Gemini 4 Argon vs GPT-6 Astra：视觉任务全面对比

在Roboflow的直播中，Peter详细测试了Google新发布的Gemini 4 Argon与OpenAI的GPT-6 Astra在目标检测、分割、OCR等视觉任务上的表现。基于多个来源的测试数据，Argon在多数基准测试中领先，但在某些OCR任务中Astra和Soul表现更佳。

目标检测：Argon登顶，但Gemini需专用提示

Peter团队长期维护一个目标检测基准，此前Gemini模型曾领先，但近期OpenAI和Anthropic的模型表现提升，Gemini排名下滑。Argon发布后，它重新夺回第一，并在几乎所有基准测试中领先。

检测结果示例

Argon对提示格式有特定要求：坐标需从0到1000归一化，且y坐标在前。团队尝试了20-30种提示组合才找到最优解。测试图像包括重叠的胡萝卜、卫星香蕉树、乐高积木和棋盘等，Argon均能较好处理。

框提示与正负样本

除了文本提示，Argon还支持框提示（box prompting），即通过绘制边界框来指示目标。与Astra和Qwen不同，Argon对文本和框提示均能良好响应。此外，用户可提供正样本和负样本框，帮助模型区分特定类别。例如，在足球场中仅标注穿深色球衣的球员，Argon能理解负样本并排除其他人员。

框提示示例

框提示（box prompting） 是视觉语言模型的一种交互方式：用户直接在图像上绘制边界框，而非仅用文字描述目标，模型据此定位或分割。与文本提示相比，框提示能更精确地传达空间位置与目标范围，尤其适用于文字难以描述的形状或密集场景。正样本框标出希望模型识别的目标实例，负样本框则标出应被排除的相似干扰物（如不同颜色的球衣），模型通过对比学习区分二者。这种机制让模型在少样本条件下快速适配特定类别，无需重新训练，是通用视觉模型走向实用化的重要能力。

图像分割：支持孔洞与分离掩码

Argon是首个能处理带孔洞对象和分离部分的分割模型。例如，对于带孔的甜甜圈或分离的胡萝卜，Argon能生成包含内部孔洞的掩码，而Astra则生成实心掩码。此外，Argon能识别分离的掩码部分，如堆叠包裹中的独立部分。

然而，分割任务耗时较长，每张图像约需2分钟，而传统模型如Soul可在亚秒级完成。Peter认为，当前分割技术类似一两年前的目标检测，预计一年内将大幅提速。

掩码（mask） 是图像分割的输出形式，为每个像素赋予类别或实例标签，从而精确勾勒目标轮廓。传统分割模型常输出实心掩码，即把目标内部全部填充，难以表达中空结构（如甜甜圈、带孔零件）或由多个不相连部分组成的对象（如堆叠包裹中的独立个体）。能生成带孔洞的掩码和分离掩码，意味着模型理解了目标的拓扑结构，而非仅做区域填充。这对工业质检、医学影像和遥感等需要精确边界的场景尤为关键，也是评估分割模型精细度的重要维度。

OCR：细分任务表现各异

Roboflow更新了OCR基准，分为四个子任务：单字符串提取、转录、结构化JSON提取和文本定位与识别。

单字符串提取

Google模型在此任务上表现突出，Argon能处理低分辨率、反光、小字体等困难场景。但面对需推理的案例（如机械式电表），Argon仍会出错，例如将5读成9。

OCR示例

结构化JSON提取

模型在收据、营养标签等任务上得分较高（约90%），但手写医疗处方和支票仍错误较多。若将表格作为单张图像输入，Argon准确率约85%。

文本定位与识别

该任务要求定位并读取图像中的文本，如平面图尺寸、地图标签、PCB板文字。Argon在困难案例上的准确率约60-80%，是目前最佳选择，但可能仍不足以解决某些业务问题。

效率与成本：Argon比Astra便宜4-6倍

Argon处理单张图像约需20秒，速度较慢但能力强大。按token单价计算，Astra是Argon的两倍，但实际运行中，由于Astra消耗更多token（可能因思考链），完成相同任务的成本是Argon的4-6倍。

成本对比

Token 是大模型处理文本与图像的基本计量单位，API 按输入和输出 token 数量计费。视觉任务中，图像会被编码为大量视觉 token，模型推理时还会产生输出 token。部分模型（如 Astra）采用思考链（chain-of-thought） 式推理，在给出答案前生成大量中间推理 token，导致单次任务的实际 token 消耗远高于标称单价所反映的水平。因此，比较模型成本时不能只看每 token 单价，还需结合实际 token 用量，这也是 Astra 单 token 价格为 Argon 两倍、但实际任务成本高达 4-6 倍的原因。

视频与重识别：跨帧追踪可行

Argon虽非视频模型，但通过巧妙提示工程可处理视频任务。在篮球比赛重识别测试中，Argon能跨帧匹配球员ID，即使球员被遮挡也能保持一致性。Peter每半秒运行一次提示，并在关键帧之间插值边界框，实现了平滑追踪。该方法在多个比赛中验证有效。

关键点检测与自动标注

Argon能根据参考图像检测关键点，如手部姿势或人体姿态，但用于篮球场关键点自动标注时结果仍不稳定，存在抖动和精度不足的问题。Peter认为该方向有前景，但尚未成熟。

重识别（re-identification） 指在视频不同帧或不同摄像头画面中，判断某个目标是否为同一实体，常用于球员追踪、客流分析等场景。由于遮挡、姿态变化和光照差异，重识别需要模型具备稳定的身份特征提取能力。Argon 并非原生视频模型，但通过提示工程——每半秒对关键帧运行一次检测提示，再在关键帧之间插值边界框——可模拟连续追踪效果。插值即根据前后两帧的位置线性推算中间帧的框坐标，从而在不逐帧推理的情况下获得平滑轨迹，兼顾效果与计算成本。

总结与展望

Gemini 4 Argon在多数视觉基准测试中表现最佳，尤其在目标检测和分割任务上，且成本效益显著。然而，OCR的某些子任务（如单字符串提取）上Google模型仍面临挑战，而Astra和Soul在特定场景下表现更优。随着模型迭代，视觉任务的准确性和效率有望进一步提升，为自动标注和业务应用带来新可能。