Gemini 4 Argon定价陷阱：每百万token $2背后的真实账单

Google发布了Gemini 4 Argon，标题几乎是自动生成的：一款前沿模型，输入每百万token仅2美元、输出每百万token10美元——与运行成本高出一倍的竞品相同的促销起步价。它一度登上Hacker News榜首，数百条评论几乎全在争论跑分。但真正决定你是否用得起它的那部分，几乎没人讨论。

因为标价不等于真实价格。目前唯一跑过Argon的独立评测机构发现，它完成同样任务消耗的token量是与之打平的竞品的两倍多。在促销价下这看起来很便宜；而在Google已承诺但尚未公布生效日期的标准价下，同样的行为会让它比被它击败的模型更贵。

需要说明的是，除了Google面向网络防御者的Fairwind计划成员外，目前没人拿到API权限，所以这不是一篇评测。本文真正要做的，是教你在为任何一次模型发布重排技术栈之前，用Argon已公布的真实数字跑一遍该算的账。

Google到底宣布了什么

剥离发布会的包装，真正被证实的事实其实很短：

• 输出上限100万token，从早期Gemini模型的64,000大幅跃升。Google举例的目标场景是高达80万行的内部代码迁移，包括Fuchsia的Zircon内核。
• 促销价：输入2美元 / 输出10美元（每百万token），缓存输入打95折，相当于每百万0.10美元。
• 标准价：输入4美元 / 输出20美元，促销期结束后生效。Google未说明何时结束，也未说明推理token如何计费。
• **访问权限：公众尚无。**首批开放对象是Fairwind计划的可信网络防御者。截至十月初，Google的模型列表、Vertex AI目录和更新日志中都还没有可调用的模型标识符，没有通用可用日期。
• **上下文窗口：Google未说明。**部分媒体报道100万输入token，因为Artificial Analysis列出了这个数字，但Google官方帖子只写了输出上限。输入窗口应视为未确认。

最后这一组缺失的细节，比看上去更关键。如果你不知道一个模型的输入窗口、推理token计费方式，以及它的价格何时翻倍，你根本无法为它制定预算。

跑分：取决于是谁跑的

发布数据有两个版本，讲的是不同的故事。

Google自己报告的分数让Argon在DeepSWE v1.1上以77.9%居首，领先Claude Opus 5.5的74.2%和GPT-6 Astra的74.1%。它还在Vals Index（68.9%）、AutomationBench以及百万token长上下文测试GraphWalks（84.2%）上领先。但在真正难的任务上它会落后：FrontierSWE v2上55.0%，落后GPT-6 Astra十个半百分点；Terminal-Bench 4.0上57.4%，落后Opus 5.5九个百分点。发布时没有第三方复现过Google报告的数字。

**独立数据给出的画面更收敛。**Artificial Analysis以高推理模式跑Argon，在其Intelligence Index上得53分，与GPT-6 Astra的最大上下文分数持平，比GPT-6.1 Sol高一分。Vals AI的独立榜单则把Argon放在41个模型中的首位（68.9%）。所以结论是：确实是前沿水准，综合分处于第一梯队，但不是一骑绝尘，在终端密集的agent任务上也没有超过Opus。

这是诚实的跑分总结。接下来是真正改变采购决策的部分。

6.2万token问题

Artificial Analysis测量了每个模型完成一次平均Intelligence Index任务所消耗的token。Argon每任务生成约62,000个输出token，而GPT-6 Astra完成同样的工作只用约27,000个。

同样的分数，两倍多的输出量。

把这个数字代入价目表，促销优势瞬间蒸发：

• 促销价下： 62,000输出token花费0.62美元，Artificial Analysis实测每任务综合成本1.99美元；GPT-6 Astra每任务3.26美元。Argon看起来便宜39%。
• 标准价下： Argon所有费率翻倍，同样任务变成3.98美元；Astra仍是3.26美元。Argon反而贵了22%。

这个成本翻转完全源于促销。Google实际上在补贴Argon的"话痨"倾向，补贴一结束，模型大声思考的习惯就变成了你的账单。促销价是真实的，在有效期内确实划算，但它不是可持续的价格优势，而Google没告诉任何人它会持续多久。

Vals的数据里还藏着第二个教训。Vals测得Argon每次测试成本15.68美元，低于Claude Sonnet 5.5的21.34美元和Opus 5.5的32.14美元，是同组最低。不同基准、不同工作负载组合，得出了相反的成本结论。这不是矛盾，而是证明：每任务成本是高度依赖具体工作负载的，别人报给你的任何单一数字，只对形状和他相同的任务成立。

输出token数量的差异与模型的"推理冗长度"（verbosity）直接相关。当前高性能模型普遍采用链式思维（Chain-of-Thought）或扩展思考（Extended Thinking）机制，在给出最终答案前会在上下文中生成大量中间推理步骤。这些思考过程本身也被计入输出token计费。Argon较高的token消耗量，很可能部分源于其在高推理模式下产生了更详尽的思维链。这意味着"相同得分"并不代表"相同工作方式"——Argon可能通过更充分的自我校验过程获得了相近的准确率，但这种模式在按量计费的生产环境中代价显著。对于调用频次高、延迟敏感或预算固定的场景，选择输出token更经济的模型，与选择分数最高的模型，可能是截然不同的决策。

