmark Gemini 4 Argon jest zatem mniej prostym zwycięstwem, a bardziej demonstracją tego, gdzie obecnie znajduje się zdolność modeli. Coraz częściej tkwi ona w połączonym systemie modelu, pamięci, zarządzania kontekstem, zachowania API i środowiska wykonawczego agenta.

Wyniki Gemini 4 Argon w ARC-AGI-3 różnią się w dwóch środowiskach testowych

ARC Prize zweryfikowało wyjątkowy wynik, ale potwierdziło dwie wyraźnie odmienne wersje doświadczenia z tym samym systemem.

Zweryfikowana karta wyników podaje, że Gemini 4 Argon uzyskał 97,5% w ARC-AGI-3 przy niskim poziomie rozumowania i w środowisku z adapterem dostawcy. Średni i wysoki poziom rozumowania dały po 97,3% w tej konfiguracji.

Standardowe środowisko testowe wygenerowało inny wzorzec. Niski poziom rozumowania uzyskał 49,8%, a średni 46,3%. ARC Prize nie opublikowało na wykresie porównywalnego wyniku dla wysokiego poziomu rozumowania, ponieważ w tym uruchomieniu ukończono zbyt mało zadań.

Wynik ten jest nietypowy z dwóch powodów. Po pierwsze, podniesienie nazwanego poziomu rozumowania nie poprawiło wyniku z adapterem dostawcy. Niski poziom rozumowania nieznacznie wyprzedził pozostałe dwie konfiguracje.

Po drugie, adapter dostawcy zapewnił niemal dwukrotnie wyższy wynik niż standardowe środowisko. Tak dużej różnicy nie można uznać za zwykły szum ewaluacyjny. Wskazuje ona na strukturalną zmianę w tym, co testowany system może zapamiętać i ponownie wykorzystać.

ARC Prize definiuje standardowe środowisko testowe jako neutralny wobec dostawców interfejs. Pozwala on modelowi przenosić notatki, które sam zdecyduje się zachować w całym środowisku.

Adapter dostawcy może zachowywać niejawny stan rozumowania między żądaniami. Może również kompresować długą interakcję, gdy historia zbliża się do limitu kontekstu. Model może wtedy ponownie wykorzystywać wcześniejszą pracę bez odtwarzania pełnego toku rozumowania na podstawie widocznych notatek.

Ma to znaczenie, ponieważ ARC-AGI-3 nie przedstawia znanego pytania z jedną odpowiedzią. Model trafia do nieznanego środowiska interaktywnego, obserwuje stan, wybiera działanie i widzi rezultat. Musi wywnioskować zasady i cel, unikając przy tym nieefektywnych ruchów.

Nieudana hipoteza nadal jest użyteczna, jeśli system pamięta, dlaczego zawiodła. Udany eksperyment ma znaczenie tylko wtedy, gdy istotna obserwacja pozostaje dostępna wystarczająco długo, by wpłynąć na późniejsze decyzje.

Standardowe środowisko testowe wymaga od modelu uzewnętrznienia tej ciągłości za pomocą wybranych notatek. Adapter dostawcy zachowuje więcej ciągłości wewnątrz systemu dostawcy. Obie konfiguracje wykorzystują Gemini 4 Argon, ale udostępniają różne ilości bieżącego stanu poznawczego modelu.

ARC Prize podaje, że problemy z API wpłynęły również na standardową ewaluację. Przy niskim poziomie rozumowania uruchomienia ukończono dla 42 z 55 półprywatnych zadań. Średni poziom rozumowania ukończył 46 zadań, a wysoki tylko 19.

Raportowane wyniki nadal obejmowały wszystkie 55 zadań. Nieukończone zadania obniżały rezultat, choć wcześniej zdobyte częściowe punkty zostały zachowane. Wynik 49,8% jest więc rzeczywistym, opublikowanym rezultatem, ale odzwierciedla także niedoskonałe uruchomienie testu.

To zastrzeżenie nie usuwa różnicy między środowiskami testowymi. Konfiguracja średnia ukończyła więcej zadań niż niska, a mimo to uzyskała tylko 46,3%. Tymczasem każda konfiguracja z adapterem dostawcy utrzymała wynik powyżej 97%.

