Gemini 4 Argon 发布解析：Google 回到第一梯队，但价格与跑分要分开看

资料核验于北京时间 2026 年 10 月 1 日。Google 发布页日期为 9 月 30 日；正式名称是 Gemini 4 Argon，不是此前流传的“Gemini 4 Pro”。本文是公开资料分析，没有进行本站 API 实测。配图均为 Artificial Analysis 发布的原始跑分图，保留署名与坐标，没有使用 AI 生成图片；点击图片可查看大图。

这次 Gemini 4 最值得关注的，是 Google 终于拿出了能与当前前沿模型竞争的新一代大模型。但如果把消息压缩成“Pro 已经全面开放”“跑分第一，所以所有任务最强”或“比 Astra 永久便宜四成”，就会漏掉影响实际使用的条件。

我的判断是：Argon 的企业工作流能力值得认真评估，促销期的价格也有吸引力；但它的优势有明显的任务边界，今天更适合进入候选名单，而不是仅凭发布日跑分直接替换现有工作流。

先说清楚：发布了什么，谁能使用

Google 正式发布文章将 Argon 定位于复杂软件工程、企业知识工作与网络安全防御。初始访问提供给 Fairwind Program 中一部分受信任的网络安全防御伙伴，面向开发者、企业和消费者的更广泛开放仍待后续推进。

因此，“公布模型”和“所有 Gemini 用户现在就能切换到它”是两件事。也不能由模型能力发布，推断现有 Google AI Pro 订阅马上获得相同入口、额度和工具权限。

这一区别决定了文章应该怎样写：现在可以讨论公开证据和接入前的评估思路，却不适合编造“我已连续使用一周”的体验，更不能把传闻中的型号、价格和成绩拼到正式产品上。

综合跑分：回到前沿，但没有全面登顶

图 1：Artificial Analysis 发布原图。上半部分为 Intelligence Index v4.3.2，下半部分为智能指数与每任务成本；成本横轴为对数刻度。来源：AA 发布分析。图中的棋盘纹理标记“尚未公开可用”，不是误差条。

AA 模型页记录，Argon 在 high 推理档的智能指数为 53。同一张发布图里，GPT-6 Astra（max）也是 53，GPT-6.1 Sol（max）为 52，Claude Opus 5.5 和 Sonnet 5.5 则分别为 58 和 56；图中的 Anthropic 档位同时标注了 fallback 条件。

这说明 Google 已重返前沿竞争，却不支持“所有方面碾压”的结论。综合指数也不是答题正确率：53 分不等于任意实际任务有 53% 的成功率。模型档位、测评集合、权重和工具环境共同构成了这个数字。

另一家测评机构 Vals AI 的 Vals Index v2.1给出的榜单不同：Argon 以 68.90% 位列第一，Sonnet 5.5 为 67.04%，Opus 5.5 为 66.97%。该指数聚合金融、编程、法律和税务任务，并按相关行业在美国 GDP 中的比重加权。

两个榜单的差异并不意味着其中一个“测错了”。它们回答的问题不同。对于企业采购，任务权重更贴近自身业务的评测可能更有用；对于个人使用，GDP 权重并不天然代表写作、聊天、中文审美或日常代码修改的重要程度。

更合理的读法，是先找出哪类任务推动了得分，再看这些任务在自己的工作中出现得多不多。总分相同的模型，可以拥有完全不同的优势组合。

工作流与编程：强项确实存在，也有明确短板

图 2：AA 独立测试的业务自动化与终端任务原图。来源：AA 发布分析。同一模型在两个任务集合中的名次不同，正是不能只看总分的例子。

AutomationBench-AA 页面显示，Argon 得分 77.5%，领先 Sonnet 5.5 的 71.3% 和 Opus 5.5 的 69.5%。但图中的 Terminal-Bench 4.0 成绩为 57.1%，落后于 Sonnet 5.5 的 63.6%、Opus 5.5 的 59.6% 和 Astra 的 59.1%。

对一个需要跨业务软件完成流程的代理，前一个结果很有吸引力；对需要持续调试、操作终端和验证代码的助手，后一个结果提醒我们：业务自动化优势不能直接换算成编程全能。

Google 官方性能表也呈现出这种不均衡：Argon 的 DeepSWE v1.1 为 77.9%，高于表中 Astra 的 74.1%；但 FrontierSWE v2 为 55.0%，低于 Astra 的 65.5%。这些是 Google 汇总的官方表格成绩，不是本站同条件复测，也不能与 AA 的终端测试混成一张“统一实力榜”。

