谷歌推出了個“做題家”：Gemini 4 Argon屠榜，但幹活差點意思

字母AI2026.10.01 16:16 · 來自北京全文3510字00:00 / 09:31消失10個月的谷歌，為什麼連Pro這塊招牌都扔了？文 | 字母AIGemini 4可算來了，連名字也換了：這次的旗艦不叫Pro，叫Argon。從谷歌公佈的成績看，Gemini 4 Argon在知識工作方面表現搶眼，多項測試超過了OpenAI和Anthropic的旗艦模型。它主打一個知識面廣，從金融、法律到數學、科學，都有不錯的表現。谷歌還確認，9月15日在LMArena上亮相、表現接近GPT-6 Astra的“3.8 Flash”，其實就是Gemini 4 Argon。

曾與Anthropic、OpenAI並駕齊驅的谷歌，此前因Gemini 3.5 Pro表現未達預期，加上內部人事動盪，一度掉隊。這一次，谷歌能靠Gemini 4 Argon翻盤嗎？Gemini 4 Argon性能如何？據谷歌介紹，Gemini 4 Argon採用了公司迄今規模最大的預訓練。這也是谷歌時隔10個月推出的新一代旗艦。和其他旗艦模型一樣，它瞄準的是長程編程任務、企業級知識工作和網絡安全防禦。在谷歌公佈的18項基準測試中，Argon拿下12項第一、1項並列第一；GPT-6 Astra拿下3項第一、1項並列第一，Claude Opus 5.5則拿下2項第一。

至少在這份成績單上，谷歌的領先項目數超過了OpenAI和Anthropic。在長程軟件工程測試DeepSWE v1.1中，Argon以77.9%的成績刷新紀錄，高於Astra的74.1%和Opus 5.5的74.2%。在衡量知識工作能力的Vals Index中，Argon以68.9%的成績排名第一；在Zapier的業務自動化測試AutomationBench中，它以51.3%領先，Opus 5.5和Astra分別為42.5%和41.4%。在金融研究測試Vals Finance Agent v2中，Argon得分65.4%；在法律任務測試Harvey Legal Agent中，它得分19.

6%，Astra為5.4%，約為它的四分之一。在長視頻理解測試LVBench中，Argon得分91.7%；在GraphWalks的長上下文圖檢索測試中，得分84.2%。網絡安全方面，Argon與Astra在CWE-bench v1中以68%並列第一。在Gray Swan的提示注入測試中，針對Argon的攻擊成功率僅為0.7%，是參測模型中最低的，Astra則為8.5%。成績單很漂亮，但Argon並非處處領先。它的短板，出現在部分軟件工程、終端操作和科學任務上。在FrontierSWE v2中，Argon得分55.0%，Astra為65.5%；在Terminal-Bench Science 0.

1中，兩者分別為57.6%和68.1%。兩項測試中，Argon都落後10.5個百分點。在衡量Agent終端操作能力的Terminal-Bench 4.0中，Argon得分57.4%，也低於Opus 5.5的66.4%和Astra的58.2%。這些結果說明，Argon在知識工作上有優勢，但面對一些需要持續操作、執行的任務，仍未追上對手。Argon的另一個特點是少說沒把握的話。在Artificial Analysis的AA-Omniscience測試中，它的幻覺率最低。在未能答對的問題中，Argon只有15%給出了錯誤答案，其餘選擇承認“不知道”。

這一指標衡量的是模型有多愛“瞎編”，不等於答題正確率。作為對比，GPT-6 Astra在不同推理設置下的幻覺率為45%至51%，Opus 5.5和Fable 5.1在最高推理設置下分別為59%和73%。不過，榜單成績還不能直接等同於使用體驗。谷歌自報的測試結果，尤其需要結合獨立評測來看。GPT-6 Astra此前自報ARC-AGI-3成績達到99.9%，隨後就引發了對測試可信度的質疑。Gemini 4 Argon發佈不到一小時，也有外媒質疑其評分，稱部分試用過的谷歌員工認為，分數高於實際表現。