Właściwy nagłówek nie brzmi, że jeden wynik jest autentyczny, a drugi nieważny. ARC Prize zweryfikowało oba. Właściwy wniosek jest taki, że rezultat Gemini 4 Argon w ARC-AGI-3 silnie zależy od sposobu, w jaki otaczający system podtrzymuje rozumowanie między działaniami.

Dlaczego ARC-AGI-3 czyni pamięć częścią testu

ARC-AGI-3 zmienia zarządzanie kontekstem ze szczegółu implementacyjnego w mierzoną zdolność.

ARC-AGI-1 i ARC-AGI-2 wykorzystują statyczne zadania wizualnego rozumowania. System otrzymuje przykłady ustanawiające ukrytą transformację, a następnie stosuje wywnioskowaną regułę do nowej siatki. Testy te podkreślają abstrakcję i uogólnianie bez długiej sekwencji działań w środowisku.

ARC-AGI-3 zastępuje ten pasywny format nieznanymi interaktywnymi światami. Agent nie otrzymuje szczegółowej instrukcji. Musi eksperymentować, interpretować informacje zwrotne, korygować swoje przekonania i ostatecznie odkryć sposób na zwycięstwo.

Oficjalny benchmark ARC-AGI-3 koncentruje się na adaptacji w warunkach niepewności. Ludzie często potrafią przenosić zwykłą intuicję dotyczącą obiektów, ruchu, przyczynowości i celów do takich światów. System AI musi odtworzyć porównywalną wiedzę na podstawie obserwacji.

Projekt techniczny ARC Prize nakłada na tę eksplorację budżet działań. Rozwiązanie środowiska nie wystarcza, jeśli agent poświęca nadmierną liczbę ruchów na przypadkowe sondowanie. Benchmark ocenia zatem zarówno postęp, jak i efektywność działań.

Raport techniczny opisuje zarządzanie kontekstem jako kluczowe wyzwanie. Klatki środowiska wykorzystują siatki 64 na 64, a wielokrotne przenoszenie każdej obserwacji może szybko wyczerpać dostępny kontekst.

Kompetentny agent potrzebuje czegoś więcej niż dużego surowego okna kontekstowego. Musi rozpoznawać, które zmiany mają znaczenie, łączyć działania ze skutkami, zachowywać hipotezy i odrzucać nieistotne szczegóły. Jest to zbliżone do problemu, z którym mierzą się agenci działający w przeglądarkach, bazach kodu lub systemach biznesowych.

Rozważmy agenta programistycznego badającego sporadyczną awarię testu. Może on analizować logi, zmieniać konfigurację, ponownie uruchamiać testy, porównywać wyniki i wracać do wcześniejszej hipotezy. Utrata łańcucha przyczynowego między tymi działaniami może sprawić, że agent powtórzy pracę lub zaakceptuje fałszywe wyjaśnienie.

Agent badawczy w przedsiębiorstwie staje przed tym samym problemem w różnych dokumentach. Musi odróżniać ustalone fakty od wstępnych interpretacji, zachowując jednocześnie ich źródła. Sama duża pojemność wejściowa nie gwarantuje, że właściwe dowody pozostaną istotne.

ARC-AGI-3 kompresuje te problemy do kontrolowanych środowisk. Światy są sztuczne, ale potrzeba uczenia się na podstawie sekwencyjnych informacji zwrotnych jest rozpoznawalna. To sprawia, że benchmark jest bardziej istotny dla zachowania agentów niż egzamin jednosesyjny.

Utrudnia to także porównania. W statycznym benchmarku prompt i wygenerowana odpowiedź definiują znaczną część testowanego systemu. W benchmarku interaktywnym decyzje dotyczące orkiestracji kumulują się przez dziesiątki lub setki kroków.

System może potrzebować zdecydować, co trafia do kolejnego promptu, co staje się trwałą notatką i kiedy starszą historię należy podsumować. Może także wymagać obsługi nieudanych wywołań API bez uszkodzenia swojego stanu.

Decyzje te są często podejmowane poza modelem bazowym. Mimo to bezpośrednio wpływają na to, czy model wydaje się zdolny do trwałego rozumowania.

