Gemini 4 Argon：谷歌新前沿模型能否重返牌桌？

Gemini 4 Argon 来了，但问题变了

两周前宣布，如今谷歌的 Gemini 4 Argon 正式开放测试。基准测试亮眼，但社区反馈两极分化严重。AI Daily Brief 主播提出了一个关键判断：关于前沿模型的问题已经从"它有多好"转变为"它适合放在哪里"。

换句话说，用户不再问"我要不要切换到新模型"，而是问"这个模型在我的模型栈里能承担什么独特角色"。这个视角转变，恰好是理解 Argon 的最佳切入点。

Argon 建立在全新的预训练基础上——谷歌此前砍掉了 Gemini 3.5 Pro 的发布计划。模型规模未被披露，但谷歌将其定位为与 Astra、Fable 同级别的超大模型。

基准测试：知识工作领先，编程落后

从纸面数据看，Argon 在多个维度达到了前沿水平。知识工作方面，它在 VALS 指数、Automation Bench、VALS Finance Agent 和 Harvey 法律 Agent 基准上均取得最优成绩。Harvey 法律基准上，Argon 领先第二名 Fable 5.1 达 13 分，差距显著。

编程表现则复杂得多。Argon 在 DeepSuite 上略微领先 Opus 5.5，但在 Frontier Suite 上落后三大竞争对手约 10 分，在 Terminal Bench 4.0 上落后 Opus 5.5 约 9 分。不过基准测试本身近期更新导致分数整体收窄，Argon 仍处于前沿区间，只是不在最前列。

成本方面，Argon 在 API 上提供了 11 月 30 日前 50% 的折扣。在 Artificial Analysis 的独立评测中，Argon 完成基准任务仅需每任务 1.99 美元，与 GLM 5.3 相近，明显低于除 Sol 6.1 外的所有前沿竞品。补贴结束后，Argon 将比 Astra 更贵，但仍约为 Anthropic 模型价格的三分之二。

综合来看，Argon 像是"打折的前沿 AI"——这理论上应该让谷歌重新回到竞争中。

关于几个关键基准的补充说明：

• VALS 指数：由 Vals AI 维护的综合评估体系，覆盖知识工作任务，强调真实场景中的多步骤推理与工具使用能力。
• Automation Bench：衡量模型在自动化工作流（如数据处理、脚本执行、表单填写）中的端到端任务完成率，比单轮问答更贴近实际部署场景。
• Harvey 法律 Agent 基准：由法律 AI 公司 Harvey 发布的专业评测，任务涵盖合同审查、判例检索、法律备忘录起草，要求模型在长篇材料中保持精确引用。
• Frontier Suite / Terminal Bench 4.0 / DeepSuite：编程与终端操作类基准。Frontier Suite 侧重复杂代码库理解与多文件修改；Terminal Bench 4.0 模拟真实终端环境下的 shell 命令链执行；DeepSuite 则更偏向算法与竞赛题。三者评分逻辑不同，因此 Argon 在其中表现差异较大并不矛盾。

需要特别注意的是，此类基准近期普遍更新了测试集并收紧了评分口径，导致所有前沿模型分数整体下滑，横向比较时应参考同一时间窗口内的数据。

编程能力：争议最大的战场

编程一直是谷歌的软肋。有推测认为，正是编程表现不佳导致 Gemini 3.5 Pro 在夏季被搁置。

开发者 Pavel Hurin 用 bug 猎人任务测试 Argon，结果"不够理想"——表现与 Muse Spark 1.3 相当，明显落后于 Astra、Fable 和 Opus。Railway 的 Noah Dunnigan 更直接："这个模型在真实代码面前毫无用处。"开发者 Theo 的代码库分析基准显示，Argon 是唯一一个误报率超过 50% 的模型。

但问题可能出在测试环境上。分析师 Max Weinbach 指出，在 anti-gravity 中表现不佳，但在 Claude Code 和 OpenCode 中"非常好"。不过在其他 harness 中使用可能违反服务条款。

