Gemini 4 Argon深度实测：低价高能，但非一次性出图神器

谷歌最新模型 Gemini 4 Argon 终于向公众开放。在此前两周的早期体验中，AI 测评博主 Bijan Bowen 用它完成了从游戏开发到机器人控制的六项硬核测试。结论很明确：这是谷歌迄今最强的模型，在 $2/$10 的入门价位上极具竞争力，但它并非零提示词就能出神作的"灵光一现"型选手——你需要反复调教，才能压榨出它的真正实力。

技术规格：百万级输出，原生多模态

Gemini 4 Argon 原生支持文本、图像、视频、音频和 PDF 输入，输出为纯文本。上下文窗口达到 100 万 token，默认最大输出约 65,536 token，但可扩展至超过 100 万——这在当前主流模型中极为罕见，通常输出上限在 128k 左右已算优秀。默认推理强度为中等（medium）。

价格方面，截至 11 月 30 日为每百万 token 输入 $2、输出 $10，与 Sonnet 5.5、GPT-6.1 Soul 同档；此后翻倍至 $4/$20，直接对标 Opus 5.5 和 Meta 的 Muse Wonder。博主明确表示，入门价下这款模型"极具性价比"，但涨价后竞争压力陡增。

上下文窗口 vs 最大输出：这两个概念常被混淆。上下文窗口指模型单次推理能"看到"的总 token 量（输入＋输出），而最大输出是单次回复能生成的上限。Gemini 4 Argon 的 100 万 token 上下文属于当前第一梯队，但真正罕见的是其输出上限——默认约 65,536 token 已可覆盖多数长文档任务，可扩展至超 100 万则意味着它能一次性吐出相当于数本长篇小说的内容，这在过去只能靠分段续写实现，往往导致前后逻辑断裂。

原生多模态：指模型在预训练阶段就混合了文本、图像、音频等模态数据，而非后期用独立的语音识别或视觉编码器"拼接"。原生多模态的优势在于跨模态推理更自然——例如直接从一段视频里提取物理规律再迁移到代码中，这正是文中滑板游戏测试能够成立的技术前提。

推理强度（reasoning effort）：这是新一代推理模型的常见可调参数，实质是控制模型在给出答案前进行"思维链"展开的算力预算。强度越高，模型在内部推导上花的 token 越多，适合数学与代码；中等强度则在延迟与质量间折中，适合日常交互与生成类任务。

游戏与3D测试：能跑通，但首轮效果偏平庸

博主运行了经典的浏览器 OS 测试和 C++ 滑板游戏。浏览器 OS 中，Argon 生成了一个 Synthwave 风格的桌面环境，内置 GTA 风格小游戏、Star Vanguard 3D 小行星射击、以及一个跨应用交互的"Ethermail"邮件系统——邮件应用可以实际触发其他应用中的操作，比如向游戏内账户转入虚拟资金。

但问题也很突出。Bijan 直言"前端界面过于拥挤杂乱"，GTA 小游戏的几何建模和手感远不及 Sonnet 或 Opus 的表现。C++ 滑板游戏耗时约 40 分钟生成，可玩性尚可，但细节精度"远未达到期望"。

关键的转折发生在第二轮交互。Bijan 录制了一分钟 Sonnet 5.5 的滑板游戏画面作为参考视频喂给 Argon，要求它"全面超越参考视频"。约 70 分钟后，Argon 确实从视频中提取了水花逻辑、NPC 评论、蹲伏动画等元素，甚至自主添加了滑板的运动拖尾效果，但整体图形保真度仍不及 Claude 系列。这一测试展现了 Argon 的视频理解与迁移能力，也暴露了它在一次性高精度 3D 输出上的短板。

机器人控制与视觉能力：22分钟完成抓取任务

机器人臂测试是本次测评中最亮眼的结果之一。Argon 在约 22 分钟内完成了汽车抓取任务，是迄今第二快的完成速度。过程中它虽然几次碰倒汽车，但最终成功抓取，且在放置时主动旋转夹爪，让汽车与垫子保持平行——还原了初始视角中的姿态。

作为对比，GPT-6 Astra 是目前唯一在此任务上做到完美的模型，Gemini 3.8 Flash 也完成了任务但耗时更长。Bijan 认为 Argon 在这类视觉-空间推理任务上"有深度"，展现出扎实的视觉能力。

