Gemini 4 Argon真能排第一？对比Claude Opus 5.5与GPT-6 Astra

Google在9月30日发布Gemini 4 Argon时，宣传语只有一句：19项测试中13项第一。但诡异的是，最初几乎没人能用上它——Google只开放给负责拦截黑客的网络防御团队。直到10月13日，大门才向所有人敞开。那么，它真的是第一名吗？YouTube频道Prom把Argon请到镜头前，与Claude Opus 5.5和GPT-6 Astra同席而坐，用大量实测数据给出了一份独立答案。

纸面参数：百万级上下文与定价策略

Argon的简历第一行写着：一次读取100万token，相当于好几本厚书。现在它也能一次写出100万token，而上一代模型停在6.4万。不过有个限制：写满100万需要开启特殊的长模式，普通回答的上限仍在6.5万token左右。视觉能力同样犀利，它能读图表、看长视频、处理成堆文档，在长视频测试中拿下91.7分。

定价方面，截至11月底，Argon的输入价格为每百万token 2美元，输出10美元。从12月起价格翻倍，与Opus持平。Astra则是输入10美元、输出50美元。

上下文窗口（context window） 指的是模型在一次对话或单次调用中能够同时“读到”的 token 总量，包括系统提示、历史对话、上传文档和待生成内容的全部。它决定了模型能否一次性消化整本书、长视频字幕或大型代码库，而不必分段摘要后丢失细节。Google 宣传的 100 万 token 输入能力属于当前业界顶级水平，但要注意“能读”与“能有效利用”并不等同：模型在超长上下文中对中段信息的召回率往往会下降，这也是各家在长上下文评测中单独设项的原因。另一方面，输出上限与输入上限是两个独立参数，长输出模式通常需要特殊开关并可能影响生成速度与计费方式。

Google的表格与独立评测的冲突

在Google自己发布的成绩表中，Argon确实在19个科目中拿下13个第一。法律工作测试中，Argon得分19.6，Opus仅为3.8。但关键问题在于：这张表是谁做的？Google自己选的科目、自己挑的对手。

在终端编码测试中，Opus以66.4分获胜，Argon只有57.4分。于是Prom引入外部评分机构。独立实验室Artificial Analysis的综合指数显示：Opus 58分，Argon 53分，Astra 50分。但在另一项独立测试VALS指数中，Argon以68.9分拿下第一。同一款模型，换一个测试就换一个赢家。

独立评测机构与综合指数 是当前模型排名争议的核心背景。Artificial Analysis、VALS 等第三方机构通过统一提示词、标准化评分脚本和固定版本快照，对多个厂商的模型跑同一套基准，再把编码、数学、指令遵循、多语言等子项加权成一个综合分数。它们相对厂商自测的价值在于可复现、可横向比较，但局限同样明显：加权方式由机构自定，题库可能被训练数据污染，且综合分无法反映特定场景的强弱。因此同一模型在不同指数中名次互换是常态，读者应把指数看作“某一组任务上的抽样结果”，而非绝对能力排名。

真实办公任务：Argon与Opus打平且更便宜

抛开分数，看实际工作。其他YouTuber已经试过同样的任务，Prom收集了50多个评测视频。在四项办公任务中——比如读取收据、做图表计算——Argon和Opus打成40比40平手。但Argon更便宜：单次任务成本0.21美元，Opus为0.37美元。

还有对比发现，Argon在将访谈整理成新闻简报、以及医学研究任务中表现最佳。它像一位文笔出色的新员工。但构建应用是另一回事：在六场应用构建对决中，Opus全胜。一位开发者反馈，Argon代码审查中78项发现里有56项是错的。在Prom自己的电脑上打开anti-gravity的模型列表，甚至还没看到Argon——Google表示，在anti-gravity中它仅对顶级Ultra套餐开放。

代码审查（code review） 是检验模型编码能力的典型任务，要求模型读懂一段 diff 或整个仓库片段，判断改动是否引入逻辑错误、边界条件遗漏、安全漏洞或风格问题，并给出可执行的修改建议。它与“写代码”侧重不同：生成代码看重从零构建的正确性与结构，代码审查则看重对既有代码语义的精确理解和对误报的控制。业界通常用精确率（报出的问题中真实存在的比例）和召回率（真实问题被找出的比例）来衡量，只统计发现数量而没有人工复核，容易高估模型的实际可用性。

成本账单：单价低不等于总价低

Argon的单价确实低，但它话多：每个任务平均消耗6.2万token，而Astra只用2.7万。算下来，今天完成一个任务，Argon花费1.99美元，Opus要5.98美元。但到了12月全价时，Argon的成本将比Astra的3.26美元高出3.98美元。

真正的转折在诚实度测试：模型有多常假装自己知道？Argon为15%，Astra高达51%。但准确率方面，Argon为50%，Astra为63%——Astra知道得更多。Argon更像是那个会说“我不知道”的新员工。

结论：没有全能冠军，只有场景匹配

那么Argon到底排第几？长文档处理、研究、报告写作、长视频总结——这是Argon的地盘，便宜且诚实。终端修代码、构建应用——Opus依然更强。如果追求答对最多，Astra是首选，但成本最高。

Prom把三个模型比作办公室里的三张桌子：Argon负责写作，Opus负责编码，Astra负责搜索答案。测试决定谁是第一。但请务必在你自己的任务上测试全部三款模型。记住，12月1日价格翻倍，而且最后还得由人来把关。