更关键的发现来自 Pavel Hurin 的后续测试：在 anti-gravity CLI 而非 Gemini CLI 上运行同一基准，Argon 从"还行"跃升为前沿级别，"非常接近 Opus 5.5 Max"。他跑了三次确认结果。

这暴露了一个发布策略问题——谷歌对 Pro 和 Ultra 订阅者做了区分：Pro 用户只能在 Gemini harness 中使用 Argon，要使用 anti-gravity 需要升级到 Ultra 层级。这引发了开发者的普遍不满。Marcelo P. Lima 的吐槽代表了很多人的心声："为什么谷歌让人这么难试用他们的新模型？"

分析者 Rishi 的总结颇具代表性："几亿 token 之后，可以说 Gemini 4 大致等于 Opus 4.8。"

关于 harness 与 anti-gravity 的补充：

“harness”（脚手架/测试框架）指包裹模型的运行环境，包括系统提示词、工具调用协议、上下文管理、报错重试机制等。同一个模型在不同 harness 中表现可能天差地别——因为模型实际接收到的指令、可见文件范围和工具接口都不同。

anti-gravity 是谷歌面向开发者推出的 agentic coding 工具（与 Gemini CLI 并列），主打多 Agent 协作与长上下文代码库操作。文中 Pavel Hurin 的测试说明：Argon 在 Gemini CLI 中可能因为工具调用过于保守或上下文裁剪策略激进而“藏拙”，在 anti-gravity CLI 中则能放开手脚。

订阅分层问题也值得展开：谷歌将 Argon 的 anti-gravity 访问权限限定在 Ultra 层级，而 Pro 用户只能在 Gemini harness 中使用。这意味着多数开发者无法在最佳环境中评测模型，社区不满很大程度上源于这种“能力被订阅墙割裂”的体验，而非模型本身。

多模态与 3D：真正的差异化优势

如果说编程是 Argon 的短板，多模态和 3D 生成则是它的杀手锏。

谷歌放出的演示令人惊艳：Demis Hassabis 展示了现代版战斗国际象棋，效果接近 AAA 游戏画质；Chet Aslua 分享的宝塔寺庙群 3D 场景支持多角度漫游。不过有观察者指出，这些演示是多 Agent 协作的成果，成本不菲。

实际用户测试则褒贬不一。Max Techno 用车辆 3D 渲染测试后发现："车形比 Opus 好很多，但颜色完全褪色，纹理漂浮，UI 还停留在过去。"他甚至怀疑模型是否专门针对热门公开测试做了训练。

但那些探索性用法的反馈截然不同。Venture investor Justine Moore 要求 Argon 构建一个苹果电脑互动博物馆，不提供任何图片或数据——Argon 自行抓取档案照片、写工具清理图像、拉取 50 年规格数据，并构建了随年代变化的 3D Cover Flow UI。The Bugged Dev 给了一张哥特维多利亚马车图片，Argon 从零生成了包含 17.4 万面的 3D 模型，带开门、铰链窗、车轮物理、悬挂和定制骷髅雕刻——全部通过代码生成，未使用 Blender。

Websim Saria 的判断值得关注："Gemini 4 Argon 是第一个让人感觉图像、视频和语言模型融为一体的模型。"

关于 3D 生成与多 Agent 协作演示的补充：

文中的“3D 生成”并非指传统的文本到 3D 网格模型（如 Point-E、TripoSR 的单次前向生成），而是代码生成式 3D：模型输出 Three.js/WebGL 代码，由浏览器实时渲染。The Bugged Dev 的 17.4 万面马车模型、“开门、铰链窗、车轮物理”都是代码定义的程序化几何——这也是为什么它不需要 Blender 或专业 3D 管线。

Demis Hassabis 演示的“战斗国际象棋”之所以接近 AAA 画质并被指出是“多 Agent 协作”，是因为任务被拆分给多个 Agent：一个负责游戏逻辑、一个负责材质与光照、一个负责 UI，再串联执行。这种模式下成本显著高于单次对话，但展示了 Argon 在长上下文编排与跨模态指令遵循上的潜力。

