Gemini 4 Argon跑分解析：对阵GPT-6与Claude谁更强

Google 最新旗舰模型 Gemini 4 Argon 本周正式亮相，官方公布的 19 项基准测试中，它在 14 项上取得第一或并列第一，对标 OpenAI 的 GPT-6 Astra 与 Anthropic 的 Claude Fable 5.1、Opus 5.5。这不是一次干净利落的碾压——独立测试者的数据证实了部分结论，也在另一些维度上给出了完全不同的画面。

知识工作与编程：Argon 的优势区间

Google 公布的测试结果中，差距最大的领域集中在专业服务场景。在 Harvey 法律智能体基准上，Argon 拿到 19.6% 的得分，接近 GPT-6 Astra 5.4% 的四倍。Vals Index 综合金融、编程、法律和税务任务的测试中，Argon 达到 68.9%，高于 Astra 的 63.1% 和 Opus 5.5 的 67.0%。

编程能力上，Argon 在 DeepSWE v1.1（真实软件工程任务集）中以 77.9% 领先 Opus 5.5 的 74.2% 和 Astra 的 74.1%。它还拿下 Vibe Code Bench（91.9%）、长视频理解测试 LVBench（91.7%）以及支持百万 token 的长上下文测试 GraphWalks（84.2%）的第一名。

独立测试机构 Vals AI 在 41 个模型中把 Argon 排在其 Vals Index 首位，得分 68.90%。Artificial Analysis 给出的 Intelligence Index 评分为 53，与 GPT-6 Astra 并列，比 Google 上一代 Gemini 3.1 Pro Preview 高出 23 分。这两个独立来源的交叉验证，基本坐实了 Argon 在综合智能水平上确实处于第一梯队。

Harvey 法律智能体基准由法律 AI 公司 Harvey 开发，专门评估大模型在法律实务任务中的表现，涵盖合同审阅、尽职调查、法律检索、文书起草等真实律师工作流。该基准的题目多来自实际案例，对模型的推理深度、长文档处理能力和法律领域知识要求极高。由于法律任务容错率低、专业性强，得分普遍偏低——19.6% 已属相当领先，是衡量模型"专业服务可用性"的关键参考之一。

Vals Index 是独立评估机构 Vals AI 推出的综合性指数，将金融、编程、法律、税务等多类任务的成绩加权汇总为单一分值，便于横向对比不同模型在实际知识工作场景中的综合能力。与之并列的 Artificial Analysis Intelligence Index 则由另一家独立机构发布，侧重推理、知识与编码能力的标准化评测，采用统一评分尺度。两个指数均不依赖厂商自报数据，因此常被业界作为判断模型真实水平的交叉验证来源。

对手仍然守住的阵地

如果只看 Google 自己列出的 19 项测试，很容易忽略另一面。在更难的 FrontierSWE v2 软件工程评测中，GPT-6 Astra 以 65.5% 对 55.0% 大幅领先 Argon。Claude Opus 5.5 则在 Terminal-Bench 4.0（终端驱动的智能体任务）中以 66.4% 对 57.4% 胜出，Astra 又拿下 Terminal-Bench Science 的 68.1% 对 57.6%。

计算机操作任务上，Astra 在 OSWorld-2.0 离线子集中拿到 72.6%，略高于 Argon 的 69.2%。机器学习工程测试 PostTrainBench 则由 Opus 5.5 以 49.3% 对 45.3% 领先。对于正在搭建 shell 自动化流水线的团队来说，这些恰恰是最核心的工作负载——终端操作、ML 工程、高难度 SWE 任务，Argon 并没有优势。

Terminal-Bench 是一类面向终端操作的智能体评测，要求模型在真实 shell 环境中完成文件操作、进程管理、脚本调试等任务；OSWorld 则聚焦计算机图形界面的操作，例如点击菜单、填写表单、跨应用协作。这两类测试衡量的是模型的"动手能力"，与纯文本问答不同，需要模型进行多步规划、观察反馈并纠错。PostTrainBench 则针对机器学习工程流程，如数据清洗、微调配置、超参调优等，考察模型能否胜任 ML 工程师的日常任务。这些正是构建自动化流水线的团队最关注的维度。

跑分表背后的脚注

有一件事需要反复强调：19 项结果全部由 Google 自己运行和报告，发布时没有任何第三方完整复现这张表。旗舰模型发布时自行负责跑分是行业惯例，但评估者与被评估者是同一方时，结论的可信度需要打一个折扣。

Argon 的设计目标从一开始就是长周期"深度工作"，其 100 万 token 的输出上限（相比 Gemini 3 的 64,000 提升了超过 15 倍）本身就是一项值得关注的规格跃升。这个能力在 GraphWalks 这类长上下文测试中的表现已经有所体现，但实际工作流中的稳定性还需要更多独立验证。

这意味着什么

粗略概括当前格局：Argon 赢下了更多基准测试项，独立机构确认它确实属于顶级水平，但在若干关键类别上对手仍然占优。这不是大语言模型竞赛的终局，只是领跑者换了一个人。

对企业的实际建议是：不要只看跑分总数。如果你的场景是法律智能体、长上下文推理或综合知识工作，Argon 的领先有独立数据支撑。但如果你的核心需求是终端自动化、高难度软件工程或 ML 工程任务，Claude Opus 5.5 和 GPT-6 Astra 在这些细分维度上的优势同样明确——而且这些优势来自 Google 自己的报告，对手在这些项目上的领先更难被质疑。