Gemini 4 Argon深度评测：谷歌回归第一梯队？

谷歌终于交出了外界期待已久的答卷。Gemini 4 Argon 在 10 月 13 日正式发布，官方数据显示它在 19 项基准测试中拿下 13 项第一，还在另外一项中打平。这个成绩单足够让谷歌重回 AI 竞争的主舞台。但问题在于：重回赛场和领跑赛场是两回事。

基准测试：赢了大部分，但没赢全部

先看数字。谷歌官方公布的 19 项测试覆盖编程、推理、文档分析、数学、网络安全和复杂任务执行。在 VALS Index（评估金融、编程、法律等专业任务的基准）中，Argon 拿到 68.9%，领先 Claude Opus 5.5 的 67% 和 GPT-6 Astra 的 63%。DeepSwe 软件工程测试中，Argon 以 77.9% 超过 Opus 的 74.2% 和 Astra 的 74.1%。用户盲测平台 TextArena 上，Argon 也排到了第一。

不过换个赛道，局面就翻转了。Terminal Bench 终端任务测试中，Argon 只有 57.4%，而 Claude Opus 5.5 拿到 66.4%。Frontier SWE 软件工程测试中，GPT-6 Astra 以 65.5% 领先，Opus 为 62.3%，Argon 仅 55%。据 YouTube 频道 ThreatMind 的分析，这种互有胜负的格局说明一件事：赢下某个基准不等于在所有场景都更强。

基准测试（Benchmark） 是衡量 AI 模型能力的标准化评测集，通常由研究机构或社区维护，包含固定题目与评分规则，便于横向比较不同模型。但基准分数存在明显局限：题目分布往往偏向特定任务类型，模型可能通过针对性训练“刷榜”，而真实使用场景远比基准复杂。因此业界常辅以用户盲测（如 TextArena）和实战任务测试，交叉验证模型能力。单一基准的领先，不能直接等同于综合能力更强。

实战能力：能造 Excel，但视觉有短板

抛开跑分，实际测试的结果更值得关注。Argon 被要求从零构建一个浏览器版 Excel 克隆，大约 20 分钟就做出了界面相似、基础功能可用的版本。也有用户用它生成了完整游戏、3D 模拟环境，甚至一个通过蓝牙脑电波头带控制的游戏。3D 未来城市 demo 中，飞行汽车、动态光照和动画都能在浏览器里跑起来。

视觉质量是个明显的软肋。多个测试中，Argon 生成的游戏逻辑正常，但画面和视觉表现落后于 Claude Opus 5.5 和 GPT-6 Astra。部分用户需要追加指令、返工重做才能达到预期效果。对视觉要求高的创作者来说，Opus 5.5 仍是更稳妥的选择。

文档处理与安全审计是真正的亮点

在专业工作场景中，Argon 的优势更明显。Box 平台的文档测试涵盖表格、演示文稿和信息提取，Argon 成功率 85%，比上一代 Gemini 3.1 Pro 的 71% 提升了 14 个百分点。这个进步幅度在单代模型迭代中相当可观。

安全审计方面的案例更有说服力。有人把 Claude Opus 5.5 生成的代码交给 Argon 审查，它找出了多个问题，包括一个可能导致机器人被非法访问的 webhook 暴露风险。在与安全公司 Wiz 的合作测试中，Argon 帮助发现了一个医院系统的严重漏洞。对于代码审计和防御性安全场景，这些结果值得认真对待。

百万输出 Token：创新，但有限制

这是 Argon 最独特的能力。通常讨论 100 万 token 窗口时，说的是模型能接收多少信息。谷歌反过来做了一件事：让 Argon 在特定配置下能输出最多 100 万 token 的响应。生成大量代码、处理超长项目、撰写长文档时，这个能力有实际价值。

但需要说清楚：这不是打开 Gemini 就能拿到的默认体验，必须通过 API 进行专门配置。据 ThreatMind 的评价，这个功能有趣，但还不足以让人立刻放弃 ChatGPT 或 Claude。

Token 是模型处理文本的基本单位，约等于一个英文单词或半个汉字。上下文窗口（context window）指模型单次能接收的 token 总量，而输出上限则是模型单次能生成的最大 token 数。多数模型的输出上限远小于输入窗口，因为长输出对推理成本、一致性和错误累积的控制要求更高。百万级输出意味着模型能一次性生成整本代码库或超长文档，但也更容易出现前后矛盾或质量衰减，实际可用性取决于模型的长程一致性。

价格策略：限时优惠，之后翻倍

发布期间，Argon API 定价为每百万输入 token 2 美元、输出 10 美元，对比 GPT-6 Astra 的 10 美元和 50 美元，竞争力很强。但这个窗口不会持续太久——从 12 月起价格翻倍至 4 美元和 20 美元，与 Claude Opus 5.5 持平。

单 token 价格只是一部分。实际使用中，有用户反馈 Argon 消耗配额的速度很快，少数请求就能用完额度。anti-gravity 工具也出现了任务卡住或耗时过长的问题。这些是早期报告，是否为发布期问题还需观察。另外，Gemini 应用内 Google AI Pro 订阅者可用的功能，在 anti-gravity 中需要 Google AI Ultra 计划才能使用。

API 按 token 计费 是当前大模型商业化的主流模式，输入 token（用户提交的提示与上下文）和输出 token（模型生成的回答）通常分开定价，输出价格更高，因为生成过程计算成本更大。实际使用成本不仅取决于单价，还与模型“话痨程度”、是否产生冗余推理、以及配额消耗速度有关。部分用户反馈配额消耗快，说明单 token 价格低并不必然意味着总成本低，需结合任务类型评估性价比。

结论：回来了，但没赢

Gemini 4 Argon 是一个出色的模型，它让谷歌重新成为 AI 顶级竞争者之一。但要说它明确超越了 OpenAI 和 Anthropic，证据不足。在部分任务上它领先，部分持平，部分仍落后。

ThreatMind 的判断很直接：以谷歌的资源和技术积累，外界期待的是一个能带来前所未见能力的模型，而 Argon 没有做到这一点。它做到了让谷歌不再掉队，但距离领跑市场还有距离。对已经深度使用谷歌生态的用户，Argon 是顺理成章的选择；对其他用户，迁移的理由还不够充分。