VirtueZ · 2026.10.14
全新Gemini 4 Argon,全方位大测评来啦!

一座能旋转的3D建筑,足以让人惊呼“谷歌回来了”;一段改坏了退款逻辑的代码,也足以让产品经理取消上线。新模型最容易制造的错觉,就是把前一种惊艳,直接兑换成后一种信任。看演示只需要几十秒,接进业务却要对每一次错误负责。

Gemini 4 Argon来了,这次确实值得认真看。Google在9月30日首次公布模型,10月13日宣布扩大开放。但对中国移动互联网从业者而言,更有价值的问题是:它能替我们完成哪些工作,做到什么程度,又要花多少代价?
本文基于截至2026年10月14日的官方文档、公开基准和已披露案例进行评析,不包含作者独立运行的对比测试。厂商内部案例、第三方测评与下面的使用建议,各自能说明什么,会放在对应位置讲清楚。
一、谷歌这次带来的,是一个愿意继续干活的模型

过去挑模型,我们习惯看它答题准不准、文章顺不顺。到了真正的工作现场,问题会变得麻烦:读完几份材料,找出矛盾,补充信息,再把方案改成原型,最后检查之前的功能有没有被改坏。任何一步停下来,人都得重新接手。
Argon的官方定位,重点落在复杂软件工程、专业知识工作和多步骤任务上。Google强调的是持续处理难题的能力,而不只是一次回答的质量。 这与产品经理的工作更接近:完成第一版并不难,难的是后面不断增加约束时,仍然记得最初要解决什么。
这里有个容易误读的参数。最新API文档明确写出,约100万token是输入、思考和输出共同使用的窗口;默认同步输出上限为65,536 token,更长输出需要相应的后台执行机制。它不是“随便塞100万token资料,再额外生成100万token”的承诺。
对实际使用来说,大窗口提供了更大的处理空间,但材料质量依然决定结果。把旧需求、已废弃规则和最新版方案一起丢进去,却不注明日期与优先级,就像让刚入职的同事读完所有群聊,再猜哪句话才算数。材料装得下,并不代表冲突会自动消失。
二、公开跑分有分量,但不能替中国业务验收
先看一个可以查到方法说明的第三方结果。Vals AI于10月13日更新的Vals Index中,Argon以68.90%排名第一,Claude Opus 5.5为66.97%,GPT-6 Astra为63.13%。该指数覆盖金融、编程、法律和税务任务,并按美国相关行业的GDP占比加权。
这说明Argon在这组专业任务中具备竞争力。不过,将它理解成“所有场景都比竞品强”,就走得太远了。美国法律研究的得分,不能直接推出中文客服纠纷处理的正确率;代码任务的表现,也不能证明它会写出符合你公司规则的需求文档。
同一榜单还提供了一个值得留意的细节:Argon的任务耗时为46分33秒,GPT-6 Astra为27分48秒。至少在这套评测口径下,Argon并没有在速度上全面领先。 模型比较有多个维度,准确率、时间与成本不一定同时朝同一个方向变化。
我更关心团队正在付出代价的任务。你做增长,就拿真实活动数据分析;你做售后,就拿经过脱敏、有明确结论的历史工单;你做后台,就拿包含权限、审批和异常状态的原型需求。榜单可以决定谁进入候选名单,最终决定采购和接入的,应该是这些工作上的表现。
三、代码能力怎么看?漂亮页面只是第一关


