Gemini 4 Argon 实测：跑分、价格和真实体验

Gemini 4 Argon 在 10 月 13 日全面开放，API 与订阅端入口不同，首期 API 价格到 11 月 30 日是输入每百万 token 2 美元、输出 10 美元。

9 月 30 日（美国时间），Google CEO Sundar Pichai（@sundarpichai）发布了先行预览并附上跑分表，Google 官方同日称首批用户是通过 Fairwind Program 的网络安全防御者。

这条官方帖子配图是 Sundar Pichai 在 9 月 30 日先行公布的跑分表，列出 Gemini 4 Argon 与 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 在 19 项基准上的成绩。（条目：劈柴提前放料 Gemini 4 Argon 与跑分）

10 月 13 日正式开放后，API 可在 AI Studio 和 Gemini 平台使用，模型 ID 是 gemini-4-argon；Gemini 应用和 AI Mode 对 Pro 和 Ultra 订阅者开放，Antigravity 首发给 Ultra 订阅者。有用户报告付费 AI Pro 在 10 月 16 日才在 Antigravity 获得入口，这一点在我们核查的官方页面上没有确认。

价格方面，输入每百万 token 2 美元、输出 10 美元，缓存输入价格再打 95% 折扣；2026 年 11 月 30 日之后涨到输入 4 美元、输出 20 美元。Gemini API 的统一输入输出 token 上限是 100 万。

Google 模型卡里的自测数字显示，Argon 在 Vals Index、DeepSWE、长上下文 GraphWalks 和 LVBench 领先，但在 Terminal-bench 4.0 落后 Opus 5.5，在 FrontierSWE 上落后 Astra 和 Opus。这些是厂商自测数字。

表：Google 模型卡里的部分基准成绩（%）

样本/方法：Google DeepMind Gemini 4 Argon 模型卡（2026-10-13 发布），厂商自测数字，摘取 6 项。

从合集的每日帖子数看，发布前以传闻为主，发布后实测和对比成为主体；10 月 14 日（UTC+8）单日 1,233 条，是最高的一天。

样本/方法：本合集全部 4,824 条帖子，2026-09-16 至 10-17（UTC+8 分日）；分类用收录时的自动标签。帖子数代表讨论量。

在发布后的 746 条作者亲测帖里，3D、体素或物理模拟是最大类，有 219 条，占 29%，多于编程/Agent 的 105 条和图像/视频理解的 78 条。

样本/方法：2026-10-13 至 10-17（UTC）本合集 2,274 条帖子中作者自测或同题对比的 746 条；AI 逐条自动分类 + 人工抽查 30 条。

这个分布与 Google 官方强调的空间推理和视觉编码改进一致。

X 用户 知识猫AI实验室（@GeekCatX）在 10 月 14 日转述了一个演示：另一位创作者用 Argon 从一张 2D 维多利亚马车图、纯靠代码生成可交互的 WebGL 3D 马车，页面带开门、线框、爆炸视图等按钮。这是二手转述，帖中的模型面数与画面显示不一致，本文不引用。（条目：Gemini 4 Argon 纯代码生成 17.4 万面 WebGL 3D 马车）

Google DeepMind 的官方展示里，四个 Argon Agent 从零通关 Minecraft，用时 27 小时、写了 2,783 个程序；这是厂商演示。X 用户 Greg Isenberg（@gregisenberg）在 Google 给早期访问且赞助了当期节目的情况下，称 Argon 可能是最好的 AI 文案写手，并说好的创意输出需要提供视觉参考；这属于带有赞助性质的个人体验。

这些亲测帖整体偏正面：正面 399 条、混合 97 条、负面 79 条、未给出结论 171 条。但前五天的帖子偏向展示成功的 demo，不能当作全量用户满意度。

在作者跑过具体同题对比的 181 条帖子里，与 Claude Opus 5.5 的 94 条对比中 Opus 被判定更好 45 次、Argon 21 次；与 GPT-6 Astra 的 24 条对比中 Argon 更好 12 次、Astra 6 次；与 GPT-6.1 Sol 的 14 条里 Argon 6 次、Sol 5 次，基本打平。

样本/方法：本合集 2026-10-13 至 10-17（UTC）作者自测且给出具体同题对比的 181 条帖子，图中列出三个最常见对手；AI 两轮分类（第二轮严格口径）+ 人工抽查。不是统一评测。

典型模式是 Argon 的质量接近 Opus 但略低，成本低得多。X 用户 J A Z I I（@notjazii）自述，同一提示词在最高推理档下结果几乎一样，Opus 用了 15 分钟、花费 8.2 美元（Claude Code CLI），Argon 用了 13 分钟、花费 1.2 美元（Devin CLI）。

