Gemini 4首日实测：文档最强，写代码先别换

Google上一次发布Pro级旗舰模型，还是今年2月。之后236天，它没再拿出新的旗舰。5月预告的Gemini 3.5 Pro说好6月上线，6月没来，7月、8月也没来。到了9月底，Google干脆宣布3.5 Pro不发了，直接上Gemini 4。9月30号Gemini 4初次露面，但只给一批网络安全机构用；又过了两个星期，10月13号它终于全面开放。

等了这么久，到底行不行？B站UP主把另外两位顶尖选手请来，跟它一起“面试”。这场横评用招聘流程串起三个结论：读文档、做分析，它是现在的第一；写代码，先别换；价格现在半价，12月1号翻倍。

三位“候选人”的自我介绍

三位选手先报家门和期望薪资。GPT-6 Astra来自OpenAI，主打大型工程，薪资是Gemini 4的五倍。Claude Opus 5.5来自Anthropic，综合评分第一，它的自我定位是“我慢，但活细”，薪资是Gemini 4的两倍。

Google这边的试用期半价，半价持续到11月底，12月翻倍。它的简历上还写着19项成绩、13项第一——简历是自己写的，所以UP主决定做个背调。

背调：简历有没有水分

第三步是核对简历。第三方重新测了一遍，大部分分数对得上，对不上的有三处：一处放宽了考试规则，一处没把更强的对手写进去，一处换了套考题。官宣当天彭博社报道，Google内部有人说它刷榜，Google否认了。目前没有证据说简历造假，但它很会“跳考场”。

再看第三方自己测的成绩。替你读财报、看合同、做分析，它第一，比Opus高不到两分。瞎编的比例它15%，Astra 51%。综合智力它和Astra都是53分，Opus 58。可到了工程岗，成绩就掉下来了：在命令行里写代码它排第四，在Claude的两个型号和Astra后面；让它像人一样操作电脑，成功率不到5%，8个模型里倒数第二。一句话，做办公室它是优等生，进机房它还在补课。

什么是“幻觉率”

文中提到的“幻觉率”（Hallucination Rate），指模型在回答中编造看似合理但不真实信息的比例。这是衡量大模型可靠性的核心指标之一：模型生成流畅连贯的文本时，可能把不存在的数据、引文、API 或事实说得煞有介事。评测中通常设置模型“不知道就应承认”的题目，考察它面临不确定问题时的处理方式。

Gemini 4 的 15% 幻觉率意味着它在遇到不会的题时更多选择坦承不知，而非强行编造，这使其在法务、财务等容错率低的场景更有价值；而 Astra 的 51% 则说明它即便不确定也会自信作答，一旦出错后果可能严重。

上线第一天：考官轮流出题

背调做完进入试用期。上线第一天，考官们轮流给它出题。第一位考官让它直接改36年前超级任天堂游戏的底层代码，它做出了一个新关卡。它自己带来的作品更夸张：看一段人扔沙包的视频，教会机器人连中7次——不过这是Google自己的演示。

接下来是同题对比，它又快又便宜。熔岩灯题它不到2分钟、18美分，Opus 9分半、1.27美元。像素城市题同一条题成品差不多，账单1.2美元对8.2美元。长任务题跑到完，它38分钟，Astra 85分钟，Fable 130分钟。

但有两位考官把画面定住了看。瓶中船题它19美分，Opus 12美元，可Opus那只瓶子玻璃有反光、水在动。软糖小熊题，Opus的能捏会回弹，它的是一尊雕像，而且这一次它反而更贵：22美元对7.2美元。便宜不是每次都成立。

“同题对比”与成本核算逻辑

文中反复用同一道题让不同模型作答并对比耗时和花费，这是模型评测中越来越常见的“任务级成本”思路。传统评测只看一次 API 调用的 token 单价，但实际使用中，模型可能输出冗长推理过程、反复自我检查，导致总消耗远超单价预估。因此文中强调“别只看单价，看一件事做完花多少”。

