苦等七个月没憋出王炸，谷歌新旗舰模型刚发布就打骨折

作者｜黄晓彬

原创首发｜蓝字计划

曾经的大模型三巨头，如今看着更像两个巨无霸，带着一个小老弟。

这个“小老弟”，说的就是谷歌。

OpenAI 和 Anthropic 在今年都不知道已经发了多少代新旗舰模型了，谷歌却在七个多月里都没有推出 Flash 以上级别的新模型。Flash 再能打，终究也替不了旗舰的位置。

一个手握顶级人才、算力和自研芯片的巨头，总不能真就这么掉队了吧？

现在，这个等了许久的旗舰终于来了：Gemini 4 Argon。

在第三方评测机构Artificial Analysis 的综合智能指数中，Argon 拿到 53 分，追平 GPT-6 Astra（低于 Claude Opus 5.5 的 58 分），谷歌总算重新挤进了第一梯队。

按理说，憋了这么久，谷歌该把最硬的成绩拍到桌上，让大家看看谁才是老大。但Argon 这次最抢眼的卖点，却是便宜。

首发期间，每百万输入token 2 美元，输出 10 美元。输入单价只有 GPT-6 Astra 的五分之一，Claude Opus 5.5 的一半。

这就有意思了。过去，低价高效是Flash 这类轻量模型最常打的牌，旗舰负责的则是把模型能力的天花板撑爆。

如今谷歌等了这么久才端出新旗舰，怎么也先吆喝起性价比来了？

专啃硬骨头的“理科重劳力”

仔细看Gemini 4 Argon 的能力分布就会发现，谷歌这次最拿得出手的成绩，主要落在软件工程、金融法律文书、企业自动化和前沿科研这些多步骤的苦力活上。

为了干这些重活，这一代最重磅的升级，是通过Long Decode Continuation 跨请求续写机制，将思考与输出预算从此前的 6.4 万 token 扩展到了最高约 100 万 token。

不过这里得先泼盆冷水：这100 万 token 是个“共用大池子”。你喂进去的资料、模型自己在后台琢磨的草稿，再加上最后吐出来的答案，三者加起来一共只有约 100 万的额度。

也就是说，你塞给它的参考资料越多，留给它思考和写答案的空间就越少。而且常规单次请求的额度仍在约3.3 万至 6.5 万 token，真想让它敞开写，得把长解码配起来。

话虽如此，这个升级对企业来说依然很振奋人心的。

以往面对完整代码库重构、数百页财报研判或者复杂的企业内部工作流，输出额度不够、任务频繁中断，是开发者会碰到的麻烦。现在有了跨请求续写和更大的处理空间，模型就能更连贯地把长链路任务跑完了。

在谷歌公开的19 行基准评测结果里，Argon 有 13 行成绩领先对比模型，另有 1 行并列第一，偏向真实业务的硬核测试尤其亮眼。

比如在覆盖金融、代码、法律、税务的Vals Index 评测中，它以 68.9% 拿下了当时 41 个参评模型里的第一；法律细分领域的 Harvey 基准大幅甩开对手；Zapier 企业自动化测试（AutomationBench）拿到 51.3%，领先最接近的对比模型约 9 个百分点。

到了软件工程和科研领域，谷歌放出的几个案例，更能看出它啃硬骨头的底子：

在真实代码仓库修复基准DeepSWE v1.1 中，Argon 拿到了破纪录的 77.9%。落到实战里，研究人员用它参与优化开源量子化学工具 xTB，把分子结构预测速度最高提升至原来的 2.3 倍，相关代码已经提交至 GitHub 官方仓库。

另一个很能说明问题的实验是“底层调优”：研究人员借助 Argon，短短几天就完成了自家开源模型 Gemma 4 E2B 推理链路的深度改造，在 A100 显卡和 vLLM 环境下，生成质量分毫不差，端到端推理吞吐直接达到原来的 2.85 倍。

按谷歌的说法，以前这种抠细节的底层苦差事，工程师团队通常得熬好几个月时间才能干完。

而在生物与物理科研中，它帮研究人员设计并筛选出5 种全新酶的候选方案，后续进实验室验证，五种方案居然全都测出了催化活性；在核聚变仿真研究里，它还参与寻找磁场数学模型的新解，为检验仿真程序提供测试基准。

虽说科研成果仍要经过严谨验证，但作为帮研究人员筛方案、找思路的工具，它已经展示出了压缩试错周期的潜力。

另一方面，Argon 还有一个很讨 B 端客户喜欢的特质：知之为知之，不知为不知。

在AA-Omniscience 测试中，Argon 的答题正确率为 50%，其实低于 GPT-6 Astra Max 的 63%。

但有意思的是，在那些没答对的回答里，Argon 的错误作答占比只有 15%，其余包括部分回答和没有尝试作答；反观 GPT-6 Astra Max，这个比例达到 51%，也就是说在一些它不知道的问题上，它还是选择嘴硬硬猜。

对于法务、金融、科研这类容错率极低的行业来说，宁可模型摊手说不知道，也绝不能让它一本正经地瞎编数据。

所以，如果只看上面这些长链路任务和官方演示，Gemini 4 Argon 简直是个任劳任怨的模范员工。

但只要把视角切换到另一半榜单和开发者的真实反馈里，就会发现这名“理科重劳力”偏科偏得相当严重。

一做精细活就露怯

在10 月 14 日更新的 Agent Arena 总榜上，Argon 排在第四，略高于 GPT-6 Astra。

不过，到了考验软件工程能力的FrontierSWE v2、网页开发 Code Arena，以及考验终端实操的 Terminal-Bench 4.0，它就没那么风光了，复杂前端交互和 3D 细节生成也在部分开发者的测试里暴露出了短板。