Google zaprojektowało Argon z myślą o długich trajektoriach. W swoim ogłoszeniu modelu firma podaje, że model obsługuje limit wyjścia wynoszący milion tokenów i jest przeznaczony do złożonej, wieloetapowej pracy. Google opisuje także zastosowania w inżynierii oprogramowania, badaniach i cyberbezpieczeństwie defensywnym.

Pozostają to twierdzenia firmy, dopóki nie zostaną niezależnie ocenione w każdej dziedzinie. Mimo to wynik z adapterem dostawcy jest zgodny z węższą tezą, że Argon korzysta z zachowanego stanu rozumowania.

Standardowe środowisko testowe ukazuje drugą stronę. Model zbudowany wokół trwałych wewnętrznych trajektorii może utracić znaczną część swojej przewagi, gdy zostanie zmuszony do działania przez węższy, neutralny wobec dostawców interfejs.

Dlatego porównanie środowisk testowych ARC-AGI-3 ma znaczenie. Pyta ono, czy zdolność przenosi się wraz z nazwą modelu, czy zależy od konkretnego stosu dostarczania.

Główna rywalizacja to natywny stan dostawcy kontra przenośni agenci

Najważniejsza konkurencja nie ogranicza się już do Google kontra OpenAI. Chodzi o natywną ciągłość dostawcy kontra przenośną orkiestrację.

Natywny stan dostawcy daje modelowi dostęp do funkcji zaprojektowanych wraz z jego systemem inferencyjnym. Zachowane rozumowanie może utrwalać wewnętrzną pracę, której wyrażenie jako zwykłego tekstu byłoby kosztowne lub niepełne. Kompresja może redukować długą historię przy jednoczesnym zachowaniu informacji wybranych przez mechanizmy dostawcy.

Podejście to może zapewniać wyższą wydajność przy mniejszym nakładzie inżynierii po stronie aplikacji. Deweloper wysyła działania przez wspierany interfejs, podczas gdy dostawca zarządza większą częścią długoterminowego procesu rozumowania.

Kompromisem jest zależność. Jeśli wydajność agenta opiera się na niejawnym stanie, deweloperzy nie mogą w pełni sprawdzać, eksportować ani odtwarzać tego stanu za pośrednictwem innego dostawcy. Przepływ pracy może zostać związany z jednym API, nawet jeśli widoczne prompty wyglądają na przenośne.

Standardowe środowisko testowe reprezentuje architekturę, którą łatwiej przenieść. Model może zapisywać notatki dostępne w kolejnych turach, ale interfejs nie zależy od wewnętrznego stanu specyficznego dla dostawcy. Deweloperzy mogą sprawdzać te notatki i stosować podobny wzorzec w innym modelu.

Ta przejrzystość nie gwarantuje jednak równej wydajności. Standardowy wynik Gemini 4 Argon sugeruje, że widoczne notatki nie zachowały wystarczającej części tego, czego Argon potrzebował w tych środowiskach. Model mógł tracić hipotezy, zależności przyczynowe lub plany podczas powtarzanych interakcji.

Jawny notatnik także może stać się chaotyczny. Jeśli agent zapisuje zbyt wiele, późniejsze prompty wypełniają się nieaktualnymi obserwacjami. Jeśli zapisuje zbyt mało, ważne odkrycia znikają.

Kompresja po stronie dostawcy może rozwiązywać ten problem równowagi, lecz jej decyzje są mniej widoczne. Wysoki wynik mówi użytkownikom, że kompletny system działał w warunkach ewaluacji. Nie ujawnia każdego szczegółu tego, co proces kompresji zachował.

Polityka testowania ARC Prize uznaje, że oba środowiska testowe odpowiadają na różne pytania. Organizacja raportuje je osobno, zamiast traktować je jako wymienne implementacje.

Standardowe środowisko testowe pyta, jak model zachowuje się przez minimalny, neutralny wobec dostawców interfejs. Adapter dostawcy pyta, jak działa po połączeniu z funkcjami zarządzania kontekstem oferowanymi przez jego twórcę.

