Gemini 4 Argon 独立实测：谷歌自测表没写的东西，第三方测出来了

第二张表在同一天出现

谷歌在 2026 年 9 月 30 日的公告末尾附了一张十八行的对照表。同一天，Artificial Analysis 也给出了自己对这款模型的读数，用的是它自己跑的评测，而不是厂商提供的数字。

在 Artificial Analysis 的智能指数上，Gemini 4 Argon 在高推理档位拿到 53 分，与 max 档的 GPT-6 Astra 持平，比 GPT-6.1 Sol 高 1 分。和谷歌自己近一年半的成绩比，跨度更大，比 Gemini 3.1 Pro Preview 的 30 分高 23 分，比 Gemini 3.8 Flash 高 12 分。

这份独立报告由此得出一个结论，谷歌重新回到智能水平前三的位置。Argon 也是谷歌七个多月来第一款高于 Flash 级别的闭源模型，这和谷歌旗舰线十个月的空窗正好对上。

本文数字来自谷歌 2026 年 9 月 30 日的 Gemini 4 Argon 公告，以及 Artificial Analysis 同日发布的独立评测结果。

为什么这一轮要等独立评测

发布前三周，一个标注为 gemini-3.8-flash 的匿名模型出现在公开竞技场的盲测里，在代码、图形和智能体任务上明显强过真正的 Gemini 3.8 Flash。开发者普遍推断这就是 Gemini 4 的早期版本，但显示名一直没有变，谷歌也从未认领。

2026 年 9 月 18 日流传出的一张基准图，把这个未确认的模型排在 GPT-6 Astra 和 Claude Fable 5.1 之前，覆盖长流程编程和计算机操作，还附了一份据称的定价。这些数字在多家媒体之间转了一圈，始终没有落到一款谷歌真正点名过的模型上。

这并不是说那张流出的图是错的，而是说它无法被验证。9 月 30 日出现的东西性质不同，它带着公开的评测框架、写明的推理档位和一份可以拿去对照公开价目表的成本数字。

• 竞技场上的那个马甲显示为 gemini-3.8-flash，谷歌从未确认过它的身份。
• 流传的基准图日期是 2026 年 9 月 18 日，比正式发布早十二天。
• Artificial Analysis 自己跑评测，不转述厂商提供的数字。

每个任务 1.99 美元，便宜来自价目表

预算真正在意的是每个任务的成本。按当前五折的上市优惠价，Gemini 4 Argon 每个智能指数任务花 1.99 美元，max 档的 GPT-6 Astra 是 3.26 美元。在智能水平相近的前提下，Argon 只花了对手六成的钱。

但和更便宜的那款 OpenAI 模型比，方向就反过来了。同一个评测里，GPT-6.1 Sol 的每任务成本比 Argon 低 2.7 倍。而优惠一旦结束，Argon 的数字会升到 3.98 美元，变成 GPT-6 Astra 的 1.2 倍，不再便宜。

原因不在效率。Argon 平均每个任务输出约 6.2 万 token，GPT-6 Astra 只有 2.7 万，它是靠花更多 token 换到同样的分数，赢在单价上。缓存输入也变便宜了，折扣从 Gemini 3.8 Flash 的九折优惠提到 95%。

Sol 那一行并不是官方公布的每任务成本，而是用报告里给出的 2.7 倍关系对 1.99 美元反推出来的，放在这里只是为了看方向，不能当作报价使用。

15% 的幻觉率，同级最低

这份独立报告里最锋利的结论不是能力分数。在 AA-Omniscience 上，这项评测同时考察答得对与不知道时肯不肯说不知道，Gemini 4 Argon 的幻觉率是 15%，是智能指数 45 分以上所有模型里最低的一个，对比之下 GPT-6 Astra 是 51%，GPT-6.1 Sol 是 54%。

