Gemini 4 Argon 安全报告的 ML R&D 基准约四分之一任务存在 bug

Google DeepMind 的 Gemini 4 Argon 安全报告第 67 页承认，用于检验"AI 自动化 AI 研究"（ML R&D automation）阈值的基准中，约四分之一的评分任务无法通过，导致该阈值被判定为未触发。报告部分评估使用的是最终模型发布前仅 10 天和 6 天的检查点（p.160）。Neel Nanda 称该报告是 Google 迄今最详尽的安全报告。