参考文章展示了傅里叶曲线、3D建筑和复杂动效等案例,视觉冲击力很强,也适合传播。这类作品可以帮助读者直观感受生成能力,但仍属于具体案例的展示,不能据此判断模型在任意代码库中都能稳定工作。
对产品经理而言,可视化原型确实有用。过去我们拿流程图解释“用户在这里会遇到什么”,现在可以更快做出能点击的页面,让研发、运营和客服在同一份演示里讨论。由此减少多少沟通成本,需要团队自己记录,不能从截图里猜出来。
假设要做外卖少送售后,生成一个提交申请页面,只完成了工作的一小部分。再加入“用户已经获得部分退款”“商家不同意补送”“上传失败后重试”“重复点击提交”等条件,才开始接近实际需求。页面是否漂亮,与规则是否正确,是两份验收结果。
Google披露的ADK工程案例,更能说明这条分界线。Argon在Antigravity中针对约20.5万行Python代码执行优化,第二轮持续约11小时,提出六项优化,其中两项经过人工审查后落地。官方报告的结果包括长会话中的内存会话准备时间降低约40%、冷启动导入加快21%。
真正值得读的是过程:第一轮缺少项目规范时,它虽然找到了瓶颈,却出现公共结构变更、遗漏边界情况等问题。第二轮补充维护规范和交付要求后,运行了完整的16,892项单元测试。即便如此,人工审查仍拒绝了四项方案。
我读到的启示是,团队要把“怎样才算做好”交给模型。已有规范、测试和审查不是阻碍自动化,而是让结果有机会进入真实业务的条件。如果你现在只有一句“帮我做个能上线的系统”,先整理规则,比换一个更强模型更有帮助。
四、视觉与物理推理很有看点,能力归属得分清
Argon最吸引眼球的方向之一,是物理和空间理解。Google开发者博客报告,其在ERQA具身推理基准上取得87%的成绩,并展示了机器人操作、真实场景转仿真等案例。这些结果让人有理由关注它在空间任务上的潜力。
但这里有两个不同层次的问题:它是否能从画面中推断物体关系,以及接入完整系统后,机器人是否能正确执行动作。后者还需要摄像头、坐标标定、动作接口和物理环境。官方机器人示例中,明确包含观察状态、执行动作、再根据画面检查的步骤。
对于互联网团队,这种工作方式也值得借鉴。比如分析一段用户操作录屏,可以要求模型指出误触发生的时间、对应按钮、前后页面状态,再给出可能原因。观察证据和原因推测要分开,用户停留五秒,并不能直接证明“他看不懂文案”。这是可以尝试的评估任务,效果要以人工标注的视频作对照。
还有一个必须澄清的事实:Argon API支持文本、图片、视频、音频和PDF输入,但输出类型是文本,官方能力表不支持原生图片、音频生成。因此,应用里出现一段视频,不能直接归因于Argon单模型;写出3D渲染代码,也与直接生成视频文件不同。
做方案时,把“模型负责理解和规划”“工具负责执行”“其他模型负责媒体生成”写清楚,后面的成本、时延和失败处理才能算明白。否则演示里的一个按钮,进入项目后会变成几段谁也没预料到的工作。
五、价格确实值得看,但便宜要算到交付为止
Google公布的API优惠价是每百万输入token 2美元、输出token 10美元;优惠期截至2026年11月30日,之后分别为4美元和20美元。这是一项有期限的价格条件,不能当成长期预算直接拍板。

用一个假设算清楚:如果账单中计费输入为10万token、计费输出为2万token,不考虑缓存和额外工具费用,按优惠价计算约0.4美元,恢复标准价后约0.8美元。这只是token费用的示例,实际任务还要查看完整用量与其他收费项。
对于团队而言,更值得关注的是“一个合格任务到底多少钱”。同一份需求,如果模型首次生成便能通过验收,与反复尝试六次后还要人工修改,token单价相同,交付成本也可能相差很大。订阅费、工具调用、失败重试以及人工修正,都应该进入账本。
速度也要按同样方式理解。第一行字出现得快,不意味着可用结果来得快;生成页面只花三分钟,修正业务逻辑却花半小时,团队实际节省的时间就有限。把计时终点设在验收通过,比停在“生成完成”更有意义。
使用入口同样影响体验。官方开放说明中,Pro和Ultra订阅用户可在Gemini应用及搜索AI模式使用,Antigravity则面向Ultra订阅用户开放相应入口,开发者可通过付费API接入。购买前应核对自己的账号、地区、额度和目标入口,别以为同一个模型名称,就意味着所有地方的操作条件相同。
还有一项经常漏算的成本,是材料准备。工单字段混乱、规则版本不统一、视频没有对应操作记录时,人要先把资料整理好。模型处理环节再快,也不能把前面的劳动从项目预算里抹掉。做试点时应分别记录材料准备、模型处理和人工审核的时间,才知道下一步应该优化哪一段。
六、谷歌有没有翻身?我会把结论落在任务上
从公开榜单和工程案例看,Argon已经具备进入复杂任务候选名单的理由。它值得尝试的方向,包括需要持续修改的代码任务、空间与视觉理解,以及有大量材料和步骤的分析工作。不过,这些方向上的潜力,还不能直接转换成你的业务收益。
我不会因为一个新版本,就建议团队整体迁移。替换模型涉及的不只是接口名称,还包括提示词、历史结果、工具配置和原来的验收标准。新模型如果只在少数难题上占优,先让它承接这些任务,往往更容易看清价值。
产品经理可以提出一个具体目标:把某类复杂工单的人工整理时间降下来,或者让原型在三轮需求修改后仍然通过既有检查。这样的目标允许模型有强项,也允许它有短板;你最终得到的是一张任务分工表,而不是一句“谁赢了”。
谷歌是否翻身,是行业话题。你的团队能否更快交付,才是选型问题。两者有关,但不应该互相代替。
七、怎么用?拿一周做一次小规模试用

