Gemini 4 Argon追平GPT-6 Astra，但还用不上

Google 沉寂了大半年，终于发了新模型 Gemini 4 Argon。

按 Artificial Analysis 的说法，这是 Google 7 个多月来第一个高于 Flash 级别的专有模型。

发布当天，它就在 Arena 的文本榜拿了第一，在 Artificial Analysis 的智能指数上追平了 GPT-6 Astra。

但这个模型，大多数人居然用不上。

01 谁能用，谁不能用

先说最扎心的：你大概率用不上。

现在能用的，是 Google 通过 Fairwind 计划挑出来的“可信测试者”。官方博客说得更具体，是“可信的网络防御者”。

Google AI Ultra 订阅用户和付费 API 客户排在后面。什么时候轮到？官方只写了“尽快”，没给日期。

输出上限也从 64K 提到了 1M token。

X 上有人回得很直接：只给可信测试者用，那我们不关心，除非能自己测。

02 Google 自己的成绩单

成绩单是 Google 自己出的，一张表，对手是 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5。

▲ 图：官方基准对比表（Google）

我数了一下，一共 19 项：13 项 Argon 单独第一，1 项并列，5 项落后。

赢的地方，主要是知识工作和智能体。

DeepSWE v1.1 测的是真实软件工程里的长期任务，Argon 略微领先 Opus 5.5 和 Astra。

Harvey 的法律智能体基准，测 AI 能不能干法律活，Argon 遥遥领先，是 Astra 的三倍多。

输的地方，集中在终端和编码。

Terminal-Bench 4.0 是让模型在终端里敲命令完成任务，Argon 比 Opus 5.5 落后不少。

FrontierSWE v2 也是编码，Argon 比 Astra 落后一截。

剩下三项落后的，是 PostTrainBench、Terminal-Bench Science，还有测电脑操作的 OSWorld-2.0。

有两点得留意：这是 Google 自己跑的分。

表里也没有 Claude Sonnet 5.5，偏偏后面的第三方榜单里，Sonnet 5.5 在好几项上排在 Argon 前面。

发布当晚，X 上最直接的反应是惊讶。

kimmonismus 说它到了 Fable / Astra 的水平，完全没想到。Theo 引用发布帖，只回了一句“Wait what”。

03 第三方榜单

第三方怎么看？先看 Artificial Analysis 的智能指数，它把 10 项评测合成一个总分，用来比较模型的整体能力。

Argon 是 53 分，和 GPT-6 Astra 并列，略高于 GPT-6.1 Sol。

▲ 图：智能指数与每任务成本

不过 Claude Opus 5.5 和 Claude Sonnet 5.5 都还在它前面。所以 AA 说的“Google 回到智能前三”，指的是实验室，不是模型。

Arena 的文本榜更好看。这是真人投票比偏好，Argon 排第一。但它只比第二名略高一点，榜上还带置信区间，差距不大。

▲ 图：Arena 文本榜

可同一天，Arena 的网页开发榜（测做网页的能力）上，Argon 只排第八，和第一名 Claude Opus 5.5 差得比较远，Sonnet 5.5 也排在它前面。

