AREX Feed Article
Gemini 4 Argon 发布日独立评测：智能指数追平 GPT-6 Astra、成本约为其六成，Every 实测重构仅 21%
10 月 13 日（UTC），Gemini 4 Argon 全球开放首日，两份独立评测在同一天落地。独立评测机构 （AA）于当天 18:00 给出评分：Argon 在 AA Intelligence Index（智能指数）得 53 分，与 OpenAI GPT-6 Astra 持平，按折扣价计每任务成本 1.99 美元、约为 Astra 的六成；15% 的 AA-Omniscience 幻觉率是 45 分以上模型中最低的。稍早，Every CEO Dan Shipper 贴出：写作与快速原型出色，但在 Senior Engineer 重构基准上只拿 21%，远低于 GPT-6 Astra、Fable 5.1、Sonnet 5.5 与 Opus 5.5 的 81%～85%。则给出定价脚注：2026 年 11 月 30 日介绍期结束后，转为每百万 token 输入 4 美元、输出 20 美元。
Argon 在 9 月 30 日首次亮相时，仅向 的获批网络安全防御者等有限人群开放；10 月 13 日，Google 它经付费 Gemini API 与 AI Studio、Gemini platform 面向开发者与企业全球可用，AI Ultra 订阅者可在 Antigravity 中调用，Ultra 与 Pro 订阅者可在 Gemini 应用和 Search 的 AI Mode 中使用，介绍价每百万 token 输入 2 美元、输出 10 美元。
AA 数据卡的细节：61.6K token 一个任务，缓存折扣升至 95%
AA 的数据卡给出了这组对比的参数：Argon（high 推理配置）跑完一个基准任务平均消耗 61.6K 输出 token；AA 强调，成本对照是在与 GPT-6 Astra（max）同等智能的水平上进行的。
帖文给出的两个判断：Google 时隔 7 个多月才再次拿出 Flash 档以上、面向公众的专有前沿模型；agentic（代理式执行）能力明显改善，AA-Briefcase、AutomationBench-AA、Terminal Bench 4 等评测较以往 Google 模型大幅提升——AA 称这历来是 Google 模型落后于领先同行的领域。AA 还记录了一个价格细节：缓存读取折扣为 95%，高于以往 Gemini 模型的 90%。
VentureBeat 按 AA 截至 10 月 13 日的评测数据整理的榜单显示，53 分让 Argon 与 GPT-6 Astra、Claude Fable 5.1 持平，低于 Claude Opus 5.5（58 分）、Claude Sonnet 5.5（56 分）和前一天（10 月 12 日）发布的 Meta Muse Wonder Full（56 分），高于 Meta Muse Wonder（52 分）。该表注明：分数反映被评测的推理配置，并非所有模型都有同等的公开 API 可用性。
Every 六人实测：35 分钟的心率应用，4 小时 47 分钟的重构
比 AA 评分早近两小时，Dan Shipper 在推文里放出了 的结论：六个人测了一周，覆盖编码、写作、设计与知识工作。他自称「看到基准分数时本准备开喷」，测完一周却「惊喜不少」。
写作是这份实测里最被称道的部分。Shipper 称 Argon 为「我新的最爱写作搭档」，说 DeepMind 请职业写手拿红笔清除 AI 腔，「奏效了」；他用它理顺文章结构、磨利比喻。从零构建也快：在低强度设置下，Gemini 4 用 35 分钟为 Kieran Klaassen 做出一个可用的摄像头心率监测应用，质量与 Claude Opus 5.5 相当，并在该测试上胜过 OpenAI 的模型。
短板集中在自我验证和既有代码库。Klaassen 的 38 次基准运行中，17 次把代码审查步骤在 30 毫秒内开合了事，没有真正检查自己的改动；在 Shipper 自建的 Senior Engineer 重构基准上——任务是把一个 vibe coding 随手生成的混乱代码库重构好——Argon 干了 4 小时 47 分钟，得 21%，而 GPT-6 Astra、Fable 5.1、Sonnet 5.5、Opus 5.5 同题成绩在 81%～85% 之间。对 Google 的 Antigravity 桌面代理应用，Shipper 的评价是落后 Claude Code 与 Codex 六个月到一年：没有云环境、SSH、内置浏览器和智能权限检查，用户要么不停点弹窗，要么开无限制的 Turbo 模式。他对这套环境的总结是：当一个模型好到逼着你去用糟糕的宿主（harness）时，「这本身就说明了些什么」。
