Gemini 4 Argon 基準數據未呈現的設定差異與定價風險

過去兩星期，Google 一直向開發者表示，Gemini 4 Argon 是其推出過能力最強的模型。相關圖表隨處可見：Argon 略勝 Claude Opus 5.5 和 GPT-6 Astra 的長條圖、每百萬個輸入 token 收費 $2 的價格，以及在公開競技場排行榜上名列第一的成績。不過，目前廣泛流傳的基準測試表格，採用的是大多數訂戶永遠不會使用的設定；而宣傳中的價格也設有期限。以下會説明宣傳簡報沒有提及的事，以及如果你正考慮把工作負載轉移過來，實際上哪些因素才重要。

Google 實際公佈了甚麼

Google 於 30 September 發布 Gemini 4 Argon，並於本週正式開放使用。開發者可透過 API 使用此模型，現時的入門價格為每百萬個輸入 token $2、每百萬個輸出 token $10。Google AI Pro 用戶可在 Gemini app 和 Search 的 AI Mode 中使用 Argon 的推理能力。但他們無法使用 Google Antigravity；這是一個代理式編碼環境，可編輯多個檔案、執行測試，並在無需人手逐步提示的情況下反覆調整；目前仍只供 Ultra 用戶使用。

此模型配備 1,048,576 個 token 的上下文視窗，輸入、內部推理和輸出共用此容量。預設情況下，每次回覆最多輸出 65,536 個 token；較長時間執行的背景請求可串接 64K 延續步驟，令總輸出 token 數最高約達一百萬。模型可接收文字、圖片、影片、音訊和 PDF，但只會以文字回覆，也不支援生成圖片或音訊。

人人都在分享的基準測試表格

Google 表示，在其自行比較的 19 項基準測試中，Argon 有 13 項勝過 GPT-6 Astra 和 Claude Opus 5.5。科技媒體最常引用、由 VentureBeat 報道的競爭模型分數如下：

• DeepSWE v1.1（軟件工程）： Argon 77.9%，Opus 5.5 74.2%，GPT-6 Astra 74.1%

• Zapier AutomationBench（商業自動化）： Argon 51.3%，Opus 5.5 42.5%，Astra 41.4%

• Terminal-Bench 4.0（終端機任務）： Argon 57.4%，Opus 5.5 66.4%，Astra 未有公佈

• Artificial Analysis Intelligence Index： Argon 53，Opus 5.5 58，Astra 53

這些模型在軟件工程和自動化任務上的成績確實出色。不過，請仔細看看欄目標題：Google 自家的表格和大部分媒體報道，採用的都是 Argon 在 High 推理設定下的分數。預設設定是 Medium。這個分別幾乎改變了一切，箇中細節如下。

細節：這些分數是在 High 模式下測得

Argon 提供三種思考層級：低、中、高，預設為中。Google 公佈的分數是在 High 模式下測得，並非訂戶開箱即用的設定。獨立測試清楚顯示兩者的差距：在 Artificial Analysis 的 Intelligence Index 上，Argon 在 High 模式下得分 52.56，與 GPT-6 Astra 的 52.67 相差不到半分，但比 Claude Sonnet 5.5 的 56.00 和 Claude Opus 5.5 的 57.62 低約五分。獨立測試也確認了一項亮點：Argon 的幻覺率為 15%，是該指數中所有得分高於 45 的模型之中最低的；相比之下，Astra 在最高設定下的幻覺率為 51%。

預設推理力度下的情況則較不明朗。Cursor 表示，Argon 在 CursorBench 的預設推理力度測試中得分為 52.8%，與 Opus 5.5 相若。Scale AI 在其 Sixth Sense 測試中以 55.4% 的得分將 Argon 排名第一。這些結果可信，但仍屬初步；Arena 的文字排行榜根據 4,942 票將 Argon 排名第一，得分為 1525，並明確標示為初步結果。

工程師比較模型時，還有一個較不易察覺的陷阱。三間主要實驗室現在都把預設推理力度稱為「medium」，但三家的文件頁面都沒有表示這三項預設設定會投入相同的思考量。切勿把不同來源的數據混在同一張比較表中：Anthropic 提供的 Opus 5.5 Terminal-Bench 數據是在 xhigh 推理力度下測得，而 Google 的數據則來自其以 High 設定自行進行的測試。

定價：目前便宜，日後翻倍

每 $2/$10 的價格是優惠價，妥善編列預算的方法，是按優惠期後的價格計算工作負載成本。第三方報道指出，價格會翻倍至每百萬個輸入 token $4、每百萬個輸出 token $20；其中一家媒體指出生效日期為 1 December 2026，另一家則表示優惠價會維持至 2026 年底。Google 尚未公開確定日期，因此任何具體截止日期都應視為未經確認。對歐洲團隊而言，按目前匯率計算，每百萬個 token 的輸入成本約為 €1.80，輸出成本約為 €9.00，未計增值税。

為甚麼這很重要？獨立成本分析顯示，按優惠價計算，Argon 在 Artificial Analysis 指數上的每項任務成本約為 $1.99，約為 GPT-6 Astra 的 60%。按優惠期後的價格計算，情況便會逆轉：每項任務成本約為 $3.98，約為 Astra 目前價格的 120%。如果你今天遷移工作流程，卻忘了在 1 月重新計算，推理費用便會悄悄翻倍。正如一個比較網站所説：「按全價編列預算，而不是按優惠價。」