对开发者而言，理解“代码生成式 3D”的边界很重要：它在交互性和可编辑性上远超传统 3D 生成，但在几何精度和物理正确性上仍依赖模型对渲染管线的理解，因此“颜色褪色、纹理漂浮”这类反馈并不意外。

写作：被低估的强项

Every 的 Dan Shipper 花了整整一周，与五位同事一起在编程、写作、设计、知识工作四个维度测试 Argon，结论出人意料地积极。

"我本来准备好批评这个模型，但结果让我惊喜。"Dan 写道。他的核心发现是：Argon 在重构旧代码时不稳定，但在全新项目中快速高效；在多模态和"动手做东西"方面独特。

而他最推崇的，是写作。"DeepMind 雇了专业编辑来打磨模型的文风，效果显著。我用它来梳理结构、打磨隐喻。它对结构和详细解释有 Astra 和 Opus 缺乏的天然感觉。"

Dan 的工作流建议颇具参考价值：日常对话用 ChatGPT 和 Claude，需要编辑伙伴时切换到 Gemini 4——"用它来梳理复杂文章的结构、打磨隐喻或精读一本书。"他甚至称 Argon 是"被困在过时 harness 里的新模型"，暗示 harness UX 的落后拖累了模型体验。

行业思考：模型多样性的价值

Google DeepMind 的 AGI 经济学总监 Alex Emas 提出了一个被忽视的视角：前沿模型的"输出多样性"本身就有价值。

"每个模型在写作、品味、代码上都有独特签名，在设计上尤为明显，比如选择的背景色板。相关信号和先验正是脆弱性、学习陷阱和 AI 垃圾内容的来源。"

Ethan Malek 也印证了这种"不同"："使用 Gemini 4 会让你意识到，其他多少模型在蒸馏 Claude 或 GPT，或使用类似的训练管线。它感觉和别的模型确实不一样。"

但也有开发者对这种"不同"持保留态度。Theo 表示："这是 Gemini 的巨大进步，价格也很值。但它仍然是 Gemini 模型——经常做奇怪的事，我完全不觉得能信任它。"

关于“输出多样性”与模型蒸馏的补充：

Alex Emas 提到的“输出多样性”可理解为模型在相同提示下产生的分布差异。当大量开源模型通过对 Claude 或 GPT 的合成数据进行蒸馏训练时，它们的输出会呈现相似风格、相似句式、相似错误模式。这种同质化会带来两个后果：一是用户在不同模型间切换时得不到真正不同的视角；二是当某个被蒸馏的“教师模型”存在系统性偏见或漏洞时，整个生态会被同步放大。

Ethan Malek 所说的“其他模型在蒸馏 Claude 或 GPT”，正是指这一现象。Argon 因为建立在全新预训练基础上（且谷歌砍掉 Gemini 3.5 Pro 计划），其输出分布与主流 Claude/GPT 系差异明显——这既是它的卖点，也解释了为什么部分开发者觉得它“经常做奇怪的事”：多样性本身也意味着不可预测性。

从产品策略看，谷歌愿意保留这种“不同”而非简单对齐到主流风格，可能是其在写作与创意场景中形成差异化的重要前提。

结论：一个需要重新理解模型

回到最初的问题——Argon 适合放在哪里？目前的答案仍然是："还不太确定。"

但有一些方向已经清晰：写作和编辑协作是它被低估的强项；多模态 3D 生成是它的独特赛道；编程能力高度依赖 harness，用 anti-gravity 才能发挥真实水平。

播客主播的总结颇有启发：就像当初对 Astra 的评价一样，Argon 可能需要用户"推动自己去做更难、更奇怪、更意想不到的事情"，才能真正看到它的全部潜力。

对于中文开发者来说，实际建议是：如果你在谷歌生态内，Argon 值得认真评估；如果你需要一双"编辑的眼睛"来打磨文字，它是 Astra 和 Opus 之外的独特选择；如果你的核心需求是 agentic coding，可能还需要等 harness 和模型本身进一步成熟。