谷歌杀回前三，但53分背后的账，得替开发者重算一遍
谷歌沉寂7个月，在10月1日凌晨掏出了Gemini 4 Argon，这是它这半年多来首款非Flash级的闭源模型。Artificial Analysis的智能指数里它拿到53分，追平GPT-6 Astra和Fable 5.1，比GPT-6.1 Sol高1分，幻觉率降到15%。同一个评测里，按首发折扣算，完成一个任务平均花1.99美元，是Astra的60%。分数追平、账单变薄，光看这两项，确实值得重新考虑该把活交给谁。
但把分数、报价和用量放在一起，最有意思的地方才出来。这模型算得便宜，却算得很费——打折结束，同样的任务甚至会比Astra更贵。
前三回来了，账得重新算
所谓沉寂7个月，有明确范围：Argon是谷歌超过7个月来第一款高于Flash级别的闭源模型，期间Flash产品一直在出。这次53分，比上一款非Flash模型Gemini 3.1 Pro Preview高23分，比Gemini 3.8 Flash高12分。AA据此判断，谷歌重回智能水平最高的3家实验室之列。
智能指数可以理解为一组能力测试的综合成绩，Argon用high推理档，Astra和Sol用max档。同分说明它们在这套评测里处于相近水平，具体工作还得分开看。Argon目前只向部分用户推送，尚未公开可用。
谷歌怎么吸引这些用户？报价很有诚意。每百万Token，Argon输入收2美元、输出收10美元，两项单价都是Opus 5.5的一半、Astra的1/5。反复用同一段材料，符合条件的输入还能享受95%的缓存折扣，首发期间每百万缓存输入Token只收0.10美元。
看起来相当划算。但可用模型的人付的是整张账单，单价只是其中一项。Argon平均每个任务输出6.2万Token，Astra只用2.7万。把推理过程比作打草稿，它的草稿纸要多写1倍多，每页便宜，架不住写得长。算到任务成本，Argon的1.99美元确实低于Astra的3.26美元、Opus 5.5的5.98美元和Fable 5.1的7.63美元，可Sol只要0.72美元，Argon约是它的2.7倍。
更影响长期选择的是，2美元和10美元属于首发5折促销，谷歌还没公布结束日期。恢复输入4美元、输出20美元的标准价后，按同一评测口径，单任务成本会变成3.98美元，约为Astra的1.2倍。这些数字还有一个共同前提：它们都是智能指数测试里的平均任务成本。让模型改代码、查材料，输入多长、输出多少、能用上多少缓存，都会改变账单，1.99美元不能当成所有工作的统一报价。打算长期接入的人，得拿自己的任务试算，把用量和折扣条件都算进去。
少说错话，也有代价
钱算清了，还得回答Argon好不好用。我最在意的是它处理「不知道」的方式。AA-Omniscience测试里，Argon的幻觉率15%，是智能指数45分以上模型中最低的，Astra为51%，Sol为54%。AA的解释是，Argon更愿意承认不知道，减少猜错后仍然硬给答案的情况。这对用户很有吸引力——碰到不熟悉的问题，回答越流畅，核对起来越容易掉以轻心，模型肯停下来承认能力有限，至少让人知道哪里还得查证。
不过，少编答案和多答对题，是两件事。Argon这项测试的准确率是50%，比Astra的63%低13个百分点，甚至比Gemini 3.1 Pro Preview低5个百分点，综合分42接近Astra的43、与Sol相同。你可以欣赏它的克制，同时承认它答对的问题没有Astra多。15%的幻觉率也仅属于这项测试，不能直接当成所有日常回答的错误率。
真正动手干活的Agent能力，则呈现出另一种参差。AutomationBench-AA上Argon以77.5%拿第一，但Terminal Bench 4里它得57%，虽然比Gemini 3.1 Pro Preview提高53个百分点，仍落后于Sonnet 5.5、Opus 5.5和Astra。AA-Briefcase也有类似反差：满足评分细则的比例达到65%、是AA测到的最高值，分析质量和呈现质量却偏低。能按要求交活，和交出一份分析透彻、表达清楚的成果，中间仍有距离。
安全领域更抓人。CWE-bench v1检查模型能否真正修好漏洞，Argon以68%并列第一。谷歌还称它能自行发现、验证漏洞并生成PoC，也就是证明漏洞确实存在的验证示例。修得怎样，终于可以沿着代码往下看了。
谷歌已经让它干上了机房里的活
比榜单更让我在意的，是谷歌自己的使用情况。据谷歌透露，Argon智能体分析了数据中心的性能数据，找到内存优化点，相关改动随后上线，释放了超过300 TiB内存。有正在运行的系统、有性能数据、有改动、也有部署后的结果，这是评测之外的证据。这里要说明，300 TiB指的是释放出来的内存容量，不能直接换算成省下多少电费或服务器采购费，材料没有给出这样的账。
同一份材料还提到，Argon正参与把C/C++代码迁移到Rust，涉及超过80万行内核代码，部署前要经过大量审计和测试。要分清，迁移仍在推进，不能把80万行都算成已经上线的成果。视频解码器的例子则更完整：谷歌称，智能体用安全Rust替换了3.2万行SIMD代码——这类代码负责让多份数据并行处理，对运行效率很重要。结果是现有Rust版本快了2.7倍，视频输出保持一致。速度提高，结果还得对得上，工程工作的要求就落在这里。
Argon支持1M Token上下文，可接收文字、图片、视频和语音，输出文本。对漫长任务，Gemini API新增的Long Decode Continuation允许长回复暂停，再通过后续调用接着输出，让推理最长跑到1M输出Token，避免请求超时。这里有两个不同的长度：上下文决定它一次能容纳多少材料，输出决定它能把过程持续多长。分次接着输出解决了长任务被请求超时打断的问题，至于最后做得对不对，仍要靠检查和测试。
OpenAI、Anthropic和谷歌的竞争，因此又有了三方较量的意味。折扣什么时候结束，榜单还能领先多久，都有变数。谷歌已经让AI参与改造自家基础设施，这件事更值得追踪。下次模型发布，我想多看一点这样的结果——修好了什么、省下了什么、哪些改动已经上线。53分令人兴奋，真正用起来之后留下的成果，才值得长期买单。