把准确率那一半放进来，画面就更细。Argon 答对的比例是 50%，比 Gemini 3.1 Pro Preview 低 5 分，比 GPT-6 Astra 的 63% 低 13 分。而在 AA-Omniscience 的综合分上，三款模型只差 1 分以内，Argon 和 Sol 是 42 分，Astra 是 43 分。

这个拆分说明的是一款宁可拒答也不硬猜的模型。对于无人值守、要连续跑很长任务链的工作来说，答错的代价比答不出更高，所以指数记录下来的这个取舍，价值大过头条上的能力提升。

智能体能力大幅补课，但还不是第一

上一代 Gemini 最弱的一环就是智能体，这次独立跑分显示补课幅度不小。Gemini 4 Argon 在 AutomationBench-AA 上以 78% 排第一，领先 max 档的 Claude Sonnet 5.5 七个百分点，而这项基准考的是能否端到端跑完真实的业务流程。

终端类任务给出的是另一半答案。在 Terminal Bench 4 上，Argon 只有 57%，比 Gemini 3.1 Pro Preview 高 53 分，但同时落后三款模型，Claude Sonnet 5.5 是 64%，Claude Opus 5.5 是 60%，GPT-6 Astra 是 59%。

在考察知识工作的 AA-Briefcase 上，Argon 拿到 1494 Elo，靠的是 65% 的评分细则通过率，这也是 Artificial Analysis 记录到的最高值。不过分项并不好看，分析质量为 1576 Elo，呈现质量只有 1308 Elo。

同一项基准，两套结论

Terminal-bench 4.0 同时出现在两张表里，而它们对谁领先的说法并不一致。谷歌的表把 Argon 放在 57.4%，落后 Claude Opus 5.5 九个百分点。独立跑分把 Argon 放在 57%，落后的是 Claude Sonnet 5.5 的 64%，Opus 5.5 是 60%，GPT-6 Astra 是 59%。Argon 自己的分数几乎一样，围绕它的说法却完全不同。

厂商表格也是某些结果的唯一出处。Harvey 法律智能体基准只在那里出现，Argon 19.6%，GPT-6 Astra 是 5.4%，Claude Opus 5.5 是 3.8%。考察 256k 到 1M 超长上下文的 GraphWalks 也只在官方口径下显示出超过十个百分点以上的领先。这两项都还没有独立复现。

两张表回答的是不同的问题。厂商表说明的是在厂商自己选定的框架和设定下，模型能做到什么。独立表说明的是换个人来跑，它又是什么样。对一款仍然只开放给审核过合作方的模型来说，没有消费者入口，也没有任何可以被重复的会话，只有后一种数字能被房间外的人核查。

两张表都没有错。它们的评测框架、提示词和推理档位都不一样，这正是为什么单独一个排名数字从来不该被单独看待。

拿到第二份意见之后该怎么做

还有一个独立细节解释了长链路任务为什么变得可行。Artificial Analysis 测试了一个叫 Long Decode Continuation 的 Gemini API 特性，它会把长响应暂停，再通过后续调用续写，所以推理可以跑到 100 万输出 token 而不触发请求超时，上一代的输出上限是 6.4 万。上下文窗口为 100 万 token，输入支持文本、图像、视频和语音，输出为文本。

开放范围并没有因为这些数据而改变。Argon 仍然只给 Fairwind 项目中经过审核的防御机构，付费 API 客户和 Google AI Ultra 订阅者是下一批，没有日期。上面所有结果现在都无法在普通账号里复现，这也是把两张表都当作方向性参考的最强理由。

等待期里真正值得做的事，正好是独立数字奖励的那一件。拿今天能调用的模型建一套固定提示词，把输出记下来，等 Argon 开放后用同一套题原样重跑。一款新模型和你自己的基线比，比它和任何别人的表比都更有意义，包括这一篇。

• Argon 目前只能通过 Fairwind 项目接触。
• 输出上限从 6.4 万 token 提升到 100 万 token。
• 现在建好的固定提示词集合，是日后测试 Argon 最省事的方式。