Gemini 4 Argon跑分背后的真相：默认模式、定价陷阱与迁移坑

Google 用两周时间告诉开发者，Gemini 4 Argon 是它迄今为止最强模型。图表铺天盖地：Argon 在多项测试中压过 Claude Opus 5.5 和 GPT-6 Astra，输入价格低至每百万 token 两美元，还在一个公开竞技场排行榜上拿了第一。但那些被广泛转发的跑分数据，是在大多数订阅用户根本不会碰的设置下测出来的，而那个头条价格也带着有效期。营销幻灯片没说的东西，才是你决定是否迁移工作负载时真正该关心的。

Gemini 4 Argon 评测分析

Google 到底发布了什么

Google 于 9 月 30 日发布 Gemini 4 Argon，并于本周开放通用可用。开发者可以通过 API 以每百万输入 token 两美元、每百万输出 token 十美元的 introductory rate 调用。Google AI Pro 订阅者可以在 Gemini 应用和 Search 的 AI Mode 中使用 Argon 的推理能力。但他们用不到 Google Antigravity——那个能自动编辑多个文件、运行测试、无需逐步人工提示即可迭代的 agentic 编程环境，仍然只对 Ultra 订阅者开放。

模型提供 1,048,576 token 的上下文窗口，在输入、内部推理和输出之间共享。默认情况下回复上限为 65,536 输出 token；更长的后台请求可以链式执行 64K 续写步骤，总计可达约一百万个输出 token。它接受文本、图像、视频、音频和 PDF，但只以文本回复，不支持图像或音频生成。

所有人都在转发的跑分表

Google 称 Argon 在自己的 19 项对比测试中，有 13 项击败了 GPT-6 Astra 和 Claude Opus 5.5。VentureBeat 报道的对标数据中，被引用最多的是这几项：

DeepSWE v1.1（软件工程）：Argon 77.9%，Opus 5.5 74.2%，GPT-6 Astra 74.1%
Zapier AutomationBench（业务自动化）：Argon 51.3%，Opus 5.5 42.5%，Astra 41.4%
Terminal-Bench 4.0（终端任务）：Argon 57.4%，Opus 5.5 66.4%，Astra 未报告
Artificial Analysis Intelligence Index：Argon 53，Opus 5.5 58，Astra 53

在软件工程和自动化任务上，这些数字确实很强。但仔细看表头：Google 自己的表格和大多数媒体报道，用的都是 Argon 在 High 推理设置下的分数。默认设置是 Medium。这个区别几乎改变了一切，而这正是免责细则的切入点。

推理努力档位（thinking level / reasoning effort） 是大模型 API 中控制模型在给出答案前进行多少内部推理的抽象概念。它不是传统的 temperature 那种随机性开关，而是直接决定模型是否会展开长链思维（chain-of-thought）、自我检查与多轮回溯。主流做法是把档位离散为 low/medium/high（OpenAI 的 reasoning_effort、Anthropic 的 effort、Google 的 thinking_level 都属于这一类），不同档位之间的分数差距往往比不同厂商旗舰模型之间的差距还大。这带来两个比较陷阱：其一，厂商倾向于在营销材料中展示最有利的档位（通常是最高档），而 API 默认值往往更低；其二，各家的"medium"没有统一定义，同一个词可能对应完全不同的推理预算和延迟。因此任何跨模型跑分表，如果没标注推理档位、上下文长度和工具调用配置，基本不具备可比性。

免责细则：那些分数是在 High 模式下测的

Argon 提供三档思考级别：low、medium 和 high，默认为 medium。Google 公布的分数是在 High 模式下测得的，不是订阅者开箱即得的设置。独立测试让差距变得具体：在 Artificial Analysis 的 Intelligence Index 上，Argon 在 High 模式下得分 52.56，与 GPT-6 Astra（52.67）相差不到半分，但比 Claude Sonnet 5.5（56.00）和 Claude Opus 5.5（57.62）低了约五分。有一个亮点经受住了独立审查：15% 的幻觉率，是所有指数得分超过 45 的模型中最低的，而 Astra 在最大设置下为 51%。