Żadne z tych pytań nie jest błahe. Przenośność ma znaczenie dla nabywców, którzy chcą zachować siłę negocjacyjną, możliwość audytu i dostawców zapasowych. Natywna wydajność ma znaczenie dla zespołów potrzebujących najlepszego dostępnego rezultatu w trudnych przepływach pracy.

GPT-6 Astra od OpenAI zapewnia najjaśniejszy konkurencyjny punkt odniesienia. Jego konfiguracja z adapterem dostawcy pozostaje przed Argonem w rankingu ARC-AGI-3. Jego standardowy wynik jest także wyższy niż opublikowany standardowy rezultat Argona, choć porównanie musi uwzględniać nieukończone uruchomienia Argona.

Oficjalny ranking podkreśla znaczenie rozdzielania konfiguracji. ARC Prize oznacza wyniki standardowe i wyniki adapterów dostawców oraz wyjaśnia, że zachowują one różne formy stanu.

Taka struktura wywiera presję na każde laboratorium pracujące nad modelami z czołówki. Dostawca nie może już publikować jednego wyniku agenta bez wyjaśnienia środowiska wykonawczego, które go uzyskało. Kupujący powinni pytać, czy wynik wykorzystywał natywny stan, narzędzia zewnętrzne, wielokrotne próbkowanie, prywatną pamięć czy rusztowanie specyficzne dla danego zadania.

Presja dotyczy również niezależnych platform agentowych. Ich propozycja wartości często opiera się na zapewnieniu wymienności modeli przy jednoczesnym dodaniu pamięci, narzędzi i kontroli przepływu pracy ponad API.

Jeśli natywne adaptery dostawców nadal będą generować różnice tej wielkości, ogólne warstwy orkiestracji staną przed trudnym wyborem. Mogą pozostać przenośne, lecz zaakceptować niższą szczytową wydajność, albo budować głębokie integracje, które ograniczają praktyczną wymienność.

Deweloperzy nie powinni zakładać, że ten wybór jest trwały. Możliwości, które zaczynają jako funkcje wyspecjalizowanych mechanizmów uruchomieniowych, mogą trafić do standardowych API. Jawne systemy pamięci również mogą się poprawiać, gdy zespoły lepiej zrozumieją, co agenci muszą zachowywać.

Na razie Gemini 4 Argon czyni ten podział wyjątkowo widocznym. Model wygląda na niemal nasycony w jednym interfejsie, a daleki od nasycenia w innym.

Ta różnica jest bardziej informacyjna niż pojedyncza pozycja w rankingu. Pokazuje, że wybór modelu i architektura agenta stały się nierozłącznymi decyzjami zakupowymi.

Czego wynik 97,5% nie dowodzi

Zweryfikowany wynik benchmarku jest mocnym dowodem dotyczącym określonego testu, a nie ogólnym certyfikatem autonomicznej inteligencji.

ARC Prize weryfikuje wyniki czołowych modeli na częściowo prywatnych zadaniach, aby ograniczyć bezpośrednie przeuczenie. Elementy testowe są wysyłane do API dostawców z zabezpieczeniami dotyczącymi retencji danych, a wyniki obejmują informacje o ocenie na poziomie zadań.

Proces ten jest bardziej wiarygodny niż wynik zgłoszony przez samą firmę w publicznym teście. Ogranicza zdolność laboratorium do bezpośredniego dostrajania względem pełnego zestawu ewaluacyjnego.

Weryfikacja nadal nie rozszerza zakresu tego twierdzenia. Gemini 4 Argon osiągnął 97,5% w ramach nazwanego mechanizmu uruchomieniowego, ustawienia rozumowania, metody punktacji i budżetu działań. Zmiana tych warunków może zmienić wynik, co pokazuje wynik standardowy.

Środowiska ARC-AGI-3 również należą do konkretnej domeny. Testują eksplorację i adaptację w interaktywnych światach opartych na siatkach. Rzeczywiste procesy biznesowe dodają niejednoznaczne instrukcje, zmieniające się uprawnienia, zawodne strony internetowe, sprzeczne dokumenty i konsekwencje błędnych działań.

Model może osiągać świetne wyniki w benchmarku, a mimo to mieć trudności z procesem przedsiębiorstwa, którego kryteria sukcesu pozostają niejasne. Z drugiej strony agent zoptymalizowany pod stabilny proces biznesowy może tworzyć wartość bez wysokich wyników w abstrakcyjnych środowiskach.