这条自测视频截帧是同一提示词下 Gemini 4 Argon（High）与 Opus 5.5（High）生成的像素风城市，发帖人称两者结果几乎一样。（条目：实测：Gemini 4 Argon 对比 Opus 5.5 成本低 7 倍）

另一个 X 用户 Daniel Nguyen（@daniel_nguyenx）给同一个 macOS 应用任务打分：Opus 5.5 9.1 分、Sonnet 5.5 8.5 分、Argon 8.4 分、Astra 8.0 分，成本分别是 14.21、8.55、3.42、29.81 美元。

这张对比图展示的是同一任务中 Opus 5.5、Argon、Sonnet 5.5、Astra 生成的侧栏界面截图。（条目：实测对比：Gemini 4 Argon 8.4 分，输给 Opus 5.5 但便宜 4 倍）

X 用户 Melih Çat（@melih_cat）自述试了几十小时后认为 Opus 5.5 medium 约等于 Argon high 的编码水平，最让他印象深刻的是 deep research 模式；Mia（@MiaAI_lab）指出一条走红的 Argon 小熊软糖视频是假的，自己重跑提示词后，认为 Opus 仍更好，但 Argon 也不差。

需要说明，Opus 领先是发帖人判断的计数，不是受控基准；Astra 和 Sol 的样本量也小。

在 181 条同题对比帖中，85 条提到成本或速度，其中 61 条说 Argon 更便宜和/或更快，24 条说它更贵和/或更慢。

表：同题实测里的用时与花费（发帖人自报）

样本/方法：X 帖子为发帖人自报（2026-10-13 至 10-16），工具和设置各不相同，不能互相比较；Plotly 数字来自其 2026-10-13 博客。

单 token 便宜不等于单个任务省钱。Plotly 官方博客的数据分析考试里，Argon 答对 43 题中的 41 题，与 Opus 5.5 持平，低于 GPT-6.1 Sol 的 43/43；但 Argon 每题读了约 51 万 token，而 GPT-6.1 Sol 只有 18.3 万，所以整轮费用是 13.47 美元对 2.61 美元，与 Opus 5.5 的 13.31 美元差不多。

一条转述 Artificial Analysis 数字的用户帖子称，Argon 每任务输出约 6.2 万 token，而 GPT-6 Astra 是 2.7 万；这是转述，我们没有直接核对原平台。

因此，实际使用前要在自己的任务上比较完成单个任务的总价，而不是只看每百万 token 价格，并注意 11 月 30 日后价格会翻倍。

在发布后的 2,274 条帖子里，641 条提出具体抱怨，最多的是限额/可用性 262 条、质量问题 249 条、价格/token 消耗 90 条，其余是慢 26 条和拒绝 14 条。

样本/方法：2026-10-13 至 10-17（UTC）本合集 2,274 条帖子，其中 641 条提出具体抱怨（每条只计主要一项）；AI 逐条自动分类 + 人工抽查 30 条。

额度方面，X 用户 Noah Moss（@leafland5090）自述在付费 Pro 计划里问了两个问题就用掉当前额度的 50%；Arun（@hiarun02）质疑自己每月 20 美元的 AI Pro 为何不能在 Antigravity 用 Argon；Kai（@hqmank）说 Pro 在 Antigravity 的 Argon 有单独的每周额度，这一条未经官方页面核实。

质量方面，X 用户 Theo - t3.gg（@theo）自述用自己的代码库分析测试跑 Argon，92 条被核查的声明中 47 条为假，在 7 个模型中排最后；他后来又说这个模型应该被避开。

这张配图是 Theo 的代码库分析测试计分表，7 个模型中 Gemini 4 Argon 排最后，92 条被核查的声明里 47 条为假。（条目：Theo 代码库分析测试：Argon 虚假声明率超 50%）

Google 自己的模型卡也把幻觉和偶尔的慢或超时列为已知限制。

综合上面的帖子数据和官方材料，编辑判断是：Argon 更适合 3D、WebGL、视觉原型、游戏和交互演示，长上下文和视频理解，以及成本敏感、能接受接近 Opus 质量的编码任务。

具体来看，第一，3D、WebGL 和视觉原型是用户实测最集中的正面场景；第二，Google 官方基准在长上下文和视频理解上领先；第三，部分用户认为 deep research 模式值得一试。需要谨慎的场景有三类：一是错误成本较高的代码审查或大代码库分析，必须人工核验输出；二是重 Agent 循环，Plotly 和转述数据都显示它单任务 token 消耗高；三是订阅用户，限额是抱怨最多的类别。如果你现在用 Opus 5.5 做困难编码，发帖人总体仍认为 Opus 质量更好，Argon 更适合当更便宜的第二选项，在同一任务上试跑。