谷歌终于发布了苦等七个多月的新旗舰模型 Gemini 4 Argon。在第三方评测机构 Artificial Analysis 的综合智能指数中，Argon 拿到 53 分，追平 GPT-6 Astra，但低于 Claude Opus 5.5 的 58 分。这一成绩让谷歌重新回到第一梯队，但并未实现反超。

过去七个多月里，OpenAI 和 Anthropic 多次迭代旗舰模型，谷歌却迟迟没有推出 Flash 以上级别的产品。Flash 系列虽然能打，但始终无法替代旗舰的位置。对于手握顶级人才、算力和自研芯片的谷歌来说，旗舰缺位的时间越长，外界对其是否掉队的质疑就越多。

Argon 发布后最抢眼的卖点不是性能，而是价格。首发期间，每百万输入 token 定价 2 美元，输出 10 美元。输入单价约为 GPT-6 Astra 的 五分之一，Claude Opus 5.5 的 一半。同时谷歌还提供了高达 95% 的缓存输入折扣，折后低至 0.1 美元/百万 token。这一折扣将持续到 2026 年 11 月 30 日，之后恢复标准价：输入 4 美元、输出 20 美元、缓存 0.2 美元。

从能力分布看，Argon 的强项集中在软件工程、金融法律文书、企业自动化和前沿科研等多步骤任务上。这一代最重磅的升级是通过 Long Decode Continuation 跨请求续写机制，将思考与输出预算从此前的 6.4 万 token 扩展到了最高约 100 万 token。不过这个额度是输入资料、后台草稿和最终答案共用的一个大池子，常规单次请求额度仍在约 3.3 万至 6.5 万 token 之间。

在谷歌公开的 19 行基准评测中，Argon 有 13 行成绩领先对比模型，另有 1 行并列第一。在覆盖金融、代码、法律、税务的 Vals Index 评测中，它以 68.9% 拿下当时 41 个参评模型里的第一；法律细分领域的 Harvey 基准大幅甩开对手；Zapier 企业自动化测试 AutomationBench 拿到 51.3%，领先最接近的对比模型约 9 个百分点。在真实代码仓库修复基准 DeepSWE v1.1 中，Argon 拿到破纪录的 77.9%。

谷歌还放出了几个应用案例：研究人员用 Argon 参与优化开源量子化学工具 xTB，把分子结构预测速度最高提升至原来的 2.3 倍；借助 Argon 在几天内完成自家开源模型 Gemma 4 E2B 推理链路的深度改造，在 A100 显卡和 vLLM 环境下，端到端推理吞吐达到原来的 2.85 倍。在生物与物理科研中，它帮研究人员设计并筛选出 5 种全新酶的候选方案，后续实验室验证全部测出催化活性；在核聚变仿真研究里，它还参与寻找磁场数学模型的新解。

Argon 还有一个讨 B 端客户喜欢的特质：在 AA-Omniscience 测试中，它的答题正确率为 50%，低于 GPT-6 Astra Max 的 63%，但在没答对的回答里，错误作答占比只有 15%，其余为部分回答或没有尝试作答；而 GPT-6 Astra Max 的错误作答比例达到 51%。对于法务、金融、科研等容错率极低的行业，模型宁可承认不知道，也比硬猜更可取。

但切换到另一半榜单和开发者反馈，Argon 的偏科问题就暴露出来。在 10 月 14 日更新的 Agent Arena 总榜上，Argon 排在第四，略高于 GPT-6 Astra。但在考验软件工程能力的 FrontierSWE v2、网页开发 Code Arena，以及终端实操 Terminal-Bench 4.0 中，它的表现就不那么突出，复杂前端交互和 3D 细节生成也在部分开发者测试中暴露出短板。

有媒体援引匿名消息称，部分谷歌员工认为模型在内部测试中表现不够理想，谷歌否认了相关报道的准确性。一些外部开发者反馈，Argon 对提示词非常敏感，默认输出质量只能算平庸，需要额外指令技巧去磨合。在网络安全等敏感任务上，公开版本还保留安全护栏，会拒绝高危请求，移除网络安全护栏的特殊版目前只向定向合作伙伴开放。

最引发讨论的是一位开发者在社交平台晒出的同题对比实测：用相同提示词让 Claude Opus 5.5 和 Gemini 4 Argon 写代码，做一个能被拉扯爪子、压扁、扔出去的橡皮熊交互式物理模拟。Opus 5.5 交出了半透明、带光泽的果冻熊，拉伸和回弹效果自然；Argon 做出来的则像一块硬邦邦的固体塑料，胳膊一拉变成死板的棍子，扔在地上物理碰撞失效，一堆熊直接穿模叠在一起。更扎心的是花费：Opus 5.5 只花了 7.2 美元，而 Gemini 4 Argon 烧掉了 22 美元。

这个案例恰好撕开了谷歌定价策略的尴尬之处：单价便宜，不等于总账单便宜。按优惠价和实际 token 用量测算，Artificial Analysis 给出的综合智能评测平均任务成本为 1.99 美元，确实比 GPT-6 Astra 便宜约 39%，比 Claude Opus 5.5 便宜约 67%。但问题在于，Argon 在高推理设置下的输出 token 消耗太大。第三方评测数据显示，在这套综合智能测试里，Argon High 平均每项任务要吐出约 6.2 万 token，消耗量大约是 GPT-6 Astra Max 的 2.3 倍。输出包括思考 token 的价格为每百万 10 美元，本来就是普通输入价格的五倍。等到 12 月 1 日限时优惠结束，按标准价重算，同一套测试里的平均任务成本会从 1.99 美元涨到 3.98 美元，反过来超过 Astra 的 3.26 美元。

谷歌大张旗鼓搞这场限时半价，想卖的显然不只是 API 调用量。趁着半价和 0.1 美元缓存红利，先把开发者哄进门，争取让企业把代码库、内部文档的处理任务和自动化工作流接入 Gemini，再跟自家的云服务、Workspace、安卓和搜索业务串成一条线。企业级业务最看重稳定，一旦整套自动化流程围绕谷歌的模型和工具搭好，迁移成本就可能高得吓人。到那时，就算价格涨回原价，甚至别家模型在某些榜单上又反超几分，已经进了谷歌生态的企业也未必愿意重新脱坑。

只是企业级用户个个都是人精。如果 Argon 的实力只能交出一个 22 美元塑料熊级别的结果，那这场以价换量的算盘能否打响，仍有待观察。