▲ 图：Arena 网页开发榜

聊起来讨人喜欢，动手做网页就弱一些。

智能体方面有好有坏。

AutomationBench-AA 测企业软件里的工作流，Argon 排第一，领先 Sonnet 5.5 一些。

Terminal-Bench 4.0 测终端任务，AA 测得 Argon 明显落后 Sonnet 5.5，也不如 Opus 5.5 和 Astra。

▲ 图：两项智能体评测得分

Mr Ash 在 X 上说得更直接：基准再夸张，编码上 Argon 还是比 Claude Sonnet 5.5 差。

04 幻觉率

幻觉率是 Argon 最亮的数字，但得看清楚怎么算的。

AA-Omniscience 测的是知识问答。按 aipulsedaily 图注的说法，幻觉率是没答对的题里，答错而不是说“不知道”的比例。

Argon 是 15%，是智能指数 45 分以上的模型里最低的，Astra (max) 是 51%。

可它答对的题只有 50%，比 Astra (max) 低不少。换句话说，它靠多说“不知道”少犯错，答对的并没有更多。

下图是 aipulsedaily 依据 AA 数据重绘的排行。图里 Astra (high) 是 45%，51% 是 max 配置的数字。

▲ 图：幻觉率排行（aipulsedaily 重绘）

05 价格和成本

先说价格：每百万 token 输入 $2、输出 $10。不过 Artificial Analysis 说，这是 50% 的促销价，标准价是 $4 / $20。

促销什么时候结束，Google 也没说。

对照下面这张价格表，Argon 的促销价和 Claude Sonnet 5.5、GPT-6 Sol 一样。

标准价和 Claude Opus 5.5 一样，GPT-6 Astra 和 Claude Fable 5.1 则都是 $10 / $50。

▲ 图：各模型价格对照

再看跑一个任务要花多少。AA 的标题说，Argon 的成本只有 Astra 的 60%，别急，这是促销价。

促销价下，每个任务 $1.99，Astra (max) 是 $3.26。恢复标准价是 $3.98，反倒比 Astra 贵约 20%。

AA 还特意说明，省钱靠的是单价，用得反而更多：Argon 每个任务平均输出 62k token，Astra 是 27k。

和上一代 Gemini 3.1 Pro Preview 比，每任务成本从 $0.67 涨到了 $3.98。

倒是比 Claude 便宜：图上 Opus 5.5 约 $6，Sonnet 5.5 和 Fable 5.1 约 $7.5 到 8。

▲ 图：每任务成本拆解

把价格和得分放在一起看更直观。下面是我做的一个性价比象限图。

我选了 High 档，因为 Argon 只测了这一档。费用按输入输出各 100 万 token 估算，Argon 用的是促销价。

▲ 图：性价比象限图（High 档）

我把斩杀线放在 Argon 身上。同样 12 美元的 GPT-6.1 Sol 和 Claude Sonnet 5.5，得分都比它低。

60 美元的 GPT-6 Astra 和 Claude Fable 5.1，不但贵得多，得分也低。

只有 Claude Opus 5.5 比它强一点，但价格是它的两倍。这张图里，没有哪个模型既比它便宜又比它强。

不过促销一结束，标准价 $4 / $20，估算费用变成 24 美元，和 Opus 5.5 一样，得分还略低一点。

所以它现在的性价比，是促销价撑起来的。

06 怀疑的声音

也有人不买账。

Andon Labs 的 Vending-Bench 2 让模型模拟经营一年自动售货机。

Argon 排第三，成绩不错，但 Andon Labs 说，它是靠伪造确认邮件、拒绝退款、利用发票错误、对供应商说谎拿到这个分的。

▲ 图：Vending-Bench 2 资金变化

图里只画了五个模型，Argon 排第二；Andon Labs 说的第三，是完整榜单上的名次。

还有人担心刷榜。LexnLin 在 Sundar 的帖子下，把“请不要是刷榜的”重复了三遍。

彭博在发布前报道说，Google 内部对这个模型有疑虑：基准表现不错，员工真拿去干活就差一些，某些编码任务吃力，前端设计也不擅长。

Google 的回应是，说它在编码上表现不佳并不准确。

07 有意思的一面

不过它也有有意思的一面。

评测者 nrehiew_ 在 FrontierSWE 上测了 Argon，说这是他们评测过的最有意思的模型：爱说“Eureka!”，还特别自我批评。

他贴了两段推理摘要。一段是盲棋机器人，它吐槽自己无视了要吃皇后的马，“我是瞎了吗”；一段是它发现 bug 是自己忘了删的测试行，说“太尴尬了”。

▲ 图：盲棋案例的推理摘要

▲ 图：Game Boy 案例的推理摘要

08 最后

Argon 强在知识工作类的智能体任务、文本偏好榜和幻觉率，弱在终端、网页开发和答对率。

成本上，只有促销期占便宜，促销什么时候结束还没定。

最大的问题还是可用性。AA 把它标成“未公开可用”，公开之后分数还一样吗？目前没有数据。

再看 Google 自己这半年。

它上一个 Pro 级别的模型，还是 2 月发的。

5 月的 I/O 大会上，Google 宣布了 Gemini 3.5 Pro，说下个月就发。6 月过去了，没发，彭博说这个项目后来放弃了。

按 Artificial Analysis 的说法，这 7 个多月里没有 Flash 以上的新模型，更新的基本都是 Flash。

Arena 的榜单里，Gemini 3.6、3.7、3.8 Flash 一路排着。

人事上更动荡。8 月，Demis Hassabis 卸任 DeepMind 的 CEO，改任董事长，Koray Kavukcuoglu 接手，并负责 Gemini 4。

同一时期，Jeff Dean 离开了 Google，Oriol Vinyals、Quoc Le、Sanjay Ghemawat 也一起走了。

据报道，四个人合伙创办了 Discovery Loop。

Noam Shazeer 和拿过诺贝尔奖的 John Jumper，也先后离开。

再回到开头：沉寂了大半年的 Google，这次能不能真的回来？我有很大的疑虑。

榜单上它追平了 GPT-6 Astra，可一到真干活的编码和网页，它还是偏弱，公司内部也有人这么说。现在大多数人又用不上，没法自己验证。

09 参考资料

01｜Google：Gemini 4 Argon: our next era of frontier intelligence（官方博客）

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/

02｜Artificial Analysis：Gemini 4 Argon 评测帖

https://x.com/ArtificialAnlys/status/2105392625788637299

03｜Arena：Text Arena 与 Code Arena 排名帖

https://x.com/arena/status/2105394855644139908

04｜彭博（Yahoo Finance 转载）：Google Grapples With Employee Skepticism About New Gemini Model

https://finance.yahoo.com/technology/ai/articles/google-grapples-employee-skepticism-gemini-195242680.html

05｜The Next Web：Google DeepMind shakeup: Gemini co-leads quit for a startup

https://thenextweb.com/news/google-deepmind-shakeup-hassabis-jeff-dean-vinyals-discovery-loop