在Artificial Analysis公佈的智能指數圖中，Argon得分53分，與Astra、Claude Fable 5.1同分，低於Opus 5.5。目前，普通用戶和開發者還用不上Argon。首批獲准使用的是谷歌Fairwind計劃中的網絡安全防禦人員。價格倒是頗有吸引力。嚐鮮期內，Argon每百萬輸入token收費2美元，每百萬輸出token收費10美元；緩存命中的輸入價格再降95%，為每百萬token 0.10美元，低於Astra和Opus 5.5。嚐鮮期結束後，標準價格將恢復至每百萬輸入token 4美元、輸出token 20美元，與Opus 5.5相同。Pro去哪了？

Argon意為氬，是一種化學性質穩定、很少與其他物質發生反應的稀有氣體，算得上元素週期表裡的“宅男”。谷歌稱，新的“元素命名法”是為了將旗艦架構與更輕量的Flash系列區分開。有意思的是，Argon首次公開露面時，卻披著Flash的外衣。9月15日，它以“gemini-3.8-flash”的名字出現在LMArena上。不少網友拿它做鵜鶘測試，發現效果與Astra相差無幾，紛紛感嘆：Flash都這麼強了，Pro還了得？如今謎底揭曉，他們提前試到的就是旗艦。除了性能，谷歌這次還著重介紹了Argon的安全設計。此前，谷歌與OpenAI、Anthropic一樣，都曾曝出模型被越獄的問題。

這一次，谷歌為首批用戶提供了一個移除網絡安全護欄的特別版本。谷歌稱，這樣做是為了減少模型誤拒絕正常安全研究請求的情況，讓防禦人員能夠檢查潛在攻擊入口、發現並修補漏洞。谷歌還介紹了“監控內部激活”的安全手段，用來識別模型推理過程中的風險信號。這意味著，安全檢查除了篩查輸入，還會監控模型的思維鏈和內部激活信號。一旦檢測到模型正在生成進攻性網絡行為的相關內容，運行時監控系統就會中斷生成。據谷歌介紹，Argon已經在公司內部幹起了活。

它幫助量子計算團隊優化編譯流程，將時空開銷較已發表的基線降低40%；分析跨數據中心的性能數據並修補問題，釋放超過300 TiB內存；將C/C++代碼遷移至Rust，涉及re2、libgav1，以及80萬行的Fuchsia OS Zircon內核。其中，libgav1的3.2萬行SIMD代碼被改寫為安全的Rust代碼後，運行速度達到原Rust版本的2.7倍，輸出結果保持一致。9月14日，谷歌還曾聯合馬里蘭大學、弗吉尼亞大學發佈論文《Dream-RSI》。這篇論文提出，將Agent過去的搜索歷史保存為一棵“發現樹”，讓它沿著這棵樹反覆“做夢”，離線嘗試不同的探索策略，無須重新運行真實實驗。

在六個數據集上，這種方法將發現型Agent的調用次數降至原來的約1/162，減少了探索過程中的調用開銷。Argon也採用了這套方法，以提高訓練效率。谷歌這一陣到底去哪了自Gemini 3 Pro發佈以來，谷歌已近10個月沒有推出新一代旗艦。2026年2月19日，谷歌推出了Gemini 3.1 Pro小幅更新，但原定6月發佈的Gemini 3.5 Pro遲遲未能通過內部測試。當時，行業競爭的重心已轉向編程和Agent，Gemini 3.5 Pro卻未能在多文件代碼重構、自主Agent執行等任務中，展現出相對OpenAI和Anthropic的明確優勢。7月17日，外媒報道稱，Gemini 3.

5 Pro因編程表現不達標，將推遲數月發佈。當天，Alphabet股價一度下跌4%。8月，DeepMind迎來人事調整。哈薩比斯卸任DeepMind CEO，轉任Alphabet首席科學家；傑夫則離開首席科學家崗位，與朋友創業。科雷·卡武克丘奧盧（Koray Kavukcuoglu）接掌DeepMind，直接向皮查伊彙報。外媒將其視為谷歌近年來最大的一次AI領導層調整。這段時間，谷歌主要靠Flash系列維持聲量，同時啟動Fairwind計劃，與多家網絡安全公司合作。9月24日，科雷表示，Gemini 4已進入後訓練階段，將盡快發佈，不必等到年底。如今，Gemini 4 Argon終於來了。

我的谷歌會員要不要續，等真正用上它再說。