Gemini 4 Argon半价背后：实测token消耗与价格陷阱

Google 的 Gemini 4 Argon 以“半价”杀入市场，但价格表上没写的是：它的 token 消耗比对手高出 50%。本文基于四组实测和 Google 官方定价，拆解 Argon 的真实成本，以及 12 月 1 日涨价后的局面。

定价真相：半价只是限时体验

Google 定价页显示，Argon 的 API 价格是输入 $2/百万 token、输出 $10/百万 token，优惠持续到 11 月 30 日。12 月 1 日起翻倍至 $4/$20——恰好是 Opus 5.5 的价格。另外，输出价格包含思考 token，模型每一次“思考”都按答案计费，且 Argon 没有免费层。这意味着限时半价窗口只剩不到一个月。

“思考 token”是推理型模型（如 OpenAI o 系列、DeepSeek^广告-R1、Gemini 的 thinking 模式）在输出答案前进行内部推理所消耗的 token。与普通模型的输出不同，这部分内容通常不直接展示给用户，但仍按输出 token 计费。Google 的定价页明确 Argon 的输出价格包含思考 token，意味着模型“想得越多”，账单越高——即便最终答案很短。这也是为什么按单价比较模型可能产生误导：一个单价低但思考冗长的模型，实际单任务成本可能反超单价更高的对手。

基准测试：Google 自己的数据怎么说

Google 的对比表列出了 19 项基准，Argon 在与 Opus 5.5 的对比中领先 14 项。但落后的四项值得注意：Frontier SWE 55 vs 62.3，Terminal Bench 57.4 vs 66.4，另有两项 agent 和终端基准。按厂商自己的数字，长时间编码 agent 任务仍是 Opus 的强项。

Frontier SWE 与 Terminal Bench 是衡量模型“agent 能力”的代表性基准。Frontier SWE 通常指在真实代码仓库中自动定位并修复 issue（类似 SWE-bench 的加强版），考验多轮工具调用、跨文件理解与长期规划；Terminal Bench 则要求模型在终端环境中完成多步骤操作，如配置环境、调试命令、处理文件系统。两者共同点是任务链条长、状态多、对错误累积敏感——这正是文章指出 Opus 仍占优的场景。单文件问答或短脚本生成很难暴露这类短板，因此基准分数的差距在小型实测中可能被抹平。

四组实测：同 API、同设置、高 effort

测试方用相同 API 和设置（high effort）对比了 Argon、Opus 5.5 和 GPT-6 Astra：

测试 1：构建单页成本计算器，15 个隐藏测试。三个模型每次运行都通过全部 15 项。但底层差异明显：Argon 每次构建输出约 15,700 token，Opus 约 10,500，Astra 约 10,900。Argon 多消耗约 50% token 换取同样的通过结果。

测试 2：关于 1,061 行 pipeline 文件的 12 个问题，其中 3 个询问不存在的功能。三个模型均 12/12 满分，没有编造功能。

测试 3：列出该文件的 15 个事实，抽查 90 条声明：Argon 28 条为真、2 条部分为真，与 Opus 持平；Astra 30 条全对。

测试 4：agent 跨 71 个文件、最多 40 次工具调用，报告 20 项发现。 Argon 执行 43 次工具调用，20 项发现全部为真，第一项就是当天刚写的一个脚本中的隐藏退格符 bug——它悄无声息地破坏了一项检查。Astra 同样 20/20 并发现同一 bug。Opus 也发现了真实 bug（包括字幕时序错误），但有 3 项报告错误（涉及测试环境隐藏的文件）。

“high effort”指推理模型的可调推理预算档位。多数厂商提供 low/medium/high 等档位，档位越高，模型在给出答案前允许消耗的思考 token 越多，通常准确率更高但延迟和成本也更高。测试方统一使用 high effort，是为了在同等“努力程度”下比较，避免因档位不同造成 token 消耗与质量的偏差。这也解释了为何 Argon 单次构建输出高达约 15,700 token：高 effort 下大量 token 花在内部推理上，而非最终代码本身。

真实成本：按任务算，不是按 token 算

算总账：测试 1 中，Argon 单次构建平均 16 美分，Opus 21 美分，Astra 55 美分——目前 Argon 最便宜。

但 12 月 1 日价格翻倍后，同样 15/15 的构建成本约 32 美分，反超 Opus。agent 审查任务中，Argon 花费 62 美分，Astra $1.47，Opus $5.38。不过审查任务上 Argon 的 token 优势被单价抵消。

与严厉评测的分歧：场景大小是关键

有高关注度评测认为 Argon 在大型代码库的长 agent 会话中“大部分声明是编造的”。本次实测在更小场景（单文件、分钟级、最多 71 个文件）中未复现该问题：Argon 没有虚假声明，还发现了真实 bug。但需要承认：Google 自己的表格也显示 Opus 在长时间 agent 任务上领先，而本次测试未覆盖该场景。分歧的根源可能在于任务规模和会话时长。

行动建议

限时半价只剩不到一个月。建议本月用 Argon 跑一个你的真实任务，关注 token 消耗量而非单价表，在 12 月 1 日前做出决定。如果你每月跑数百个任务，token 消耗差异会比单价差异更值得关注。

背景补充

理解成本对比时需区分“单价”与“单任务成本”。单价是每百万 token 的价格，单任务成本 = 输入 token × 输入单价 + 输出 token（含思考 token）× 输出单价。Argon 当前单价约为 Opus 一半，但输出 token 多约 50%，两者相乘后单任务成本仍略低；一旦单价翻倍，token 劣势便直接放大为成本反超。对高频调用 API 的团队，token 效率（同样任务消耗多少 token）往往比价目表更能决定月度账单，尤其在 agent 场景中工具调用的往返会进一步放大 token 用量。