每次模型发布都该跑的那本账

每百万token的价格是营销单位。你买的不是token，是任务。整套决策框架可以浓缩成几行代码，建议记在笔记里：

def cost_per_task(model, tokens_in, tokens_out):
    # model: (input $/M, output $/M, cached_input $/M, cache_hit_ratio)
    inp, out, cache, hit = model
    fresh_in = tokens_in * (1 - hit)
    return (fresh_in * inp + tokens_in * hit * cache
            + tokens_out * out) / 1_000_000

gemini_argon_intro = (2.0, 10.0, 0.10, 0.8)
gemini_argon_std   = (4.0, 20.0, 0.20, 0.8)
claude_opus_55     = (4.0, 20.0, 0.20, 0.8)
gpt6_astra         = (10.0, 50.0, 1.00, 0.8)


代码示例中的缓存命中率（cache_hit_ratio）参数对应的是各家API提供商提供的提示词缓存（prompt caching）功能。当系统提示、长文档或代码库等重复内容在多次调用间保持不变时，API可以缓存这部分输入的KV状态，后续调用命中缓存时以大幅折扣价格计费——Argon的缓存输入折扣高达95%（从$2降至$0.10每百万token）。在典型的agent编码场景中，每轮对话都会重新发送完整的代码仓库上下文，此时缓存节省的费用往往远超模型标价差异本身。合理设计系统提示结构、将稳定内容放在消息头部以最大化缓存命中，是控制agent工作负载实际成本的核心工程手段之一。
# 真实的agent编码会话：大量重复发送的上下文，话痨的模型
task_in, task_out = 600_000, 62_000

从这个框架里能提炼出三个习惯：

• **永远按标准价做预算。**Google自己的脚注明确价格会翻倍且没有截止日期。如果一个模型只有在促销价下才划算，那它就是不划算。
• **衡量每任务token，而非每token价格。**一个要写两倍内容才能达到同样分数的模型，必须便宜一半才能打平。Argon在促销价下达标，标准价下不达标。
• **重视输入成本并激进使用缓存。**在agent工作负载中，大部分输入是每一轮都重复发送的相同文件和指令。对编码agent而言，Argon那95%的缓存折扣，论价值可能比2美元的头条价更重要。

百万token输出才是真正的故事，而且是双刃剑

输出上限从64K跃升到100万token，是这次发布中最被低估的规格。Google的卖点是：长任务不再需要分块、多轮的工作流——一次性迁移一个内核，一次性起草一份完整报告。

成本面前面已经算过：一次最大化响应在标准输出价下最高可达20美元。但风险面更大。一个单次吐出80万行代码的agent，产生的diff没有任何人类会逐行审查。你流水线上的瓶颈不再是模型能力，而变成了你的审查能力。如果你真要采用这类模型，工程工作会转向护栏建设：用测试把关输出、用增量交付取代一次性写入，以及让agent在停止之前必须满足的验收标准。

在安全敏感场景上，Google声称在Gray Swan的提示注入鲁棒性测试中领先，并带有保守倾向——宁可说"我不知道"也不猜测。这与Fairwind优先的推出策略相符，网络防御者比开发者更早拿到模型。但同样，这些是发布时的声明，还不是经过验证的历史战绩。

理解这一规格跃升，需要了解"上下文窗口"与"最大输出长度"的区别。上下文窗口（context window）是模型在单次调用中能同时处理的输入+输出token总量上限，决定了它能"看到"多少历史信息和文档内容；而最大输出长度（max output tokens）则专指单次响应中模型能生成的token数上限。此前主流模型的输出上限普遍在4K至32K之间，即便上下文窗口达到百万量级，一次性生成内容的长度依然受限，复杂任务仍需多轮交互拼接。Argon将输出上限提升至100万token，从根本上改变了单次任务的体量边界——但这也意味着一次API调用的成本可能高达数十美元，任何未加限制的循环调用都可能产生意外的高额账单。

我会怎么做

• **等公开的API标识符出现。**你无法针对一个调用不了的模型做开发，而Google没给日期。今天基于未确认规格（比如输入窗口）设计的任何东西，日后都可能返工。
• **按工作负载选择基准。**如果你的agent活在终端里，Opus 5.5在独立Terminal-Bench上的领先依然成立；如果你喂的是百万token文档，Argon的GraphWalks分数是迄今最相关的数据点。
• 用上面的计算器做定价原型，代入你过去一个月真实的token轨迹。你的每任务成本在花一美元之前就可以知道，而且不会和别人的一样。
• **把促销期当成一个你不知道截止日的免费试用。**如果Argon最终以2/10美元价格通用可用，那才是在你的工作负载上做真正横评的时机，而非此前。

关于Gemini 4 Argon，有意思的问题从来不是跑分好不好——它确实好，独立确认处于第一梯队。有意思的问题是：一个以6.2万token为单位思考的模型究竟是便宜还是贵，而诚实的答案是：取决于一个由Google控制、且尚未定日期的价格。这不是忽略它的理由，而是在你押注之前先把账算清楚的理由。