Gemini 4 Argon 獨立實測：Google 自測表沒寫的東西，第三方測出來了

第二張表在同一天出現

Google 在 2026 年 9 月 30 日的公告末尾附了一張十八行的對照表。同一天，Artificial Analysis 也給出了自己對這款模型的讀數，用的是它自己跑的評測，而不是廠商提供的數字。

在 Artificial Analysis 的智能指數上，Gemini 4 Argon 在高推理檔位拿到 53 分，與 max 檔的 GPT-6 Astra 持平，比 GPT-6.1 Sol 高 1 分。和 Google 自己近一年半的成績比，跨度更大，比 Gemini 3.1 Pro Preview 的 30 分高 23 分，比 Gemini 3.8 Flash 高 12 分。

這份獨立報告由此得出一個結論，Google 重新回到智能水平前三的位置。Argon 也是 Google 七個多月來第一款高於 Flash 級別的閉源模型，這和 Google 旗艦線十個月的空窗正好對上。

本文數字來自 Google 2026 年 9 月 30 日的 Gemini 4 Argon 公告，以及 Artificial Analysis 同日發布的獨立評測結果。

為什麼這一輪要等獨立評測

發布前三週，一個標註為 gemini-3.8-flash 的匿名模型出現在公開競技場的盲測裡，在程式碼、圖形與智慧體任務上明顯強過真正的 Gemini 3.8 Flash。開發者普遍推斷這就是 Gemini 4 的早期版本，但顯示名一直沒有變，Google 也從未認領。

2026 年 9 月 18 日流傳出的一張基準圖，把這個未確認的模型排在 GPT-6 Astra 與 Claude Fable 5.1 之前，涵蓋長流程程式開發與電腦操作，還附了一份據稱的定價。這些數字在多家媒體之間轉了一圈，始終沒有落到一款 Google 真正點名過的模型上。

這並不是說那張流出的圖是錯的，而是說它無法被驗證。9 月 30 日出現的東西性質不同，它帶著公開的評測框架、寫明的推理檔位，以及一份可以拿去對照公開價目表的成本數字。

• 競技場上的那個馬甲顯示為 gemini-3.8-flash，Google 從未確認過它的身分。
• 流傳的基準圖日期是 2026 年 9 月 18 日，比正式發布早十二天。
• Artificial Analysis 自己跑評測，不轉述廠商提供的數字。

每個任務 1.99 美元，便宜來自價目表

預算真正在意的是每個任務的成本。按目前五折的上市優惠價，Gemini 4 Argon 每個智能指數任務花 1.99 美元，max 檔的 GPT-6 Astra 是 3.26 美元。在智能水平相近的前提下，Argon 只花了對手六成的錢。

但和更便宜的那款 OpenAI 模型比，方向就反過來了。同一個評測裡，GPT-6.1 Sol 的每任務成本比 Argon 低 2.7 倍。而優惠一旦結束，Argon 的數字會升到 3.98 美元，變成 GPT-6 Astra 的 1.2 倍，不再便宜。

原因不在效率。Argon 平均每個任務輸出約 6.2 萬 token，GPT-6 Astra 只有 2.7 萬，它是靠花更多 token 換到同樣的分數，贏在單價上。快取輸入也變便宜了，折扣從 Gemini 3.8 Flash 的九折優惠提到 95%。

Sol 那一行並不是官方公布的每任務成本，而是用報告裡給出的 2.7 倍關係對 1.99 美元反推出來的，放在這裡只是為了看方向，不能當作報價使用。

15% 的幻覺率，同級最低

這份獨立報告裡最鋒利的結論不是能力分數。在 AA-Omniscience 上，這項評測同時考察答得對與不知道時肯不肯說不知道，Gemini 4 Argon 的幻覺率是 15%，是智能指數 45 分以上所有模型裡最低的一個，對比之下 GPT-6 Astra 是 51%，GPT-6.1 Sol 是 54%。

把準確率那一半放進來，畫面就更細。Argon 答對的比例是 50%，比 Gemini 3.1 Pro Preview 低 5 分，比 GPT-6 Astra 的 63% 低 13 分。而在 AA-Omniscience 的綜合分上，三款模型只差 1 分以內，Argon 與 Sol 是 42 分，Astra 是 43 分。

