本文看点 01 一、这张表到底说了什么 02 二、两个被低估的数字：100 万输出和 0.95 折缓存 03 三、最大的槽点：你现在还用不上
先给结论：Gemini 4 Argon 在 DeepSWE v1.1 上拿了 77.9%，GPT-6 Astra 是 74.1%，Claude Opus 5.5 是 74.2%——这是真实长线软件工程任务的基准，不是那种刷题库的分。表格里十几项里 Argon 领先了大部分，但不是全赢，下面细说。
01 一、这张表到底说了什么 KEY INSIGHT
谷歌这次罕见地把完整对比表直接挂在了官网上，维度拉得很满：
挑几项值得看的：
01 DeepSWE v1.1（Agentic coding）：Argon 77.9%，GPT-6 Astra 74.1%，Opus 5.5 74.2%。真实长线代码工程基准，Argon 创了纪录。 01 Vals Index（企业知识工作）：Argon 68.9%，Astra 63.1%。金融、法律、编码、税务全覆盖。 01 LVBench（长视频理解）：Argon 91.7%，Astra 87.5%，Opus 5.5 83.7%。 01 Terminal-bench 4.0：Opus 5.5 66.4%，Argon 57.4%——终端操作 Claude 还是更强。 01 OSWorld-2.0（电脑操作）：Astra 72.6%，Argon 69.2%——GPT-6 在图形界面上还压一头。
也就是说，「追平 GPT-6」不是谷歌自吹，但它赢的项和输的项一样值得看：编程工程、企业知识工作、长视频理解，Argon 压过去了；终端操作和图形界面操作，还是 GPT-6 和 Claude 的地盘。
02 二、两个被低估的数字：100 万输出和 0.95 折缓存 KEY INSIGHT
跑分之外，有两个数字我觉得更实在。
第一个是输出 token 上限从 6.4 万提到 100 万。注意是「输出」不是「上下文窗口」——意味着模型可以在单条轨迹里连续推理、生成几十万 token 不断片。对跑长任务的人来说，这比跑分有用：代码迁移、长篇研报、多步骤数据分析，以前做到一半模型就断了，现在可以一口气跑完。
第二个是价格：输入每百万 token 2 美元，输出 10 美元，命中缓存的输入直接打 0.95 折（95% off）。这个定价在旗舰模型里算是贴着成本打的，GPT-6 Astra 现在的定价是输入 10 美元、输出 50 美元——Argon 的输入价是它的五分之一。
你可能会问：跑分这么高，为什么普通用户摸不到？往下看。
03 三、最大的槽点：你现在还用不上 KEY INSIGHT
谷歌这次的发布策略很不寻常：Argon 不直接开放 API，先通过一个「Fairwind 计划」给受信任的网络安全防御团队用，普通开发者和消费者都要排队。官方说法是「在更广泛开放前继续强化安全防护」，但具体时间表没给。
这个操作在 X 上直接被吐槽了。有开发者说：「跑分是领先了，但我们根本用不了，又要等 waitlist。」
说实话我也挺费解——旗舰首发搞邀请制，OpenAI 和 Anthropic 都没这么干过。
04 四、「刷榜」质疑和谷歌的回应 KEY INSIGHT
彭博社在发布当天泼了冷水：多名谷歌内部员工爆料，Argon 基准测试是大杀四方，但扔进真实业务代码就频繁卡壳，尤其前端开发极其拉胯。这种「分数碾压、实战拉胯」的现象，业内有个专门的词叫 Benchmaxxing——客户爱看分，工程师就投其所好疯狂刷榜。
谷歌发言人的回应很硬气，说「Gemini 4 在编程等领域表现不佳」完全不准确。DeepMind 负责人 Koray Kavukcuoglu 也出来稳定军心：「我对团队有绝对信任，我们将永远站在最前沿。」
彭博的报道里还有个细节：内部员工分成两派，一派认为对手进步更快，一派认为已经追平。这种撕裂比外部质疑更说明问题。
05 五、我的判断 KEY INSIGHT
Argon 这张牌，谷歌打得又急又小心。急在于 Gemini 3.5 Pro 跳票之后，急需一个能打的旗舰稳住阵脚；小心在于能力越强越不敢随便放出去，先给安全团队用，再考虑大众市场。
对普通读者来说，结论很简单：模型很强，价格很香，但你现在还用不上，先收藏这个定价等 API 开放。
对行业来说，这张官方对比表最大的意义是：GPT-6 不再是没有对手的存在了。旗舰模型的竞争从今天起进入「三足鼎立」阶段，接下来就看谁能先把「跑分领先」变成「开发者真的在用」。
评论