Gemini 4 Argon 登陆 Cursor：CursorBench 52.8% 追平 Opus 5.5

AI 编程工具的模型军备竞赛又有了新进展。Google 的 Gemini 4 Argon 现已正式接入 Cursor，官方公布的数据显示，它在 CursorBench 上以默认推理强度跑出 52.8% 的成绩，与 Opus 5.5 处于同一水平线。

两个关键数字：52.8% 与 $2/$10

对于关注 AI 编程助手的开发者来说，这条消息里有两个值得记住的数字。

第一个是 52.8%。这是 Gemini 4 Argon 在 CursorBench 上的得分，测试条件是「默认推理强度」（default effort）——也就是说，这个成绩不是靠拉满思考预算堆出来的，而是模型在日常使用状态下的表现。官方明确表示这一成绩与 Opus 5.5 持平。

第二个是 $2/M 输入、$10/M 输出 的定价。这个价格区间在当前的第一梯队编程模型中属于有竞争力的档位，尤其是考虑到它宣称的对标对象是 Opus 系列。对每天要跑大量代码补全、重构和调试请求的团队来说，输入 token 的成本往往是大头，$2/M 的输入价格意味着长上下文场景下的开销会比高价模型更可控。

CursorBench 是什么？ 它是 Cursor 官方维护的一套编程能力评测基准，题目多取自真实的编辑器内工作流——包括代码补全、跨文件修改、bug 定位与重构等任务，由 Cursor 团队在受控环境下统一跑分。相比 HumanEval、SWE-bench 这类偏学术或偏仓库级修复的基准，CursorBench 更贴近「在 IDE 里用 AI 写代码」的实际场景，因此常被拿来做模型在 Cursor 中表现的第一手参考。不过它仍属厂商自建基准，题目不公开、难度分布未知，横向比较不同来源的分数时需要留意口径是否一致。

$2/M 与 $10/M 的含义。 这里的 M 指百万 token。大模型按输入（你发给模型的提示、代码上下文）和输出（模型生成的代码与解释）分别计费，输入通常远大于输出——一个长上下文请求可能塞进几万 token 的代码库片段，因此输入单价往往是总成本的决定项。$2/M 输入意味着每百万输入 token 花 2 美元，$10/M 输出则是每百万生成 token 花 10 美元。输出单价约为输入的 5 倍，是当前主流模型的常见比例，因为生成过程需要逐 token 前向计算，算力开销更高。

默认强度追平意味着什么

「默认 effort 就能打平」这句话的分量，比单纯的分数对比更值得琢磨。

推理型模型普遍存在一个权衡：思考得越久，答案质量越高，但延迟和成本也同步上涨。很多模型的最佳成绩是在最高推理预算下取得的，日常使用时会被 Cursor 这类工具自动降级，实际体验与榜单成绩存在落差。

Gemini 4 Argon 强调在默认强度下达到 52.8%，隐含的信息是：用户不需要手动调高推理档位，就能获得接近顶配的质量。对于 Cursor 这种交互频繁、对响应速度敏感的场景，这一点直接影响可用性。

当然，CursorBench 只是单一维度的评测。它在多大程度上能反映真实的工程能力——比如跨文件重构、理解大型代码库的依赖关系、处理模糊需求——还需要开发者用自己的项目去验证。

什么是「推理强度」（effort / reasoning budget）？ 新一代推理模型在给出答案前会先输出一段内部思考链，这段思考的长度由工具侧的一个档位参数控制，常见命名有 low / medium / high 或直接以 token 预算表示。档位越高，模型试错和自检的机会越多，复杂任务的正确率通常越高，但首 token 延迟和总费用也同步上升。Cursor 这类工具会根据任务类型自动选择档位，用户也可以手动拉高。因此「默认强度」指的是工具在无人工干预下自行选定的档位，而非模型的能力上限。

为什么默认强度下的分数更有参考价值？ 榜单上很多高分是在最高推理预算下刷出来的，日常使用中被自动降级后就打不到那个水平，形成「榜单一流、体感二流」的落差。默认强度下的成绩更接近开发者打开编辑器就能获得的真实质量，这也是官方强调这一测试条件的用意所在。

Cursor 的模型策略：不押注单一供应商

把 Gemini 4 Argon 放进 Cursor 的模型列表，延续了 Cursor 一贯的多模型策略。

对 Cursor 而言，同时提供 Anthropic 的 Opus 系列、Google 的 Gemini 系列以及其他可选模型，本质上是把「选哪个模型」的决策权交还给用户。不同任务对模型口味的需求并不一致：有些团队偏好某个模型在特定语言上的稳定性，有些则更在意成本，还有人会根据任务复杂度在快慢模型之间切换。

这种策略的另一面是竞争压力。当两个模型在同一基准上打成平手，价格和实际手感就成了决定因素。$2/$10 的定价配合「默认强度即巅峰」的定位，显然是想在性价比这条线上争取用户。

多模型策略背后的工程含义。 Cursor 作为编辑器层，并不自己训练基础模型，而是通过 API 聚合多家供应商的模型，把路由权交给用户。这意味着同一份代码上下文可以被发送给不同模型，用户按任务切换。代价是编辑器需要为每个模型的上下文窗口、工具调用格式、流式输出协议分别做适配，并在模型版本更新时快速跟进。对用户而言，好处是避免被单一供应商的涨价、限流或服务中断绑定；风险则是不同模型的行为差异会让团队内部的提示词和规则文件难以统一。

开发者该怎么看这次更新

对已经在用 Cursor 的开发者，这件事的实操意义大于新闻意义。

比较务实的做法是：拿自己项目里几个典型的难点任务——比如一个跨多个文件的接口改造、一段没有测试覆盖的遗留代码重构——分别用 Gemini 4 Argon 和当前主力模型跑一遍，对比结果质量和 token 消耗。基准分数相近的模型，在实际代码库上的表现差异往往比榜单数字更明显。

对于成本敏感、又需要较强编程能力的场景，$2/$10 的定价让它成为一个值得纳入对比清单的选项。而如果团队的工作流已经围绕某个模型调优了很久，单纯因为一个基准分数就切换，未必划算。

模型可选性增加本身是好事。真正需要判断的，是哪个模型在你的代码库里、在你的任务分布下，能稳定给出可用的结果。