Gemini 4 Argon 智能体成绩单：18 项基准里的领先与落败

发布概况：1M 输出与分阶段开放

Argon 是 Gemini 4 世代的首款旗舰，也是 Google 自 2025 年 11 月 Gemini 3 系之后的又一次旗舰换代。工程层面最大的变化是输出上限：100 万 token，从此前的 64K 一举提升约 15 倍——Google 给出的理由是长程任务（大型代码库迁移、长文档起草、多源金融研究）需要一个响应就能装下完整工作产物，避免任务中途因输出截断而被迫重启。

但这次发布有一个此前旗舰罕见的特征：发布时公众根本用不上。访问分阶段推进：首先通过 Fairwind 计划交给经过审查的网络防御者（据媒体报道，该通道版本不带常规网络安全护栏），随后才是付费 API 客户与 Google AI Ultra 订阅用户，时间表未公布。也就是说，这张 18 项基准的成绩单，是绝大多数买家短期内仅有的可检验依据是 Argon。

总表：18 项基准的完整盘面

Google 公告随附的对比表覆盖 18 项基准，对手是 GPT-6 Astra、Claude Fable 5.1 与 Claude Opus 5.5。多家媒体独立清点后的结论一致：Argon 12 项 outright 领先、1 项并列、5 项落后。以下整理智能体工作最相关的项目（数据来自 Google 发布图表，经多家媒体交叉转述；对手分数多为各厂商自报或取自公开榜单）：

基准	Argon	GPT-6 Astra	Fable 5.1	Opus 5.5	判读
DeepSWE v1.1（长程软件工程）	77.9%	74.1%	67.4%	74.2%	Argon 领先
AutomationBench（企业工作流）	51.3%	41.4%	31.4%	42.5%	Argon 大幅领先
Harvey 法律智能体基准	19.6%	5.4%	6.7%	3.8%	倍数级领先
Vals Index（知识工作总评）	68.9%	63.1%	65.8%	67.0%	Argon 领先
Vals Finance Agent v2	65.4%	53.5%	58.9%	58.6%	Argon 领先
Terminal-Bench 4.0（终端智能体）	57.4%	58.2%	57.9%	66.4%	落后 Opus 5.5 九分
FrontierSWE v2	55.0%	65.5%	56.3%	62.3%	落后 Astra 10.5 分
Terminal-Bench Science 0.1	57.6%	68.1%	52.6%	63.3%	落后 Astra 10.5 分
OSWorld 2.0（离线子集，计算机控制）	69.2%	72.6%	未参评	未参评	落后 Astra 3.4 分
Agent's Last Exam（计算机使用）	39.5%	34.2%	未参评	38.2%	Argon 领先
LABBench 2（生物与基因组）	88.8%	85.4%	68.6%	73.1%	Argon 领先
GraphWalks BFS（256K 至 1M 长上下文）	84.2%	71.8%	65.0%	66.8%	百万级上下文优势

几个表格脚注决定了读法：Fable 5.1 未提供 Agent's Last Exam 分数；Anthropic 系模型被排除在 OSWorld 2.0 离线子集之外；CWE-bench v1 两家 68% 平手、Google 以 pass@4 决出先后。换句话说，这不是一场全员到齐的同题考试。

领先侧：知识工作与长程自动化

领先项目的分布高度聚焦。Harvey 法律智能体基准上 19.6% 对 5.4%/3.8%/6.7% 是整张表里差距最大的单项——绝对值仍然不高（说明法律智能体任务整体远未解决），但相对差距是倍数级的。Vals Index、Vals Finance Agent v2 与 LABBench 2 同向：知识工作、金融分析与科学文献任务全面领先。AutomationBench（Zapier 参与的工作流自动化基准）51.3% 领先 Opus 5.5 近 9 分，也是Argon 的明显强项。

长上下文项目与 1M 输出上限互为印证：GraphWalks 在 256K 至 1M 区间 Argon 84.2% 对 Fable 5.1 的 65.0%，说明百万级窗口不只是参数表上的数字，检索保真度确实随窗口扩大而衰减得更慢。

