Gemini 4 Argon首发实测：19项跑分赢14项，偏科严重

Google憋了大半年的旗舰模型Gemini 4 Argon终于正式发布。但发布信息中最值得关注的不是模型名字，而是价格、使用权限和实际演示水平。

价格窗口期：现在上车还是等翻倍

目前API定价为输入2美元、输出10美元，与GPT-6.1 Salt同价，是Cloud Opus 5.5的一半。但11月30号之后价格直接翻倍，变成4美元20美元，与Opus持平。

据B站UP主宇泽的实测分析，使用权限分三档：API付费可直接调用；订阅Pro或Ultra的用户可在Gemini App和搜索的AI Mode中使用；想在Anti-Gravity里写代码则必须是Ultra最高档。免费版没有任何薅羊毛空间。

缓存输入另有优惠，具体以官方价目表为准。如果想低成本试用，11月30号之前是明确的窗口期。

Anti-Gravity 是 Google 推出的AI 编程环境/IDE，定位类似 Cursor 或 GitHub Copilot Workspace，允许开发者在编辑器内直接调用 Gemini 模型进行代码生成、重构与调试。文章提到"想在 Anti-Gravity 里写代码则必须是 Ultra 最高档"，说明 Google 将最消耗算力的编程 Agent 能力与最高订阅层级绑定，形成分层变现：API 按量付费面向企业集成，Pro/Ultra 订阅覆盖轻量用户，而 Anti-Gravity 这类高价值场景只向 Ultra 开放。这种策略与 OpenAI、Anthropic 对编程工具的权限划分思路一致，也意味着个人开发者若想低成本使用 Argon 写代码，走 API 按量付费在窗口期内反而可能比订阅 Ultra 更划算，但需自行管理 token 消耗与缓存命中率。

跑分成绩：19项赢14项，但存在明显偏科

官方公布的19项测试中，Argon赢了14项。Deep SWE长程软件工程得分77.9%排名第一，Boss Index同样第一。

但偏科问题不容忽视。Terminal Bench 4.0输给了Opus 5.5，Frontier SWB套输给了GPT-6 Astra。这说明Argon并非全面碾压，而是在特定维度上有所取舍。

跑分只能提供参考，真正有说服力的是实际演示。

Deep SWE（Deep Software Engineering）是评估大模型在长程软件工程任务中综合能力的基准测试，区别于传统单文件代码补全或算法题，它要求模型在真实代码库中完成多文件、多步骤的修改、调试与重构，考验上下文保持、工具调用与规划能力，因此得分高低更能反映模型能否胜任"AI 程序员"角色。Terminal Bench 则聚焦模型在终端环境下的操作能力，包括命令行工具使用、Shell 脚本编写、系统调试与错误恢复，对模型的推理链稳定性和环境感知要求极高。Frontier SWB（Frontier Software Building）偏向从零构建完整应用的端到端能力，通常涉及前后端联调、UI 生成与部署逻辑，考查模型将模糊需求转化为可运行项目的水平。三者分别对应软件工程中的"改"、"调"、"建"，Argon 在改与建上领先，却在调与部分建上失分，说明其优势集中在规划与生成，而在精细工具操作上仍有短板。

实际演示：长程任务才是主场

像素风对比：左边Argon、右边GPT-6 Astra，同题绘制像素城堡夜景。

3D飞行游戏：左边Argon、右边Opus 5.5，醍醐特技飞行同题对比，看谁飞得稳。

恐龙岛：昼夜循环、降雨、火山喷发、恐龙群行为，一整套3D交互网页一次端出。这正是Google所强调的Deep Walk长程多步骤任务能力——复杂的东西一次成型。

蛛丝摆荡3D游戏：左右同题Argon对Opus 5.5，直接拼Gameplay和计分。

醍醐骑自行车：UP主宇泽的老规矩测试题。上一期Open Code降制实测考的也是这道题。这次同一道题考Argon，项目名为Captain Gulliver's Coastal Ride，支持白天、黄昏、黑夜三种模式，踏板调速，还能丢余按0一次给全。完成度对得起旗舰两个字。

Deep Walk 是 Google 为 Gemini 4 Argon 强调的长程多步骤任务执行能力，其核心在于模型能在单次会话中保持对复杂目标的持续跟踪，自主拆解子任务、调用工具、校验中间结果并动态修正路径，而不是每步都依赖人类重新提示。与传统"一问一答"式交互不同，Deep Walk 更接近智能体（Agent）工作流：模型像项目经理一样规划顺序、分配注意力、在长上下文中记住早期决策，最终一次性交付完整可运行成果。文中演示的 3D 飞行游戏、恐龙岛交互网页、蛛丝摆荡游戏等，都是需要数百行代码、多轮资源生成与逻辑调试的任务，恰好验证了 Deep Walk 在"一次成型"上的价值，也解释了为什么日常问答用它属于大材小用——那类任务根本触发不了长程规划机制。

结论：长程任务的利器，日常问答大材小用

Argon的定位非常清晰——为长程任务准备。写代码、做游戏、搞科研，Deep Walk是它的主场。日常问答用它属于大材小用。

价格方面再提醒一次：2美元10美元直到11月30号，窗口期过后翻倍。你会现在上车还是等12月看它翻倍？