尤其需要读官方评测方法：部分项目由 Google 自测，竞品成绩可能取自厂商报告或公开榜单；Terminal-Bench Science 对 Argon 的验证器超时时间作了六倍放宽；OSWorld 报告的是离线子集的部分得分，并在三轮单次尝试运行中取最高值。

这些备注不会自动推翻成绩，但会限制结论。部分步骤得分不等于完整任务完成率，增加验证时间也不等于模型在相同时间预算下更强。公平比较需要同时看模型、工具、时间预算和判分方式。

“低幻觉”很有价值，但不等于知道更多

AA 发布分析报告，Argon 在 AA-Omniscience 上的幻觉率为 15%，而准确率为 50%；Astra 的准确率为 63%。这组数应一起读，不能只截取“15%”当作所有回答场景的出错概率。

这更像两种策略的取舍：不知道时愿意承认不确定，通常比给出一个自信但错误的答案更容易纳入可控流程；但拒答或保留意见，仍然可能让任务无法完成。知识覆盖、回答意愿与答案可靠性，需要分别衡量。

对引用整理、资料检索和企业文档处理，我会把“能否明确说不知道”视为实际优点，再要求可核查来源和缺失信息清单。对必须给出完整方案的任务，还要记录它需要多少次补充材料或人工接手。低幻觉可以减少误导，却不会自动替代证据核验。

价格：促销期的好看数字，需要放进长期预算

图 3：AA 的成本分解原图，展示 token 用量、标准价格、缓存折扣和 50% 促销分别怎样影响每任务成本。来源：AA 发布分析。这是该测试集合的成本，不是所有业务任务的固定报价。

Google 公布的介绍期价格为每百万输入／输出 token 2／10 美元，缓存输入按输入单价打 95% 折扣；介绍期结束后对应为 4／20 美元。截至本文核验，不能把介绍期价格写成永久定价。Google 定价说明

AA 图中 Argon 的促销期每任务成本为 1.99 美元，按标准价格则为 3.98 美元；其发布分析给出 Astra 为 3.26 美元。因此，“比 Astra 便宜约四成”描述的是特定评测集合、当前折扣与缓存条件下的结果；撤掉折扣，同一成本比较就会改变方向。AA 成本分析

这里真正值得关注的是成本结构。便宜的 token 不保证便宜的完成任务，更多推理、重试和工具等待都可能吃掉单价优势。缓存也依赖业务是否经常重复相同上下文，不能默认每次请求都享受最大节省。

我会分别做促销期与标准价预算，并把人工复核和失败重跑计入总成本。用于一次性研究，短期折扣可能很有吸引力；用于常年运行的生产服务，则应首先确认折扣结束后的账单仍能接受。

大输出窗口：给困难任务更多空间，也给成本更多空间

Google 还强调将输出上限扩展到 100 万 token；这说的是输出能力，不是让用户一次输入百万字的承诺。AA 说明其测试采用了 Long Decode Continuation：长响应暂停后通过后续调用继续生成，避免单次请求超时。Google 发布页 · AA 技术说明

这种机制为复杂问题提供了更长的推理轨迹，但输出更长不一定结果更好。工程上仍需要超时、费用上限、断点恢复与阶段验收。否则一条长时间生成的轨迹可能直到最后才暴露方向错误，返工会比短任务更昂贵。

真正该测试的，是增加预算后成功率怎样变化：多给十分钟或更多输出额度，是否解决了原本解决不了的问题？如果只是解释变长，就不能把额外支出算作能力收益。

我的结论：值得进入候选，暂不适合盲目换默认

对复杂企业流程、金融与法律材料处理，Argon 值得优先安排业务样本测试。对终端编程和仓库维护，仍应保留其他前沿模型作对照。对日常低成本任务，强模型是否必要，需要由任务难度和失败代价决定。

接入后，我会固定一组真实任务，记录首次验收通过率、返工次数、引用可核查率、总耗时与每次成功交付成本。同时保留失败案例，并把促销价与标准价分别计算。这样才能判断它在自己的工作中是否有价值，而不是只重复发布图里的排名。

Gemini 4 Argon 的发布带来了更有竞争力的选择，也让前沿模型的比较更需要细分。它的价值应由可复核的任务结果决定；名称、总分和短期折扣，都只是评估的起点。

来源与配图说明

本文经 AI 辅助检索与写作，为发布日公开证据分析，不是独立亲测。图片版权归 Artificial Analysis；本文引用原图用于逐项评论，未重绘、未修改成绩、未去除署名。榜单会更新，文中数据及图片以本次核验的发布快照为准。