默认努力档位的图景更加模糊。Cursor 报告 Argon 在默认努力下 CursorBench 得分为 52.8%，与 Opus 5.5 持平。Scale AI 在其 Sixth Sense 测试中将 Argon 排在第一，得分 55.4%。这些数据可信但尚属初步；Arena 的文本排行榜基于 4,942 票将 Argon 排在首位（1525 分），但明确标注为初步结果。

对于比较模型的工程师来说，还有一个更隐蔽的陷阱。三家旗舰实验室现在都用「medium」来称呼各自的默认推理努力，但三份文档页面都没有说三个默认值花费的「思考量」相同。永远不要把不同来源的数据混进同一张对比表：Anthropic 报告的 Opus 5.5 Terminal-Bench 分数是在 xhigh 努力下取得的，而 Google 的数字来自其自己 High 模式下的运行。

定价：现在便宜，之后翻倍

$2/$10 的费率是 introductory offer，诚实的预算做法是按 introductory 之后的价格来估算你的工作负载。第三方报道称价格将翻倍至每百万输入 token 四美元、每百万输出 token 二十美元，一家媒体指向 2026 年 12 月 1 日，另一家则称 introductory rate 持续到 2026 年底。Google 没有公开确定日期，所以任何具体截止日期都应视为未确认。

为什么这很重要？独立成本分析显示，按 introductory rate，Argon 在 Artificial Analysis 指数上的每任务成本约为 $1.99，约为 GPT-6 Astra 的 60%。按 introductory 之后的价格，这一数字反转为约每任务 $3.98，约为 Astra 当前费率的 120%。如果你今天迁移了一条流水线，却忘了在明年一月重新算一遍账，你的推理账单会悄悄翻倍。正如一个对比网站所说：按全价做预算，不要按 introductory 价。

introductory rate（推广期定价） 是云与大模型厂商常见的商业手段：在新模型发布初期以低于目标价的费率吸引开发者迁移工作负载，待用户形成依赖、迁移成本变高后再回调。它和"限时折扣"的关键区别在于，推广期通常没有强约束的公开截止日期，条款里往往写的是"价格可能随时调整"或"以官网为准"。这对工程决策的影响是结构性的：如果迁移决策建立在当前费率上，而费率在几个月后翻倍，那么此前做的成本模型、容量规划和 ROI 论证全部失效，且此时回迁的代价已经很高。理性的做法是把推广价当作"上架促销"而非稳定成本，用厂商可能恢复的全价做基准场景估算，并把价格复核写进季度技术评审流程。

API 实际长什么样：迁移坑

Argon 改变了几项行为，会让从旧版 Gemini 或竞争对手移植代码的团队踩坑：

推理是唯一重要的旋钮。 设置 thinking_level 为 low、medium 或 high。经典的采样参数 temperature、top_p 和 top_k 会被接受但静默忽略。
缓存仅支持自动模式。 显式的 cachedContents 调用会失败；仅支持对至少 4,096 token 的提示进行隐式缓存。
首 token 时间很慢。 独立基准测试测得，在 10k token 提示下，首个答案 token 的中位等待时间约为 43-45 秒。Google 的迁移清单建议对困难提示将 HTTP 客户端超时设置为至少 15 分钟。
长输出需要后台模式。 64K 同步输出上限意味着要生成最多一百万个输出 token，需要使用在 Google 服务器上链式执行续写步骤的后台请求。

一个最小且诚实的调用模式大致如下：

from google import genai

client = genai.Client(api_key="YOUR_API_KEY")


**静默忽略（silently ignored）** 参数是 API 兼容层设计中一种危险但常见的模式。服务端接受请求体里的字段、不报错、正常返回 200，但内部根本不使用该参数。相比直接抛 400 或 422，静默忽略更难被发现：代码能跑通，单元测试能通过，只有在做 A/B 对比时才会察觉输出分布没有变化。对从旧版 Gemini 或竞品迁移的团队来说，这意味着移除 temperature、top_p、top_k 后，历史调参经验、按温度阈值分流的灰度策略、以及依赖采样多样性的多候选生成逻辑都会失效。迁移时应主动做"参数有效性验证"：固定提示词，只改一个参数，观察输出方差是否真实变化；若不变，说明该旋钮已死。
# thinking_level: "low" | "medium" (默认) | "high"
# High 匹配跑分表；Medium 才是你实际默认得到的。
# 请在你自己的提示上测试两者。
response = client.models.generate_content(
    model="gemini-4-argon",
    contents="Refactor this ETL pipeline to handle late-arriving events...",
    config={
        "thinking_level": "high",
        "max_output_tokens": 65_536,
    },
    # Google 建议对此模型的困难提示设置至少 15 分钟的 HTTP 超时。
)
print(response.text)