Every 文章的公开部分交代了时间线：Google 自 Gemini 3 Pro（2025 年 11 月）之后再无旗舰大更新，2 月只有一次 3.1 Pro 小幅升级，夏季连发四次 Flash 快速更新，而承诺中的 Gemini 3.5 Pro 始终停在测试阶段。他在推文里总结：DeepMind 已经追平模型差距，现在轮到 Google 把模型周围的应用带进 2026 年。
官方脚注补上常规价与到期日
9 月 30 日首发时，Google 没有说明介绍价何时结束。这一次，的脚注写明：介绍期于 2026 年 11 月 30 日到期后，每百万 token 输入 4 美元、输出 20 美元的常规价生效，且「仅适用于面向公众开放的 Argon 模型」。Google AI Studio 的长文公告与博客同文，脚注一并可见；VentureBeat 的对照是，9 月 30 日只公布过 $2/$10 的介绍价，如今到期日与常规价数字有了官方文字。
价格表的参照系（VentureBeat 整理）：介绍价下，Argon 每 token 是 Claude Opus 5.5（$4/$20）的一半、GPT-6 Astra（$10/$50）的五分之一，缓存输入介绍价为每百万 token 0.10 美元；12 月 1 日起，Argon 与 Opus 5.5、Meta Muse Wonder 同处 $4/$20 档，而 Claude Sonnet 5.5 与 GPT-6.1 Sol 仍在 $2/$10 档。
还有一个口径变化：官方博客称 Argon 经 Gemini API 提供「行业领先的 100 万统一输入输出 token 上限」；VentureBeat 指出，9 月 30 日的说法是 100 万输出 token 上限（由 64,000 提升），新公告改为强调输入输出合并上限、经一种 continuation（续写）协议实现，Google 没有说明这一上限与单次响应最大 token 数的关系。提前试用过模型的 Sam Witteveen（Red Dragon AI 联合创始人兼 CEO，VentureBeat 主持人与合作伙伴）在评测视频里提醒：这一能力需要 API 配置，不是消费级产品里的常态，企业应先测既有工作流，而不是为用满新上限重构系统。
Vals Index 68.90% 居首，测试者称「好，但不是最好」
与综合榜不同，专业任务榜单把 Argon 排在了第一。VentureBeat 援引 Vals AI 的数据（截至 10 月 12 日）：在覆盖金融、法律服务、编码与税务、按 GDP 加权的 Vals Index 上，Argon 以 68.90% 排名第一，领先 Claude Sonnet 5.5（67.04%）与 Claude Opus 5.5（66.97%）；在 Finance Agent v2 基准上，它以 65.40% 居受测模型之首。Google 官方公告也把「Vals Index 第一」写进发布文案，称该榜衡量金融、编码、法律、税务等关键经济部门的模型表现。
Witteveen 的整体评价更平：「这个模型非常、非常、非常好。但它是现在最好的模型吗？我真不这么认为。」他演示中最出彩的是泛化：用一条较短的提示，Argon 在 Gemini 应用里复刻出 ReBirth 风格的浏览器音乐制作应用，带合成音色、鼓机、滤波器和经典 Roland 风格的步进音序器，界面可交互、音频代码可直接运行。他说「这个模型似乎非常擅长泛化」。对 Antigravity，他不松口：「我还是不认为它比得上 Claude Code 或 Codex，差得远。」
未独立复现的公司口径，与留给买家的评估窗口
官方公告列举的成效——助 Chrome 团队把约 600 万行遗留浏览器功能代码从 Chromium 的 4,000 万行代码库中分离、连夜优化开源 ADK Python 框架（长会话内存会话准备时间降 40%、冷导入提速 21%）、为 Wiz 发现并修复医疗基础设施的关键漏洞、设计 5 个经实验室确认具催化活性的新酶、让 Apptronik 的 Apollo 人形机器人连投 7 次 cornhole——全部是公司单方口径。VentureBeat 写得直接：这些例子对 AI 辅助工作的描述「异常具体」，但仍是公司自报结果，而非经独立复现的企业评估。同一口径下的数字还有：每月超 10 万名员工经内部版 Antigravity 使用 Argon，四周内代理代码提交量增加逾 35%、回滚减少近三分之一，以及在不到 3 小时里检视 134 个老旧软件 bug、认定其中 97 个已过时或重复。
VentureBeat 称，这是一个明确且相对较短的低价评估窗口；它同时提醒，综合基准说明不了哪个模型在某个组织自己的软件、数据和流程里最好，答案只能来自生产环境测试。
竞争节奏未必等这个窗口走完。VentureBeat 援引 Business Insider 10 月 10 日的报道称，Google 员工已在内部测试代号 Barium 与 Carbon 的 Gemini 4 更新版本，部分测试者报告编码能力显著提升；Google 对内部测试与后续发布计划拒绝置评。