Gemini 4 Argon上线，官方战报很漂亮：公开的18项基准里12项第一。但同一张成绩单的另一面是——Terminal Bench 4只拿57%，被Sonnet 5.5（64%）、Opus 5.5（60%）、GPT-6 Astra（59%）压在后面；网页开发Arena排第8；操作电脑的CUA-bench只有4.83%，8个模型里倒数第二。

跑分第一，工地第八。这不是矛盾，是两个答案。

🧪 连谷歌员工都不信

Bloomberg爆料：有直接访问权限的谷歌员工说，Argon在真实编码任务上不如跑分显示的水平，前端设计尤其被点名。两个人用了同一个词——benchmaxxing（应试化）。

Surge AI创始人Edwin Chen的比喻很准：孩子SAT考得好，不代表他真能干活。

谷歌回应称这些说法不准确。但争议本身就说明了一件事：客户用排行榜选模型，实验室就必然把工程力气花在考试上。

💰 "百万输出"是妥协，不是跃迁

发布时说输出上限从6.4万拉到100万。现在的口径变成了"输入+思考+输出共用一个百万窗口"——单次请求仍是约6.4万，写完返回一个加密续写令牌，客户端原封不动再发一遍，接着往下写，一段段接到100万。

成本更值得看：AA测试里Argon平均每个任务花1.99美元，GPT-6.1 Sol Max只要0.72美元——两家单价明明一样。因为它"太能思考、太能输出"。

⏱ 11小时无人值守，只采纳2项

最硬的案例：让Argon在开源Agent框架ADK上通宵干活，约20.5万行Python。它无人值守跑了11小时，跑完16892项单元测试，交出一份涉及32个文件、6项优化的合并请求。维护者保留了2项。

这比任何跑分都诚实。Agent的生产力不该看跑了多久、改了多少文件，要看产出被采纳的比例。约三成的采纳率，才是Agent落地真正卡住的地方。

🎯 一句话总结

Hassabis卸任、Jeff Dean离职、Gemini 3.5 Pro被砍——Argon是谷歌的背水一战。但它是三家头部实验室里唯一握着分发口的：Gemini App 9.5亿月活、Chrome、搜索、安卓。模型层排第三，照样能推到9.5亿人手里。

#Gemini4 #AI模型 #谷歌 #GPT6 #Agent #AI测评 #独立思考 #AI工具 #人工智能