Niekompletne standardowe uruchomienia wprowadzają kolejną niepewność. ARC Prize przypisało brakujące pokrycie problemom z API, lecz sam publiczny wynik nie pozwala kupującym określić, jak często podobne przerwy wystąpią w środowisku produkcyjnym.

Długotrwale działający agenci potrzebują mechanizmów odzyskiwania. Muszą wiedzieć, czy nieudane żądanie można bezpiecznie ponowić, czy stan przetrwa taką próbę oraz czy przerwane działanie narzędzia spowodowało zewnętrzną zmianę.

Te właściwości operacyjne nie są drugorzędne. Agent, który poprawnie rozumuje, lecz traci stan po awarii sieci, może być mniej użyteczny niż słabszy model z przewidywalnym odzyskiwaniem.

Wynik 97,5% nie dowodzi też, że większy wysiłek rozumowania zawsze pomaga. Ustawienie niskie Argon nieznacznie przewyższyło jego średnie i wysokie konfiguracje adaptera dostawcy. Ta niewielka różnica może odzwierciedlać dynamikę zadań, a nie szeroką prawidłowość, lecz ostrzega przed utożsamianiem większej liczby inferencji z lepszymi rezultatami.

Zespoły powinny testować ustawienia rozumowania pod kątem własnych wymagań dotyczących opóźnień, niezawodności i jakości. Najdroższa lub najdłuższa trajektoria nie jest automatycznie najlepszą konfiguracją.

Oryginalna struktura benchmarku ARC Prize rozróżnia również ogólną zdolność modelu od inżynierii mechanizmów uruchomieniowych specyficznych dla zadań. Jego raport techniczny ostrzega, że mechanizm zaprojektowany wokół znanych publicznych środowisk może zawyżać wydajność bez przenoszenia jej na nieznane domeny.

Adapter dostawcy nie jest przedstawiany jako ręcznie zakodowany solver specyficzny dla ARC. Wykorzystuje ogólne funkcje zarządzania kontekstem. Mimo to czytelnicy powinni unikać przekształcania wysokiego wyniku interaktywnego w twierdzenie, że model osiągnął ogólną inteligencję na poziomie człowieka.

Najmocniejsza możliwa do obrony interpretacja jest węższa. Gemini 4 Argon może działać wyjątkowo dobrze w częściowo prywatnych zadaniach ARC-AGI-3, gdy jego stan rozumowania utrzymuje się dzięki projektowi adaptera Google.

Drugim możliwym do obrony wnioskiem jest to, że ta sama zdolność nie przenosi się płynnie przez standardowy interfejs ARC Prize. Nie rozstrzygnięto jeszcze, czy odzwierciedla to słabość modelu, niedopasowanie w zachowaniu podczas sporządzania notatek, niestabilność API czy kilka czynników.

Ewaluacje przedsiębiorstw powinny odtworzyć obie strony tego testu. Zespoły mogą porównać natywny interfejs agentowy dostawcy z przenośną implementacją, która jawnie przechowuje plany i dowody.

Powinny mierzyć ukończenie zadań, powtarzaną pracę, odzyskiwanie po awarii i jakość zachowanych dowodów. W przypadku procesów intensywnie korzystających z wiedzy możliwa do prześledzenia baza wiedzy AI może uzupełniać pamięć modelu, utrzymując materiały źródłowe w formie możliwej do sprawdzenia.

Nie zastępuje to stanu rozumowania. Tworzy osobny zapis, który użytkownicy mogą audytować, gdy wewnętrzna ciągłość modelu jest nieprzejrzysta.

Różnica 47,7 punktu jest zatem powodem do prowadzenia lepszych ewaluacji, a nie do porzucania benchmarków. Ujawnia zmienną wdrożeniową, którą pojedynczy wynik by ukrył.

Trzy sygnały pokażą, czy wynik się przenosi

Kolejne dowody muszą pokazać, czy przewaga adaptera Argon utrzyma się w szerszych testach, przy awariach operacyjnych i w rzeczywistych wdrożeniach.

