Gemini 4 Argon实测：哪些任务超越Claude与GPT？

Gemini 4 Argon 发布后，一个 3D 小游戏成了测试样本：三车道、能量拾取、60 秒目标，三次提示词迭代跑通原型。这背后是模型能力边界的重新划分——它不是全能选手，但在特定场景下确实压过 Claude 和 GPT 一头。

多模态输入：Argon 的硬底牌

Argon 原生支持文本、图片、音频、视频和 PDF 五类输入。对比之下，Claude 和 GPT 的公开规格只列出文本与图片，其他能力依赖应用层工具补齐。这个差距在"从一段录音开始"的工作流里会被放大——你不需要先转写再喂给模型，Argon 直接吃原始素材。

视频还展示了一个 agentic video 模式：模型可以调用工具定位视频中的相关片段，而不是像普通聊天那样整段上传。对于需要从长视频里提取关键帧做分析的任务，这省掉了大量预处理工程。

输出与上下文：一个容易误读的数字

六个对比模型都标称约 100 万 token 上下文。但"能装下"和"能用好"是两回事。

Argon 常规输出上限约 65,000 token，其他模型标称约 128,000。它有一个特殊长输出模式，可以借用共享预算里剩余的空间继续生成——但输入、思考过程和答案共用同一块预算。这意味着百万上下文不等于百万输出，实际可用空间取决于输入占用了多少。

在 GraphWalks 长上下文测试和 LV Bench 视频测试上，Argon 领先。这两个测试正好对应它的两个卖点：长输入的处理效率，以及视频理解能力。需要注意视频分数受各模型帧采样策略影响，横向对比时要带上这个前提。

共享预算（shared budget） 指模型在一次请求内为输入、思考过程（reasoning/thinking tokens）和最终输出共同划定的 token 总额度。它不是三个独立配额，而是一个总池子：输入越长、思考越久，留给答案的空间就越小。因此，标称百万上下文只说明池子的大小，不说明答案能写多长。理解这一点，才能解释为什么 Argon 常规输出上限约 6.5 万 token，却能通过长输出模式“借用”剩余空间继续生成——可借多少，取决于本次输入和思考消耗了多少。

基准对决：赢在哪，输在哪

Argon 领先的项目：

• Vibe Code Bench 91.9，Opus 和 Fable 紧随其后为 90.3——优势微弱，且只覆盖一类编码任务
• Vals Index 专业任务测试
• Automation Bench 工作流自动化

对手领先的项目：

• Terminal Bench 4：Opus 66.4 对 Argon 57.4，终端工作流 Opus 更稳
• Frontier SWE v2 困难工程题：Astra 65.5 对 Argon 55，差距明显
• 科学终端测试：Astra 同样领先

这张分化图很清晰：Argon 强在混合输入和端到端应用实验，Opus 强在终端操作，Astra 强在硬核工程问题。Fable 5.1 定位在重推理和长任务，但没有在上述测试中领先；Sonnet 5.5 和 GPT 6.1 Sol 则主打速度与成本平衡。

GraphWalks 是一类长上下文基准，用来测量模型在超长输入中定位、连接和推理分散信息的能力，而不只是“能不能塞进去”。LV Bench 则针对长视频理解，考察模型从多帧、长时间跨度的视频中抽取事件与因果关系的能力。两者都强调“有效利用”而非“容量”。此外，帧采样策略指模型处理视频时每隔多久抽一帧、抽多少帧：采样越密细节越多但成本越高，采样越稀则可能漏掉关键瞬间。不同模型的采样策略不同，直接横向比较视频分数并不公平，需带此前提。

价格账：标价之外的真实成本

Argon 当前定价每百万 token 输入 2 美元、输出 10 美元，与 Sonnet 和 Sol 持平。Opus 是 4/20，Astra 和 Fable 是 10/50。Argon 的 introductory rate 在 11 月 30 日结束，之后涨到 4/20。

但单价不等于总成本。思考 token、缓存、工具调用和服务模式都会计入账单。OpenAI 的费率在输入超过 272,000 token 后上浮。更关键的是返工成本——一个便宜但需要多次修复的答案，总价可能超过一次到位的高价模型。视频里的建议是按任务选模型，而不是按价格选模型。

思考 token（thinking/reasoning tokens） 是模型在给出最终答案前内部推理所消耗的 token，通常按输出价格计费，但对用户不可见。缓存（prompt caching） 则允许重复使用的长前缀（如系统提示、长文档）以折扣价复用，能显著压低多轮对话的成本。工具调用会额外产生输入输出计费，而服务模式（如批量、优先级、快速响应档）对应不同费率。这些项目叠加后，实际账单往往偏离“输入 2 美元、输出 10 美元”的标价，因此作者强调按任务总成本而非单价选型。

实战验证：三次提示词做出可玩原型

作者在 Gemini Canvas 预览里让 Argon 做一个 3D 气垫船游戏：三车道、能量拾取、障碍扣心、60 秒通关。

第一次提示设定规则，出了首屏；第二次要求霓虹城市和更清晰的视觉效果；第三次聚焦操控和检查逻辑。修订版预览加载花了一些时间，但加载后暂停、恢复、重启都正常——计时器暂停、游戏继续、重启恢复心数并清零分数。作者最终存活 33.4 秒，没完成 60 秒目标。

这里有个诚实的细节：模型报告把浏览器检查标记为未测试。也就是说，原型能跑，但离可分享还有验证工作要做。这恰好呼应了选型逻辑——Argon 适合快速把想法变成可交互的东西，但交付前的检查不能省。

Gemini Canvas 是 Gemini 中面向“边聊边生成”的交互式工作区，可在对话中直接产出并预览可运行的网页、小游戏或交互原型，适合快速验证想法。预览（preview） 意味着模型或功能仍处于早期可用阶段，行为可能不稳定、加载较慢或缺少完整验证。文中“修订版预览加载花了一些时间”正属于此类现象。也正因如此，原型能跑通不等于可交付——浏览器检查、边界条件测试等工程验证仍需人工补上。

选型建议

按视频给出的结论：混合输入和应用实验起步用 Argon；终端工作流选 Opus；困难工程任务上 Astra；对响应速度和预算敏感时考虑 Sonnet 或 Sol。最终判断标准只有一个——在自己的任务上跑一遍，看结果。