Google 同时给了三组内部使用案例（均为厂商自报）：数据中心遥测分析智能体找出超过 300 TiB 的内存节省；对已发表的量子计算基线在几分钟内超出 40%；将一个视频解码器改写为内存安全版本、速度提升 2.7 倍且输出一致。这些案例口径无法独立核验，但与「长程、大产物」的产品定位一致。

落败侧：终端编码与计算机控制的失守

落败的 5 项全部集中在编码工具链与计算机控制：Terminal-Bench 4.0 落后 Opus 5.5 达 9 分（57.4% 对 66.4%）、FrontierSWE v2 与 Terminal-Bench Science 均落后 Astra 10.5 分、OSWorld 2.0 落后 Astra 3.4 分。值得注意的是 Google 保留了这些落败行——这张表因此比「全绿」的厂商图表更有阅读价值。

结构与本站此前的多份评测互相呼应：终端编码（Terminal-Bench 系）考验的是 harness 与模型在受限工具面上的多轮试错能力，Anthropic 系在此持续占优；知识工作与长文档则是大规模上下文与推理深度的主场。Argon 的盘面几乎是把这条分界线画了出来：百万 token 输出买来的是知识工作的纵深，不是终端编码的全面性。对选型团队的含义很直接：以终端工程为主的工作流，Opus 5.5 系仍是更稳的选择；以分析、法律、金融、长文档为主的智能体负载，Argon 的账面优势值得在 GA 后实测验证。

定价与输出上限：被低估的两个变量

先把四款旗舰的公开价格表并排看（口径：Argon 为 Google 官方公告；Opus 5.5 与 Fable 5.1 取自公开模型目录；Astra 为媒体报道口径，均可能有企业折扣等未公开变量）：

模型	输入（美元/百万 token）	输出（美元/百万 token）	备注
Gemini 4 Argon	2（引入期）→ 4	10（引入期）→ 20	缓存输入 0.10（约为标准输入 5%）
Claude Opus 5.5	4	20	Argon 引入期后与之一致
GPT-6 Astra	10	50	媒体报道口径
Claude Fable 5.1	10	50	公开模型目录口径

引入期定价输入 2 美元/输出 10 美元（每百万 token），引入期后回到 4/20 美元——与 Opus 5.5 持平，显著低于 GPT-6 Astra（据报道 10/50 美元）。缓存输入 0.10 美元约为标准输入价的 5%。对智能体负载而言，价格表的权重不亚于分数表：智能体单任务动辄消耗数十万 token，同分数下两倍价差就足以反转性价比排序。

输出上限同理。100 万 token 输出改变了「什么任务能一次跑完」的边界：Google 称其内部已在用它处理数万行到 80 万行以上（Fuchsia Zircon 内核）的 C/C++ 到 Rust 迁移。但注意两点：其一，满额度输出的单次响应成本可达 10 美元（引入期）到 20 美元（常规价），长输出是真实的账单项；其二，输出上限高不等于输出质量随长度线性保持，这需要独立评测验证。

厂商自选成绩单的四条阅读规则

1. 基准集是厂商选的：18 项之外的基准不进对比，「12 项领先」的基数本身就是选择的结果；未披露的项目（如各家的旗舰在其他终端编码基准上的表现）要查第三方榜单补全
2. 对手分数多为自报：Astra、Fable 5.1、Opus 5.5 的数字主要来自各自厂商或公开榜单，设置（thinking 档位、工具开闭）未必与 Argon 的最高档位对齐，跨表比较要留有余量
3. 落败行的价值高于领先行：领先项说明「投入了什么」，落败项才暴露「边界在哪」；Google 保留落败行值得肯定，但也应注意到 OSWorld 2.0 排除了 Anthropic 系这类结构性缺席
4. GA 之前一切以独立复现为准：模型尚未公开访问，成绩单是仅有的窗口；本站对历次厂商发布的追踪一再表明，公开可用后的第三方实测与发布图表存在差距是常态而非例外

目前官方及行业暂未披露更多细节（如 GA 时间表、完整技术报告的方法学细节与公平定价的结束时间），后续将持续跟进迭代动态。