纸面跑分和真实体感之间的温差，也很快引发了争议。

有媒体援引匿名消息称，部分谷歌员工认为模型在内部测试中的表现不够理想，谷歌否认了相关报道的准确性；一些外部开发者上手后也吐槽，这模型对提示词非常娇气，默认输出质量只能算平庸，得靠额外的指令技巧去慢慢磨合。

而且在网络安全等敏感任务上，公开版本还保留着安全护栏，会拒绝高危请求，移除网络安全护栏的特殊版目前只向定向合作伙伴开放。

最让谷歌尴尬的，是一位开发者在社交平台上晒出的同题对比实测：

他用相同的提示词，让Claude Opus 5.5 和 Gemini 4 Argon 写代码，做一个“能被拉扯爪子、压扁、扔出去的橡皮熊”交互式物理模拟。

结果高下立判。Opus 5.5 交出来的确实是颗半透明、带光泽的果冻熊，拉一下爪子会拉伸成细丝再弹回去晃动，压扁了像煎饼一样摊开又能回弹。

而Argon 做出来的完全是一块硬邦邦的固体塑料，胳膊一拉直接变成一根死板的棍子，扔在地上连物理碰撞都失效了，一堆熊直接穿模叠在一起。

更扎心的是这位开发者在结尾标出的花费：做出完美果冻熊的Opus 5.5 只花了 7.2 美元，而搓出塑料废品的 Gemini 4 Argon，居然烧掉了 22 美元。

这就把所有人看懵了：不是刚吹完输入单价只有Opus 的一半吗？怎么活儿没干好，钱反而是对方的三倍左右？

看似便宜，实则更贵了

“22 美元塑料熊”的翻车现场，恰好撕开了谷歌这次定价策略里的尴尬之处：单价便宜，但不等于总账单便宜。

先把谷歌这套设计精巧的API 价格表摆出来看看：

在2026 年 11 月 30 日之前的首发优惠期，Argon 输入 2 美元/百万 token，输出 10 美元/百万 token；同时给了一个高达 95% 的缓存输入折扣，折后低至 0.1 美元/百万 token。到了 12 月 1 日，则会恢复到两倍于优惠价的标准价（输入 4 美元、输出 20 美元、缓存 0.2 美元）。

按优惠价和实际token 用量测算，Artificial Analysis 给出的综合智能评测平均任务成本为 1.99 美元，确实比 GPT-6 Astra 便宜约 39%，比 Claude Opus 5.5 便宜约 67%。

尤其是那个0.1 美元的缓存骨折价，如果你的业务像代码 Agent 或企业文档审查那样，每天成百上千次地反复读取同一座代码库、同一批旧合同，一旦命中缓存，那价格的确便宜得没朋友。

但问题在于，这模型在高推理设置下的输出token 消耗实在太大了。

第三方评测数据显示，在这套综合智能测试里，Argon High 平均每项任务要吐出约 6.2 万 token，消耗量大约是 GPT-6 Astra Max 的 2.3 倍。而且输出，包括思考 token的价格，达到了每百万 10 美元，本来就是普通输入价格的五倍。

这说明，很多时候Argon 只是看起来便宜。模型在后台多想、多写，照样会增加费用；如果效果不好，还得反复重试，最终的结果就是根本省不了几个钱。

等到12 月 1 日限时优惠结束，那 Argon 的价格还得起飞。按标准价重算，AA 同一套测试里的平均任务成本会从 1.99 美元涨到 3.98 美元，反过来超过 Astra 的 3.26 美元。

既然眼下的优惠只剩一个半月左右，高推理设置下又这么费token，谷歌为什么还要大张旗鼓地搞这场“限时半价”？

只能说，谷歌想卖的，显然不只是API 调用量。

趁着11 月底前的半价和 0.1 美元缓存红利，先把开发者哄进门，争取让企业把代码库、内部文档的处理任务和自动化工作流接入 Gemini，再顺手跟自家的云服务、Workspace、安卓和搜索业务串成一条线。

考虑到企业级业务最看重的就是稳定，一旦公司的整套自动化流程都围绕谷歌的模型和工具搭好了，迁移成本就可能高得吓人。到那时，就算12 月准时涨回原价，甚至别家模型在某些榜单上又反超了几分，已经进了谷歌坑的企业们，估计也不会愿意重新脱坑了。

其实，如果不从这个角度来解释，真的很难想象当年恐怖如斯的谷歌，怎么会憋了七个月之后，只交出了Argon 这样的旗舰模型；而且在性能不突出的情况下，只维持了一个半月的便宜价格。

但企业级用户们一个个都是人精。如果Argon 的实力就只能交出一个“22 美元的塑料熊”级别，那就真的只能祝谷歌好运了。

参考资料：

硅基深蓝：《跑分打平GPT-6，谷歌Gemini 4发布，限时半价》

新智元：《谷歌物理真觉醒！全新Gemini 4 Argon一大波实测来了》

爱范儿：《Gemini 4 发布：限时半价！性价比「斩杀」 GPT-6 和 Opus 5.5》

数字生命卡兹克：《实测Gemini 4 Argon - Google这跌跌撞撞的背水一战。》