如果你准备试Argon,第一步不用研究几十种提示词,先找一个高频、有明确答案、出错后容易发现的任务。整理投诉中的问题类型、生成可交互原型、核对材料中的规则冲突,都可以进入试用范围。直接让它决定赔付或执行退款,则需要另外设计权限和审核。
接下来,准备十个经过脱敏的历史样本,保留常见情况,也放入信息缺失、规则冲突和异常情况。十个样本只适合早期筛选,不能据此推算全业务效果。每个样本先写人工认可的答案或验收条件,再让不同模型处理,避免看见一个流畅答案后才临时改变评分标准。
给模型的任务说明,应包含目标、材料、规则、不能做的动作和交付格式。例如测试少送售后资料整理,可以这样写:
请根据订单明细、用户描述和售后规则,整理缺少的商品、现有证据和仍需确认的信息。每项判断注明依据;材料不能证明的内容标为待确认。不要虚构赔付规则,不执行退款,最后输出供人工审核的处理建议。
这段提示词的作用,是让结果能被检查。用户声称缺少一份餐品,订单显示购买两份,图片又无法看清数量,模型应该呈现证据冲突,而不是用自信的语气填补空白。
验收也要区分错误的轻重。漏掉一句不影响判断的描述,与把“商家拒绝补送”写成“商家同意补送”,不能算同一种失败。前者可能只需要补充文字,后者会误导处理。把关键错误单独记录,能避免平均分很好看,却藏着团队无法接受的问题。
如果要横向比较,材料、可用工具、预算上限和允许修改的次数都尽量一致,同时写清模型版本与思考设置。相同提示词是起点,还要确认一边有没有联网查证、另一边是不是只能看本地资料。不同配置可以比较,但结论应落在“这套配置完成这类任务的表现”,而不是简单宣布某个模型全面胜出。
测试时记录四件事:是否完成任务、是否出现关键错误、人工改了多久、总共花了多少钱。如果用于原型,再加入连续修改检查:提出两次新需求,然后重新跑旧流程。把失败样本保存下来,下一轮继续使用;不要每次只找一个能让新模型发挥的题目。
对于表现起伏明显的任务,可以在独立会话中重复几次,检查它是否依赖某一次偶然成功。尤其要观察补充材料之后的表现:它会不会纠正之前的判断,还是继续沿着错误前提往下写?业务里经常出现新证据,愿意修改结论和能正确修改结论,同样需要验收。
一周后,根据结果决定下一步。如果它能稳定减少修正时间,就扩大样本,并放进有限范围的工作流程;如果只是演示漂亮,就保留它做创意探索和讨论原型。进入真实业务之后,还要持续记录使用效果,检查换来的效率是否被新的错误抵消。
对Argon最好的欢迎方式,是给它一份你昨天没做完的工作,同时给出清楚的验收条件。让它证明:这次交付,究竟替你省掉了哪一段劳动。
原文发布于微信公众平台:查看原文 ↗