Gemini 4 Argon刷新WANDR基准，Perplexity全量上线

一个低调但重量级的发布

Google 的 Gemini 4 Argon 模型最近在一个名为 Wide-And-Deep-Research（WANDR）的基准测试中刷新了 SoTA（State-of-the-Art）成绩。消息源来自 Twitter 上的一则简短发布，同时宣布该模型已面向所有 Perplexity 用户开放，覆盖快速搜索与 Computer（Agent）两种模式。

这条消息的信息量不大，但指向的趋势相当明确：前沿模型的竞争焦点，正在从通用对话能力转向深度研究（Deep Research） 这类复杂任务。WANDR 这个基准的名字本身就说明了问题——它同时考察"广"（Wide）与"深"（Deep），即模型能否在广泛的信息源上进行检索，并对特定问题进行深入挖掘。

说个细节，这一成绩的发布方式相当克制。没有长篇技术博客，没有详细的评测报告，只有一句话的宣告。这或许说明 Google 对 Gemini 4 Argon 的定位更偏向工程落地而非学术展示。

WANDR 基准到底在测什么

从命名可以推断，WANDR 是一套针对研究型 Agent 的综合评测。传统的检索增强生成（RAG）评测往往只看单一维度的召回与准确率，而"Wide-And-Deep"意味着任务需要模型在多轮检索中既覆盖足够多的信息面，又能在关键线索上持续下钻。

这类能力对模型的要求远超普通问答：它需要规划检索路径、判断信息可信度、在冗余信息中做取舍，并最终把碎片整合成连贯的结论。Gemini 4 Argon 能在此基准上拿到 SoTA，说明其在 Agent 编排与长上下文推理上有实质性提升。

不过需要指出，目前公开的信息中没有披露具体的分数、对比模型以及评测细节。单一来源的 SoTA 声明，在缺乏第三方复现的情况下应当谨慎看待。

检索增强生成（RAG） 是指模型在生成答案前先从外部知识库检索相关文档，将检索结果作为上下文注入提示词，从而缓解大模型知识过时与幻觉问题。传统 RAG 评测通常聚焦单轮检索的召回率（是否找全相关资料）与答案准确率，任务边界清晰、可自动打分。但这类评测无法反映模型在多轮、开放式研究任务中的表现——例如是否需要主动改写查询、是否能在检索结果相互矛盾时做判断、是否能决定何时停止检索。WANDR 这类基准正是为填补这一空白而设计，把评测对象从"单次检索+回答"扩展到"规划—检索—筛选—整合"的完整链路，因此对模型的 Agent 编排能力提出了更高要求。

Perplexity 的全量开放意味着什么

比起基准成绩，更值得关注的是分发渠道。Perplexity 宣布 Gemini 4 Argon 面向所有用户开放，而非仅限付费订阅者或小范围灰度。同时覆盖快速搜索与 Computer（Agent）模式，说明该模型在延迟和成本上已经达到了可大规模商用的水平。

Computer 模式是 Perplexity 的 Agent 产品形态，允许模型自主执行多步操作完成任务。把前沿模型直接接入这一模式，等于把深度研究能力交到了普通用户手里。对 Perplexity 而言，这是一次模型层面的军备升级；对用户而言，搜索体验的分水岭可能正在形成。

多模型聚合正在成为搜索产品的标配策略。Perplexity 此前已接入多家模型，此次引入 Gemini 4 Argon 进一步丰富了其模型池，也给了用户在不同任务下选择合适引擎的空间。

Agent 模式（文章中称为 Computer 模式）与普通搜索的核心区别在于控制流：普通搜索是"一次查询—一次返回"，而 Agent 模式由模型自主决定下一步动作，可连续执行搜索、打开网页、提取信息、交叉验证等多步操作，直到任务完成。这种模式对模型的规划能力、工具调用准确性以及长上下文管理能力要求很高，同时延迟和推理成本也显著高于单轮问答。因此，一个模型能否被接入 Agent 模式并向全体用户开放，实际上是对其推理成本、响应速度和稳定性的综合检验——这也是文章判断该模型"已达到可大规模商用水平"的依据所在。

深度研究赛道的竞争格局

深度研究能力已经成为各家必争之地。从 OpenAI 的 Deep Research 到各家搜索产品的 Agent 模式，核心逻辑一致：让模型替人完成"查资料—读资料—写结论"的完整链条。Gemini 4 Argon 在 WANDR 上的表现，可以视为 Google 在这一赛道上的一个明确信号。

真正的差异化不在于单点基准分数，而在于端到端的可靠性与成本。用户不会关心 SoTA 标签，他们关心的是 Agent 跑完一轮研究后给出的报告是否可信、是否可追溯、是否值得等待。基准成绩是入场券，产品体验才是终局。

端到端可靠性在深度研究场景中指的是从用户提出研究问题到最终报告交付的整个链条上，系统输出保持可信、可追溯的程度。它包含几个层面：检索到的来源是否权威且覆盖全面；中间推理步骤是否可被用户核查；结论中的每个关键论断是否能回溯到具体出处；以及在信息不足时模型是否会诚实说明而非编造。基准分数通常只衡量最终答案的质量，而端到端可靠性还涉及过程透明度与失败模式的可预期性。这正是文章强调"基准成绩是入场券，产品体验才是终局"的技术含义：评测集可以优化，但真实任务的长尾分布与用户对错误零容忍的期待，只能靠工程侧的检索策略、引用机制与不确定性表达来兜底。

理性看待 SoTA 声明

前沿模型的基准竞赛已经进入白热化阶段，几乎每周都有新的 SoTA 宣告。对开发者和用户来说，有几点值得留意：基准成绩与实际体验之间常有落差，评测集与真实任务分布未必一致；单一来源的声明缺乏交叉验证；而模型能力的提升是否能转化为产品价值，取决于工程侧的打磨程度。

Gemini 4 Argon 的这次发布，信息有限但方向清晰。接下来真正值得观察的，是它在 Perplexity 上的实际表现能否撑起这份 SoTA 声明。