地铁 FPS 测试中，Argon 首轮生成的场景偏简单，但经过一轮"AAA 级画质"指令后，敌人模型、环境纹理和弹孔效果均有显著提升。博主特别提到，车厢拉手随列车晃动这一细节，此前仅在 Meta 的 Muse Wonder 中出现过。

视觉-空间推理：指模型不仅要"看懂"图像里有什么，还要理解物体之间的三维位置关系、可达性与动作后果。机器人抓取是这类能力的典型考场：模型需要从摄像头画面推断汽车与夹爪的相对位姿，规划接近路径，并在接触后修正姿态。文中 Argon 在放置阶段主动旋转夹爪、让汽车与垫子保持平行，正是空间推理介入的体现——它不只是抓起来，还还原了初始朝向，这比单纯完成抓取要难得多。

视觉-语言-动作（VLA）范式：当前机器人控制越来越多地采用这类模型，把视觉观测和自然语言指令映射为动作序列，而不再依赖人工编写的运动规划。其代价是对视觉输入的鲁棒性要求极高，光照、遮挡或视角偏移都可能导致失败。文中 Argon "几次碰倒汽车"再成功，恰是这一范式的典型表现：具备闭环纠错能力，但首次尝试不够精准。

3D建模与复古游戏移植：多轮打磨后的"前沿级"成果

Blender 跑车建模测试是一个需要多日反复迭代的项目。Bijan 最初要求 Argon 建模一辆 1980 年代 Sub-900 Turbo，随后逐步扩展为一个带经销商、维修车间、可驾驶上路的完整场景。最终成果包含：正确的电池位置、中控台点火钥匙、不同时段光照预设、速度感应的引擎音效、甚至收油时的排气回火声。

Bijan 评价这是"前沿级结果"——但强调"绝非一次性生成"，而是经过数天来回打磨才达到的。模型确实能通过持续反馈逐步逼近高精度目标。

最令人意外的测试是一项逆向工程任务。Bijan 让 Argon 将一款 2000 年发布的 Windows 独占赛车游戏《Insane》字节级重编译，使其在 Linux 上原生运行。Argon 在约 2.5 小时内完成了这一任务，并进一步实现了全分辨率原生渲染。作为对照，Bijan 用完全相同的提示词和游戏文件在 Meta Muse Wonder 上测试，后者"直接卡死，完全无法推进"。

字节级重编译（byte-level recompilation）：这里指的不是普通意义上的反编译，而是让模型分析一款 2000 年 Windows 独占游戏的二进制文件，推断其内存布局、调用约定和图形 API 调用，再生成能在 Linux 上原生运行的等价代码。难度在于原始可执行文件没有源码、没有符号表，还要处理已废弃的 DirectX 与 Windows 专有系统调用。它同时考验模型对低级系统编程、逆向工程与跨平台移植的综合能力，因此常被视为比生成业务代码更严苛的测试。2.5 小时完成已属亮眼，而 Meta Muse Wonder 在相同提示与文件下"直接卡死"，说明该任务对模型的长程规划与代码推理能力有硬性门槛。

多轮迭代与"前沿级"结果：所谓前沿级并非单次生成的产物，而是靠人机反复反馈逐轮逼近。这种工作流的价值在于可积累——每一次修正都被保留进上下文，模型据此调整后续输出。这也解释了为何同样的模型在不同使用习惯下体验差异巨大。

结论：需要"逼"出来的强模型

Bijan 的整体评价可以概括为一句话：Gemini 4 Argon 不是零提示词出神作的模型，但如果你愿意花时间跟它反复迭代，它能交付与顶级竞品掰手腕的成果。

具体来说，Argon 在以下场景表现出色：视频理解与迁移、机器人视觉控制、逆向工程与系统级任务。短板则集中在首次输出的 3D 图形保真度和前端审美——Bijan 多次吐槽其 UI 风格"拥挤""俗气"，需要多轮"吼"才能得到理想效果。

在入门定价下，Bijan 认为 Argon 与 GPT-6.1 Soul、Sonnet 5.5 处于同一水平甚至更好；但价格翻倍后，面对 Opus 5.5 和 Muse Wonder 的竞争将更加艰难。此外，目前 Argon 似乎仅向 Ultra 订阅用户开放，这在一定程度上限制了它的可及性。