API 的實際情況：遷移時容易忽略的問題

Argon 有幾項行為與舊版 Gemini 模型或競爭對手的模型不同，團隊移植程式碼時容易因此遇上問題：

• 推理設定是唯一重要的調節項。將 thinking_level 設為 low、medium 或 high。傳統的取樣參數 temperature、top_p 和 top_k 雖然會被接受，但系統會悄悄忽略。

• 快取只會自動處理。明確呼叫 cachedContents 會失敗；系統只支援對至少 4,096 個 token 的提示詞進行隱式快取。

• 取得第一個 token 的時間較長。獨立基準測試顯示，對於含有 10k 個 token 的提示詞，在收到第一個回答 token 前的中位時間約為 43-45 秒。Google 的遷移檢查清單建議，對於較難處理的提示詞，HTTP 用戶端逾時設定至少應為 15 分鐘。

• 長篇輸出需要使用背景模式。由於同步輸出的上限為 64K，要生成最多一百萬個輸出 token，必須使用背景請求，由 Google 的伺服器串接後續生成步驟。

最簡潔而如實的呼叫模式如下：

from google import genai

client = genai.Client(api_key="YOUR_API_KEY")

# thinking_level: "low" | "medium" (default) | "high"
# High matches the benchmark tables; Medium is what you
# actually get by default. Test both on YOUR prompts.
response = client.models.generate_content(
    model="gemini-4-argon",
    contents="Refactor this ETL pipeline to handle late-arriving events...",
    config={
        "thinking_level": "high",
        "max_output_tokens": 65_536,
    },
    # Google recommends HTTP timeouts of at least 15 minutes
    # for hard prompts against this model.
)
print(response.text)

請注意，這段程式碼沒有設定甚麼：沒有 temperature，也沒有快取設定。在 Argon 中，這些都是無效的控制項。

開發人員實際回報的情況

新聞稿中的説法與開發者論壇上的説法並不相同。在一個有 80 則留言討論這次發布的 Facebook 開發者羣組中，大多數親身測試的用戶表示失望：他們認為 Argon 在多頁網站及動態圖像製作方面的輸出不及 Claude Opus 5.5 準確；一名測試者稱其物理模擬器較差，亦有數人認同 Google 過度吹捧這次發布。少數人則認為 Argon 表現相若或速度更快，並把偏好差異歸因於 Claude 的設計品味。同一討論串亦釐清了存取權方面的疑惑：Pro 訂戶可在 Gemini app 使用 Argon，並非只有 Ultra 用戶可以；這與最初對發布頁面的解讀相反。

Bloomberg 報道，一些 Google 員工認為，Argon 在編碼及前端工作上的表現未如其基準測試成績所示；Google 稱這種説法並不準確。Red Dragon AI 的 Sam Witteveen 向 VentureBeat 作出了目前最持平的評價：這是一款相當出色的模型，但未見得是目前最佳選擇。

數據亦印證了這個模式。Argon 的優勢主要集中在 Agent 式編碼及商業自動化基準測試（DeepSWE、AutomationBench、CyberBench），獨立測試顯示它在這些項目上大幅領先 Opus 5.5。大量使用終端機的工作及前端程式碼仍是 Opus 的強項，也是開發者感受到差距的地方。

是否應該轉用？

暫時不要只因價格而轉用，也不要全面轉換。證據指向一個範圍較窄、也更實用的決策：

• 值得先試用：商業自動化 Agent、法律及金融知識型工作、長篇文件分析，以及任何比起原始分數更重視幻覺率的工作。Argon 的 15% 幻覺率，是整場發布中最站得住腳的單一數據。

• 用自己的程式碼測試兩者：至於一般軟件工程，先用 Argon 的 High 模式及 Opus 5.5 的 high effort，針對你實際程式碼儲存庫中的任務進行測試，再考慮遷移任何工作。DeepSWE 的 77.9% 對 74.2% 差距，到了你的技術堆疊上未必仍然存在。

• 在 Argon 通過你的終端機基準測試之前，繼續使用 Opus 或 GPT 處理大量使用終端機的 Agent 式工作。Terminal-Bench 上的 66.4% 對 57.4% 並非小差距。

• 核准前，按 $4/$20 重新計算成本。若按初期優惠價格核准遷移，到新一年可能就會遇上預算意外。

我們仍未知道的事

坦誠面對，就必須把未知之處説清楚。截至訂閲用戶版推出時，Google 發布的數據表尚未經獨立重現。初期優惠價格的確切結束日期尚未確認（不同報道分別指 1 December 2026 和 1 January 2027）。Google 的方法説明頁面連結至 Anthropic 的 Opus 5.5 系統卡，而不是 Argon 的系統卡，因此目前有關安全及評測方法的資訊，只有 Google 自己的説法。此外，使用額度限制生效後，訂戶實際使用 High 模式要付出甚麼成本仍不清楚。請細閲細則、自行進行評測，切勿只憑一份新聞稿就遷移生產流程。