這個拆分說明的是一款寧可拒答也不硬猜的模型。對於無人值守、要連續跑很長任務鏈的工作來說，答錯的代價比答不出更高，所以指數記錄下來的這個取捨，價值大過頭條上的能力提升。

智慧體能力大幅補課，但還不是第一

上一代 Gemini 最弱的一環就是智慧體，這次獨立跑分顯示補課幅度不小。Gemini 4 Argon 在 AutomationBench-AA 上以 78% 排第一，領先 max 檔的 Claude Sonnet 5.5 七個百分點，而這項基準考的是能否端到端跑完真實的業務流程。

終端類任務給出的是另一半答案。在 Terminal Bench 4 上，Argon 只有 57%，比 Gemini 3.1 Pro Preview 高 53 分，但同時落後三款模型，Claude Sonnet 5.5 是 64%，Claude Opus 5.5 是 60%，GPT-6 Astra 是 59%。

在考察知識工作的 AA-Briefcase 上，Argon 拿到 1494 Elo，靠的是 65% 的評分細則通過率，這也是 Artificial Analysis 記錄到的最高值。不過分項並不好看，分析品質為 1576 Elo，呈現品質只有 1308 Elo。

同一項基準，兩套結論

Terminal-bench 4.0 同時出現在兩張表裡，而它們對誰領先的說法並不一致。Google 的表把 Argon 放在 57.4%，落後 Claude Opus 5.5 九個百分點。獨立跑分把 Argon 放在 57%，落後的是 Claude Sonnet 5.5 的 64%，Opus 5.5 是 60%，GPT-6 Astra 是 59%。Argon 自己的分數幾乎一樣，圍繞它的說法卻完全不同。

廠商表格也是某些結果的唯一出處。Harvey 法律智慧體基準只在那裡出現，Argon 19.6%，GPT-6 Astra 是 5.4%，Claude Opus 5.5 是 3.8%。考察 256k 到 1M 超長上下文的 GraphWalks 也只在官方口徑下顯示出超過十個百分點以上的領先。這兩項都還沒有獨立重現。

兩張表回答的是不同的問題。廠商表說明的是在廠商自己選定的框架與設定下，模型能做到什麼。獨立表說明的是換個人來跑，它又是什麼樣。對一款仍然只開放給審核過合作方的模型來說，沒有消費者入口，也沒有任何可以被重複的對話，只有後一種數字能被房間外的人核查。

兩張表都沒有錯。它們的評測框架、提示詞與推理檔位都不一樣，這正是為什麼單獨一個排名數字從來不該被單獨看待。

拿到第二份意見之後該怎麼做

還有一個獨立細節解釋了長鏈路任務為什麼變得可行。Artificial Analysis 測試了一個叫 Long Decode Continuation 的 Gemini API 特性，它會把長回應暫停，再透過後續呼叫續寫，所以推理可以跑到 100 萬輸出 token 而不觸發請求逾時，上一代的輸出上限是 6.4 萬。上下文窗口為 100 萬 token，輸入支援文字、圖像、影片與語音，輸出為文字。

開放範圍並沒有因為這些資料而改變。Argon 仍然只給 Fairwind 計畫中經過審核的防禦機構，付費 API 客戶與 Google AI Ultra 訂閱者是下一批，沒有日期。上面所有結果現在都無法在一般帳號裡重現，這也是把兩張表都當作方向性參考的最強理由。

等待期裡真正值得做的事，正好是獨立數字獎勵的那一件。拿今天能呼叫的模型建一套固定提示詞，把輸出記下來，等 Argon 開放後用同一套題原樣重跑。一款新模型和你自己的基線比，比它和任何別人的表比都更有意義，包括這一篇。

• Argon 目前只能透過 Fairwind 計畫接觸。
• 輸出上限從 6.4 萬 token 提升到 100 萬 token。
• 現在建好的固定提示詞集合，是日後測試 Argon 最省事的方式。