Pierwszym sygnałem jest ukończony ponowny test standardowego mechanizmu uruchomieniowego. ARC Prize powinno móc ponownie uruchomić wszystkie 55 częściowo prywatnych zadań po rozwiązaniu zgłoszonych problemów z API.

Pełne uruchomienie ustaliłoby, jaka część wyniku 49,8% wynikała z brakującego pokrycia zadań. Jeśli Argon pozostanie blisko tego poziomu, argument za rzeczywistą luką architektoniczną stanie się silniejszy.

Jeśli standardowy wynik gwałtownie wzrośnie, pierwotne porównanie będzie wymagało rewizji. Sugerowałoby to, że opublikowaną różnicę powiększyła niezawodność usługi, a nie wyłącznie projekt pamięci.

Drugim sygnałem jest wydajność przy porównywalnych mechanizmach uruchomieniowych innych laboratoriów. OpenAI już dostarcza główny punkt odniesienia, lecz więcej zweryfikowanych wyników pokaże, czy duże korzyści z adapterów są powszechne wśród czołowych modeli.

Jeśli Anthropic, xAI lub inny dostawca pokaże podobny wzorzec, natywny stan dostawcy będzie wyglądał na ogólną cechę zaawansowanych agentów. Branża będzie wtedy musiała traktować wybór mechanizmu uruchomieniowego jako standardowe pole raportowania.

Jeśli inne modele pozostaną stabilne w obu mechanizmach, luka Argon będzie wyglądać na bardziej specyficzną dla modelu. Google stanie wtedy pod presją poprawy przenośnej ciągłości opartej na notatkach lub wyraźniejszego udokumentowania wymagań adaptera.

Trzecim sygnałem są dowody z długotrwałych produkcyjnych procesów pracy. Google twierdzi, że Argon jest testowany w inżynierii oprogramowania, badaniach i cyberbezpieczeństwie. Te dziedziny mogą ujawnić, czy zachowane rozumowanie poprawia wyniki poza kontrolowanymi grami.

Przydatne raporty obejmowałyby wskaźniki ukończenia procesów wieloetapowych, częstotliwość interwencji, odzyskiwanie po przerwanych wywołaniach oraz odsetek działań, które użytkownicy muszą cofnąć. Średnie wyniki benchmarków nie mogą zastąpić tych pomiarów operacyjnych.

Deweloperzy powinni również obserwować, czy Google udostępni większą kontrolę nad kompakcją i zachowanym rozumowaniem. Interfejs pozwalający użytkownikom sprawdzać podsumowania, ustawiać zasady retencji lub eksportować trwały stan zmniejszyłby część obaw dotyczących przenośności i zarządzania.

Bez takich mechanizmów kontroli kupujący otrzymują wydajność, ale muszą zaufać ukrytemu procesowi pamięci. Taki układ może być akceptowalny dla zadań niskiego ryzyka, lecz trudniejszy do zatwierdzenia w pracy regulowanej lub wrażliwej pod względem bezpieczeństwa.

Wynik Gemini 4 Argon w ARC-AGI-3 powinien zatem zmienić praktykę ewaluacyjną, zanim zmieni czyjąkolwiek definicję inteligencji. Sama nazwa modelu nie opisuje już testowanego produktu.

Zespoły porównujące systemy agentowe powinny rejestrować wersję modelu, poziom rozumowania, mechanizm uruchomieniowy, politykę pamięci, metodę kompakcji kontekstu i zachowanie odzyskiwania po awarii. Powinny także zachowywać dowody wykorzystane przy ważnych decyzjach.

Wynik 97,5% pokazuje, co Argon potrafi zrobić, gdy dostępna jest preferowana przez Google ścieżka zarządzania stanem. Wynik 49,8% pokazuje, jak duża część wydajności może zniknąć, gdy ta ścieżka się zmieni.

To, który wynik ma większe znaczenie, zależy od kupowanego systemu. Praktycznym następnym krokiem jest przetestowanie dokładnego interfejsu, którego użyje Twoja aplikacja, a następnie sprawdzenie, czy jego pamięć pozostaje dokładna, możliwa do skontrolowania i odzyskiwalna w całym procesie pracy.