AREX Feed Article
t3.gg CEO Theo Browne 实测称 Gemini 4 Argon 编码「完全不可用」、过半说法有错
2026 年 10 月 14 日 20:02（UTC），Gemini 4 Argon 全球推送约 28 小时后，t3.gg CEO、开发者 Theo Browne 在 X 上发出他对这款 Google 新前沿模型的一手实测结论：「Gemini 4 Argon 已被证明在我的代码库里对真实编码工作完全不可用。它对系统如何运作大量幻觉。」54 秒后，他在同一串帖里把判断量化：在他跑过的几乎每一项测试中，这个模型超过一半的说法与事实不符。主帖在发布约四个半小时后获得 2,137 次点赞、209 条回复和 153,679 次浏览，回复区同时聚起了同类失败报告和对其测试方法的质疑。
主帖两句结论，跟帖给出量化判断
Browne 的 X 账号 @theo 有约 40.6 万粉丝，简介自述为 t3dotcodes 与 t3dotchat 的全职 CEO、兼职 YouTuber、投资人与开发者。他的正文只有两句结论，附一张截图，没有文字版的测试配置或任务清单。同串的附上第二张截图，并把判断展开为三点：这不是常见的「这方面差 5%、那方面好 3%」；「在我跑过的几乎每一项测试里，Gemini 超过一半的说法与事实不符」；「这个模型就是个不折不扣的负资产（a straight up liability）。别让它碰你的代码」。截至 UTC 10 月 15 日凌晨，这条跟帖获得 350 次点赞、约 2 万次浏览。
回复区两极：同类失败报告与「也许是你的代码库」
回复串里很快分出两边。一侧是相似体验。用户 tivoboy 说它「撒谎、胡编，编得非常离谱——比如研究报告，里面带着假的 NIH（美国国立卫生研究院）或 PubMed（生物医学文献数据库）链接和参考文献」，并附上自己的； 写道「很高兴看到有幻觉问题的不止我一个。我发了 7 个 prompt（提示词），它忘了 3 次」； 说「在 medium effort（中等推理力度）档跑了 30 分钟，它没能让一个简单的开关按钮改变状态」。
另一侧质疑测试方法与动机。 回了一张 GIF，配文「也许是你的代码库的问题」； 追问「你是在拿 high effort 和 max effort 比？」； 问「为什么 Argon 给出的说法数量是其他模型的两倍？」； 提出另一种变量：「有没有可能 harness（代理框架）是一个因素，甚至主要因素？」 则怀疑动机：「这读起来几乎像一场付费舆论操作。和 Google 的工程师坐下来一起测，或者当场复现这些问题。」用户 贴出评测数据截图，追问「为什么它在 AA 上的幻觉率这么低」； 则把问题指向模型本身：「所以是刷基准刷出来的？」
体验也并非一边倒。 说「在我的代码里它其实表现相当好」； 给出折中用法：「写代码用 Opus 或 Fable，Argon 留给写作和世界知识。两个我都用，各有各的好。」
同一条时间线上：官方在推什么
差评出现之前，发布日（10 月 13 日）的官方输出按小时排开：16:05， 宣布 Gemini 4 Argon 开始向 Google AI Pro 与 Ultra 订阅者全球推送，串帖列举了生成可分享 web 应用、可直接打印的 3D 文件、Antigravity 的 agentic（智能体式）编码界面进入 macOS 版 Gemini 应用等更新；约 20 分钟后，聚合平台 宣布 Argon 经 Google AI Studio 与 Google Cloud 上线，并称其在 AutomationBench（51.3%）与 LVBench（91.7%）居首、CWE-bench v1（68%）并列第一，输入/输出定价为每百万 token 2 美元/10 美元（引入期定价）；19:07， 宣布 Argon 在 GitHub Copilot 全面 GA，并援引自家早期测试称它「在每一个编码基准上解决的任务数都超过此前 Gemini 模型，收益最大的是 Copilot CLI」，「它会彻底检查自己的工作，完成前先测试边缘用例」。
10 月 14 日，Google 侧的推介继续：17:25，Google DeepMind 发称 Argon「已经在量子计算、核聚变、蛋白质设计等领域解锁新的科学突破」，并在中宣布为 1 万名科学家免费提供 6 个月 Google Antigravity 最高用量档；19:06，The Verge 发表评论文章，把 Argon 描述为「一款 Google 宣称在众多基准上匹敌或击败 OpenAI 与 Anthropic 旗舰产品的新前沿模型——不论这些基准如今还值多少参考价值」，并指出其引入期每 token 定价最多比对手低 80%；19:49， 连发串帖，推介 Argon Tennis、Desk Racer、Wizard Chess 3D、Pocket World Terrarium、Arcade Game Generator、3D GPU Fur Simulation 这 6 个示范应用，并引导用户去 AI Studio「build with Gemini 4 Argon」。13 分钟后，Browne 的「完全不可用」出现在同一条时间线上。
「每一个编码基准」与「我的代码库」：暂无交集的两种口径
目前可见的两份关键材料并没有真正对上。GitHub 说的是编码基准上的任务数，且明示出自家早期测试；Browne 说的是他的私有代码库里的真实编码工作，帖文未附可复现的配置。回复区里被反复提出的 effort 档位、harness、说法数量统计等变量，也正是两套口径之间没有对齐的部分。Google 侧账号在同一天的输出，仍是示范应用推介与科研计划。
截至 UTC 10 月 15 日凌晨，可以核对的素材是：Browne 的两条帖子、整条回复串，以及仍在推送的官方演示。他在随后发布的视频里给出了更直接的版本：应避免使用该模型。至于这个模型在其他代码库里表现如何，目前公开可见的，是回复区那些互相矛盾的个人体验。