注意这段代码没有设置什么：没有 temperature，没有缓存配置。在 Argon 上，那些是死控件。

开发者实际在反馈什么

新闻稿的故事和开发者论坛的故事并不一样。在一个有 80 条评论的 Facebook 开发者群组中，大多数动手测试者表示失望：在多页网站和动态图形工作上，输出被判定不如 Claude Opus 5.5 准确，一位测试者称一个物理模拟器更差，多人认同 Google 过度炒作了这次发布。少数人为 Argon 辩护，认为它相当或更快，将偏好差距归因于 Claude 的设计品味。同一个帖子还澄清了访问困惑：Pro 订阅者可以在 Gemini 应用中使用 Argon，不只是 Ultra 用户，这与最初对发布页面的解读相反。

Bloomberg 报道称，一些 Google 员工认为 Argon 在编码和前端工作上相对其跑分表现平平，Google 称这一描述不准确。Red Dragon AI 的 Sam Witteveen 给 VentureBeat 的评价目前最为平衡：一个非常好的模型，但不明显是最好的那个。

模式与数据一致。Argon 的优势集中在 agentic 编码和业务自动化基准（DeepSWE、AutomationBench、CyberBench），独立测试显示它在这些方面远超 Opus 5.5。终端密集型工作和前端代码则是 Opus 仍然领先、开发者感受到差距的地方。

基准跑分与实际体感之间的落差，在 LLM 领域通常来自三类原因。第一是基准过拟合或数据污染：训练集中若混入基准题或其近似变体，分数会虚高，而真实仓库任务不在其列。第二是任务分布差异：DeepSWE 这类基准偏重单文件、算法化的补丁生成，而多页网站、动态图形、物理模拟需要跨文件一致性、视觉推理与长期状态维护，模型在这些维度上的能力与基准权重并不一致。第三是交互方式差异：基准多为一次性评测，而真实开发是带有工具调用、错误重试和多轮修正的 agentic 循环，首 token 延迟四十多秒、缺少显式缓存这类工程因素会显著拉低体感。判断一个模型是否适合自己，应该用自有仓库的历史 issue 构造评测集，而不是照搬公开榜单。

你应该切换吗？

仅凭价格还不够，也不该全盘切换。证据指向一个更窄、更有用的决策：

值得先试： 业务自动化 agent、法律和金融知识工作、长文档分析，以及任何幻觉率比原始分数更重要的场景。Argon 的 15% 幻觉率是整个发布中最经得起推敲的数字。
在自己的代码上测试两者： 对于通用软件工程，在迁移任何东西之前，先在你的实际仓库任务上运行 High 模式的 Argon 和 high effort 的 Opus 5.5。DeepSWE 上 77.9% 对 74.2% 的差距，未必能在你的技术栈中存活。
终端密集型 agentic 工作继续用 Opus 或 GPT，直到 Argon 在你的终端基准上证明自己。Terminal-Bench 上 66.4% 对 57.4% 不是小差距。
在签字前按 $4/$20 重跑成本模型。 基于 introductory 定价批准的迁移，就是等着在新年爆发的预算意外。

我们仍然不知道的事

诚实要求把未知摆上台面。截至订阅者发布，Google 公布的表格尚未被独立复现。introductory 定价的确切结束日期未确认（不同报道指向 2026 年 12 月 1 日与 2027 年 1 月 1 日）。Google 的方法论页面链接的是 Anthropic 的 Opus 5.5 system card，而不是 Argon 的 system card，因此安全和评估方法论目前还只是 Google 的一家之言。而且一旦使用配额触发，High 模式对订阅者的实际成本是多少也不清楚。读细则，跑自己的评测，不要凭一份新闻稿迁移生产流水线。