谷歌推出了个“做题家”：Gemini 4 Argon屠榜，但干活差点意思

文 | 字母AI Gemini 4可算来了，连名字也换了：这次的旗舰不叫Pro，叫Argon。 从谷歌公布的成绩看，Gemini 4 Argon在知识工作方面表现抢眼，多项测试超过了OpenAI和Anthropic的旗舰模型。 它主打一个知识面广，从金融、法律到数学、科学，都有不错的表现。 谷歌还确认，9月15日在LMArena上亮相、表现接近GPT-6 Astra的“3.8 Flash”，其实就是Gemini 4 Argon。 曾与Anthropic、OpenAI并驾齐驱的谷歌，此前因Gemini 3.5 Pro表现未达预期，加上内部人事动荡，一度掉队。 这一次，谷歌能靠Gemini 4 Argon翻盘吗？ Gemini 4 Argon性能如何？ 据谷歌介绍，Gemini 4 Argon采用了公司迄今规模最大的预训练。这也是谷歌时隔10个月推出的新一代旗舰。 和其他旗舰模型一样，它瞄准的是长程编程任务、企业级知识工作和网络安全防御。 在谷歌公布的18项基准测试中，Argon拿下12项第一、1项并列第一；GPT-6 Astra拿下3项第一、1项并列第一，Claude Opus 5.5则拿下2项第一。 至少在这份成绩单上，谷歌的领先项目数超过了OpenAI和Anthropic。 在长程软件工程测试DeepSWE v1.1中，Argon以77.9%的成绩刷新纪录，高于Astra的74.1%和Opus 5.5的74.2%。 在衡量知识工作能力的Vals Index中，Argon以68.9%的成绩排名第一；在Zapier的业务自动化测试AutomationBench中，它以51.3%领先，Opus 5.5和Astra分别为42.5%和41.4%。 在金融研究测试Vals Finance Agent v2中，Argon得分65.4%；在法律任务测试Harvey Legal Agent中，它得分19.6%，Astra为5.4%，约为它的四分之一。 在长视频理解测试LVBench中，Argon得分91.7%；在GraphWalks的长上下文图检索测试中，得分84.2%。 网络安全方面，Argon与Astra在CWE-bench v1中以68%并列第一。在Gray Swan的提示注入测试中，针对Argon的攻击成功率仅为0.7%，是参测模型中最低的，Astra则为8.5%。 成绩单很漂亮，但Argon并非处处领先。 它的短板，出现在部分软件工程、终端操作和科学任务上。 在FrontierSWE v2中，Argon得分55.0%，Astra为65.5%；在Terminal-Bench Science 0.1中，两者分别为57.6%和68.1%。两项测试中，Argon都落后10.5个百分点。 在衡量Agent终端操作能力的Terminal-Bench 4.0中，Argon得分57.4%，也低于Opus 5.5的66.4%和Astra的58.2%。 这些结果说明，Argon在知识工作上有优势，但面对一些需要持续操作、执行的任务，仍未追上对手。 Argon的另一个特点是少说没把握的话。在Artificial Analysis的AA-Omniscience测试中，它的幻觉率最低。 在未能答对的问题中，Argon只有15%给出了错误答案，其余选择承认“不知道”。这一指标衡量的是模型有多爱“瞎编”，不等于答题正确率。 作为对比，GPT-6 Astra在不同推理设置下的幻觉率为45%至51%，Opus 5.5和Fable 5.1在最高推理设置下分别为59%和73%。 不过，榜单成绩还不能直接等同于使用体验。谷歌自报的测试结果，尤其需要结合独立评测来看。 GPT-6 Astra此前自报ARC-AGI-3成绩达到99.9%，随后就引发了对测试可信度的质疑。 Gemini 4 Argon发布不到一小时，也有外媒质疑其评分，称部分试用过的谷歌员工认为，分数高于实际表现。 在Artificial Analysis公布的智能指数图中，Argon得分53分，与Astra、Claude Fable 5.1同分，低于Opus 5.5。 目前，普通用户和开发者还用不上Argon。首批获准使用的是谷歌Fairwind计划中的网络安全防御人员。 价格倒是颇有吸引力。尝鲜期内，Argon每百万输入token收费2美元，每百万输出token收费10美元；缓存命中的输入价格再降95%，为每百万token 0.10美元，低于Astra和Opus 5.5。 尝鲜期结束后，标准价格将恢复至每百万输入token 4美元、输出token 20美元，与Opus 5.5相同。 Pro去哪了？ Argon意为氩，是一种化学性质稳定、很少与其他物质发生反应的稀有气体，算得上元素周期表里的“宅男”。 谷歌称，新的“元素命名法”是为了将旗舰架构与更轻量的Flash系列区分开。 有意思的是，Argon首次公开露面时，却披着Flash的外衣。9月15日，它以“gemini-3.8-flash”的名字出现在LMArena上。 不少网友拿它做鹈鹕测试，发现效果与Astra相差无几，纷纷感叹：Flash都这么强了，Pro还了得？如今谜底揭晓，他们提前试到的就是旗舰。 除了性能，谷歌这次还着重介绍了Argon的安全设计。此前，谷歌与OpenAI、Anthropic一样，都曾曝出模型被越狱的问题。 这一次，谷歌为首批用户提供了一个移除网络安全护栏的特别版本。 谷歌称，这样做是为了减少模型误拒绝正常安全研究请求的情况，让防御人员能够检查潜在攻击入口、发现并修补漏洞。 谷歌还介绍了“监控内部激活”的安全手段，用来识别模型推理过程中的风险信号。 这意味着，安全检查除了筛查输入，还会监控模型的思维链和内部激活信号。 一旦检测到模型正在生成进攻性网络行为的相关内容，运行时监控系统就会中断生成。 据谷歌介绍，Argon已经在公司内部干起了活。 它帮助量子计算团队优化编译流程，将时空开销较已发表的基线降低40%；分析跨数据中心的性能数据并修补问题，释放超过300 TiB内存；将C/C++代码迁移至Rust，涉及re2、libgav1，以及80万行的Fuchsia OS Zircon内核。其中，libgav1的3.2万行SIMD代码被改写为安全的Rust代码后，运行速度达到原Rust版本的2.7倍，输出结果保持一致。 9月14日，谷歌还曾联合马里兰大学、弗吉尼亚大学发布论文《Dream-RSI》。 这篇论文提出，将Agent过去的搜索历史保存为一棵“发现树”，让它沿着这棵树反复“做梦”，离线尝试不同的探索策略，无须重新运行真实实验。 在六个数据集上，这种方法将发现型Agent的调用次数降至原来的约1/162，减少了探索过程中的调用开销。 Argon也采用了这套方法，以提高训练效率。 谷歌这一阵到底去哪了 自Gemini 3 Pro发布以来，谷歌已近10个月没有推出新一代旗舰。 2026年2月19日，谷歌推出了Gemini 3.1 Pro小幅更新，但原定6月发布的Gemini 3.5 Pro迟迟未能通过内部测试。 当时，行业竞争的重心已转向编程和Agent，Gemini 3.5 Pro却未能在多文件代