例如熔岩灯题，Gemini 4 用不到 2 分钟、18 美分完成，而 Opus 用时 9 分半、1.27 美元，差距主要来自速度带来的计算量差异；而软糖小熊题它反而更贵，说明不同任务类型下成本优势并不恒定。

三位严格考官：编程仍是短板

编程博主Theo老师拿自己的代码库考它，它对代码下的判断一半以上是错的，他考的7个模型里只有它错过半。Noah老师派了20个编程任务，三个做的一半人不见了——偏偏是最简单的三个。Glazer老师出了一道集合论难题，它想了十分钟自己停了，换到目标模式的工具里才肯死磕。所以半路停下一部分要怪默认设置。

为什么会这样？加试一场100道题。Astra答对63道、答错19道，“那19道我写的时候可有把握了”。Gemini 4答对50道、只错8道，剩下42道是“不知道”。不会的题它不编——放在法务、财务这种说错一句要赔钱的地方，这是优点；放在要把活干完的地方，就成了做一半走人。其实是一回事。

目标模式与默认模式的区别

文中的“目标模式”指模型在编程工具中被设为追求特定目标（如通过全部测试、完成指定功能）后持续尝试的模式，与默认的“聊几句就停”不同。Gemini 4 在集合论难题上默认停止，但切到目标模式后愿意继续死磕，说明其部分编程短板并非能力不足，而是默认配置过于保守，遇到困难时容易提前收工。

这一现象揭示了一个普遍问题：评测模型时若不区分默认行为与工具强制模式，容易把配置问题误判为能力问题。对开发者而言，在使用时主动设置目标模式或明确要求“做完再停”，可能显著改善任务完成率。

价格：单价便宜，但别只看单价

先说门槛。想聊天得订Google的Pro会员，一个月大约20美元；用Google自家的编程工具写代码，得上Ultra，100美元起步。上线当天被骂得最凶的就是这一点。

再说单价。现在是Opus的一半、Astra的五分之一。但它话多，同一套测试题它每题写出来的字数是Astra的两倍多。所以一题算下来1.99美元，Astra是3.26美元，2月1号翻倍变成3.98美元后会被反超。

修真实代码更直接：分数比Opus低14分，每个任务花的钱是Opus的两倍多。别看单价，看一件事做完花多少。

最终录用结论

结果出来了。文档岗录用，合同、财报、长报告归它，不知道的地方找人复核。写代码先不换人，Opus、Astra留任。做原型、做演示，趁半价也交给它——试用期到11月30号。

如果你只是聊天、写东西，先别急着为它订会员，它的中文表现目前还没有任何系统评测。这支视频里的数字都来自它上班的第一天，过两周结论可能就变了。

最后说说名字。Google从没解释过为什么叫Argon。Argon中文叫氩，开头那块紫色的灯牌就是它的颜色，氩气通电发的就是这种紫光。1894年化学家给他起名用的是希腊语，意思是“懒”，因为它跟谁都不反应。它上班第一天的表现你们也都看到了，可不反应也有不反应的好处——美国独立宣言的原件就封在氩气里。管文档，它是专业的。

氩气与文档保护的冷知识

文末提到美国独立宣言原件封存在氩气中，这是真实的文物保存技术。氩气（Argon）是一种惰性气体，化学性质极不活泼，几乎不与任何物质反应，因此被用于填充密封容器以隔绝氧气和水分，防止纸张氧化、酸化或霉变。美国国家档案馆的“自由宪章”展柜正是充入氩气，配合恒温恒湿环境来保护独立宣言、宪法和权利法案的原件。

Google 以 Argon（氩）命名模型，既对应其紫色灯牌（氩气放电呈紫光），也暗合“惰性、不反应”的特性——放在文档处理场景中，这种“不乱编、不乱改”的保守反而成为可靠性优势。