半价Gemini 4 Argon实测：省下的钱，都赔在准确率上了

谷歌在9月30日向一小批测试者发布Gemini 4 Argon时，附了一张跑分表：18项测试里，Argon在14项上领先Claude Opus 5.5。其中DeepSWE是77.9%对74.2%，256K到100万token的GraphWalks是84.2%对66.8%。两周后的10月13日，谷歌把Argon开放给付费的Gemini API开发者。

谷歌也如实标出了Opus 5.5赢的地方。剩下四项基准里Opus领先，包括测试命令行智能体工作的Terminal-bench 4.0，66.4%对57.4%。

价格上谷歌也在压Anthropic一头，至少眼下如此。到11月30日为止，Argon每百万输入token收2美元、输出收10美元，是Opus 5.5的一半。12月1日起涨到4美元和20美元，与Opus持平。开发者大约有六周时间来判断：Argon是更强，还是只是更便宜。

跑分不等于真实工作，半价窗口也只有当质量追平对手时才有意义。为了验证这一点，有人用三个高难度任务对两个模型做了正面对比，选的正是谷歌声称领先的类别。

测试通过OpenRouter在谷歌和Anthropic各自的服务器上运行，每个模型每项任务只跑一次，使用默认推理设置。评分脚本对照事先构建并核验过的答案键打分，答案键设置了更多评分维度，以保证测试的质量与彻底程度。

三个任务分别是：一，在3500行Python库中找出14个植入的逻辑bug和5个诱饵，并修复找到的问题；二，一份订阅计费引擎的规格说明，由80个隐藏测试评分，覆盖夏令时、月末日期和舍入，后续追加两种货币和20个测试；三，一个包含400个服务、依赖关系分散的假wiki，分三种规模，每个模型回答三个带陷阱的图问题。

Bug hunt这一项打平。两个模型都找全了14个bug，包括4个需要跨三个以上文件追踪取值才能发现的；也都没有误报诱饵。后续修复环节，两者都修好了全部14个bug，没有破坏任何93个既有测试。

差别在成本。Argon平均每找到一个bug花1美分，Opus是2.4美分。这个均值是按每次调用的总费用算出来的，不是逐个bug实测。即便按12月1日的全价，Argon仍然更便宜，因为它用的token更少。

具体数字：审查环节，Argon输入53031、输出3964，花费0.15美元，耗时43.0秒；Opus输入64572、输出4053，花费0.34美元，耗时38.9秒。修复环节，Argon输入54923、输出24292，花费0.35美元，耗时186.6秒；Opus输入66465、输出34263，花费0.95美元，耗时219.8秒。

计费规格这一项，准确率开始分叉。Opus通过了全部80个隐藏测试，追加货币后通过全部100个。Argon先是通过11/80，之后是20/100。

Argon大面积失败的原因不是逻辑差，而是早期犯了一个小错：它给Python的datetime.combine()多传了一个参数，触发报错，而模块大部分逻辑都依赖这个辅助函数。手动改掉那一行之后，Argon拿到80/80和100/100。官方评分仍按原样保留，但这个过程值得说明，而不只是列分数。

整体上Argon更便宜，但低价期结束后两者的价格差会消失，只是Argon更低的token用量仍会让它在这项测试上更省钱。

具体数字：构建环节，Argon输入3907、输出3727，花费0.05美元，耗时54.1秒；Opus输入5236、输出7763，花费0.18美元，耗时63.0秒。追加环节，Argon输入8881、输出4673，花费0.06美元，耗时41.5秒；Opus输入11807、输出7267，花费0.19美元，耗时51.9秒。

长上下文这一项问题最大。两家厂商的token计数方式不同：同一份50万token文档，在Argon上是549483个token，在Opus上是784087个。90万token的文档在Claude的分词器下变成140万token，被Anthropic的API直接拒绝。于是补了一份约60万token的文档，这是两个模型都能装下的最大规模。

在每个跑过的规模上，两个模型都完美答对了三个问题中的两个。分歧出现在爆炸半径问题上——一个服务挂掉时，要求列出所有随之宕掉的服务，正确答案是33个。

Opus在50万规模下答对全部33个，60万规模下答对32个，没有错误项。Argon在50万规模下对20个错8个，60万规模下对19个错16个，90万规模下对23个错2个。在60万和90万规模下，它把某个依赖当成已移除，而wiki里其实已经恢复了该依赖。与计费那个bug不同，这不是小失误，Argon在每一种规模上都把推理做错了，这是明显的危险信号。

另一个观察是，Argon在这个长上下文测试里跑得飞快，不展示任何分步推理，Opus则因为先推理而耗时更长。这直接体现在token用量上：Opus用了超过5000个token，大部分用于推理，Argon只有243到425个。这很可能与Argon的错误答案有关，但仅凭一次运行无法证明因果。

Argon在这里更便宜，但不值得在类似任务上使用，因为它基本不准确，也相当草率。

具体数字：50万规模，Argon输入549483、输出264，花费1.10美元，耗时24.2秒；Opus输入784087、输出5532，花费3.25美元，耗时68.3秒。60万规模，Argon输入652492、输出425，花费1.31美元，耗时32.4秒；Opus输入935332、输出5158，花费3.84美元，耗时69.1秒。90万规模，Argon输入982367、输出243，花费1.97美元，耗时41.5秒；Opus未运行。

实测结果与谷歌的跑分表并不吻合。Argon在代码审查和修复上与Opus打平，成本不到一半；它在规格测试上因为一行坏代码落败；在每一个长上下文爆炸半径问题上，它要么漏掉服务，要么凭空编造服务。

基于这些测试，结论是不建议使用Argon。它确实更便宜，在bug hunt上也和Opus一样准，但在另外两项测试里共事之后，很难在任何任务上无条件信任它。Opus 5.5是Anthropic的主力模型之一，独立评测机构Artificial Analysis的指数给它58分，Argon是53分。谷歌在努力追赶，但还没追上。