2026 年 10 月 13 日，谷歌宣布 Gemini 4 Argon 全面开放（9 月 30 日已先向网络安全合作方推出）。官方 19 项对比中它领先 13 项，但数据混合了自测与公开榜单。截至 10 月 18 日查询，它在 LMArena 文本榜和 Vals Index 居首，在 Artificial Analysis 智能指数 v4.3.2 排第 8。
Gemini 4 Argon 与三组榜单柱状图的抽象画面，柱高不代表任何真实数据。AI 生成示意图，非官方图片。
发布时间线、开放范围与费用
Google 博客 2026 年 9 月 30 日的文章首次宣布 Gemini 4 Argon，当时只通过 Fairwind 计划向一批受信任的网络安全防御方开放，并表示会在加强防护后再面向开发者、企业和普通用户。10 月 13 日，Google DeepMind 高级副总裁 Koray Kavukcuoglu 署名的博客宣布 Argon 全球可用：开发者和企业可通过 AI Studio 与 Gemini 平台的 API 调用，Google AI Ultra 订阅用户可在 Google Antigravity 中使用，Ultra 与 Pro 订阅用户可在 Gemini 应用和搜索的 AI 模式中使用。同日发布的模型卡写明，Argon 采用稀疏混合专家（MoE）架构，输入与输出合计上限 100 万 token，知识截止时间为 2026 年 3 月。Vals AI 与 Artificial Analysis 的模型页把发布日期记为 9 月 30 日，对应的是首次宣布和有限开放，而不是全面开放。
费用方面，API 首发优惠价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入按输入价的 5% 计（官方表述为优惠 95%）；优惠期于 2026 年 11 月 30 日结束，之后按每百万输入 token 4 美元、输出 token 20 美元收费，该价格仅适用于面向公众的 Argon 模型。科研权益方面，Google 向 1 万名科学家提供 6 个月免费的 Antigravity 最高使用档，滚动入组，需符合资格并视容量与遴选而定；申请截止日期和适用地区原文未写明，待核对。网络安全防御方可申请加入 Fairwind 计划，获得不带网络安全护栏的 Argon，同样滚动开放，资格条件待核对。博客称 Argon“全球推出”，但 Gemini 应用与 AI 模式订阅在各国家和地区的实际可用性未列明，待核对。
厂商自报：模型卡 19 项成绩及其口径
Google 在模型卡中给出 19 行对比（标注为截至 2026 年 10 月的结果），对手是 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5。逐行统计，Argon 领先 13 行；在 CWE-bench v1 上与 GPT-6 Astra 同为 68.0%；在 5 行落后：FrontierSWE v2（55.0%，最高为 GPT-6 Astra 的 65.5%）、Terminal-bench 4.0（57.4%，最高为 Claude Opus 5.5 的 66.4%）、PostTrainBench（45.3%，最高 49.3%）、Terminal-Bench Science 0.1（57.6%，最高 68.1%）和 OSWorld-2.0 离线子集（69.2%，最高 72.6%）。领先幅度较大的有 Harvey 法律智能体基准（19.6%，次高 6.7%）、AutomationBench（51.3%，次高 42.5%）和 GraphWalks 256k–1M 长上下文（84.2%，次高 71.8%）。
按 Google 评测方法页的说明，这 19 行的数据来源并不统一。Vals Index、AutomationBench、Vals Finance Agent v2、Harvey 法律智能体基准、FrontierSWE、Vibe Code Bench、RiemannBench、Chartography 和 CWE-bench v1 共 9 行取自公开榜单；PostTrainBench、LABBench 2、GraphWalks 两档和 LVBench 共 5 行由 Google 为所有模型统一自测；DeepSWE v1.1、Terminal-bench 4.0、Terminal-Bench Science 0.1、Agent's Last Exam 和 OSWorld-2.0 共 5 行是 Google 自测的 Argon 分数，配上来自公开榜单、系统卡或官方博客的对手分数。Argon 的 5 项落后中，有 3 项出现在最后这类混合口径中。
方法页还写明了几处会影响比较的设置：Argon 一律使用 Gemini API 的最高思考档，对手默认取各自可用的最高推理档，比较的是能力上限，而非默认设置下的表现或成本；OSWorld-2.0 的 Argon 分数取 3 次运行中的最高值；LVBench 中 Gemini 按每秒 1 帧采样，GPT-6 Astra、Fable 5.1、Opus 5.5 因 API 限制分别输入 800、300、600 帧，各模型看到的视频并不相同。发布博客另给出 ERQA 具身推理 87%、Gray Swan 间接提示注入攻击成功率 0.7%，以及 Gamow Labs 私有评测中的 RareBench 57%、LabBench 52.2%；后两项基于私有临床与实验数据，外部无法复现。博客里的 LabBench（52.2%）与模型卡的 LABBench 2（88.8%）不是同一套评测，不能直接对比。
第三方榜单：LMArena、Vals Index 与 Artificial Analysis
LMArena 的文本竞技场（arena.ai）根据用户匿名盲测投票为模型打分。本文于 2026 年 10 月 18 日读取其文本总榜，页面标注日期为 2026 年 10 月 8 日，累计 8,734,330 票、414 个模型：gemini-4-argon-high 以 1525±9 分排第 1，排名区间为 1–1，并标有“Preliminary”（初步）；第 2 名 claude-opus-5.5-high 为 1507±8 分。Argon 的票数只有 4,892，远少于榜单前列多数模型的数万票，评分仍可能变动。页面日期早于 10 月 13 日全面开放，这一日期的含义以及该视图采用的方法版本，页面均未说明，待核对。
Vals AI 的 Vals Index 衡量模型作为智能体在金融、编程、法律和税务任务上的表现，并按各行业在美国 GDP 中的占比加权。榜单页标注 2026 年 10 月 16 日更新，Argon 以 68.90% 排第 1，其后为 Claude Sonnet 5.5（67.04%）和 Claude Opus 5.5（66.97%）。Vals 称评测使用 high 推理档、温度 1.0，每次测试成本 15.68 美元按每百万 token 4/20 美元的标准价计算。Google 所说的“Vals Index 第 1”引用的正是这份榜单，属于第三方测得、厂商引用的结果。同一机构的数据也显示出 Google 表格之外的差异：Vibe Code Bench 上 Argon（91.91%）排在未列入 Google 对比表的 Claude Sonnet 5.5（92.39%）之后；Terminal-Bench 4.0 上 Argon 为 57.58%，排第 5。Vals Index 的方法版本号页面未标注，待核对。
Artificial Analysis 的模型页（2026 年 10 月 18 日查询）显示，Gemini 4 Argon（High）在智能指数 v4.3.2 上得 53 分，在其比较组 217 个模型中排第 8。该指数综合 10 项评测：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1。Artificial Analysis 在 9 月 30 日的文章中称，High 是 Argon 当时可用的最高推理档，其 53 分与 GPT-6 Astra（max）持平。模型页的输出速度一栏为 N/A，成本按每百万 token 2/10 美元的首发价计算。
Gemini 4 Argon 在三家第三方榜单中的名次：LMArena 文本总榜第 1（1525±9，Preliminary，页面日期 2026-10-08，方法版本待核对）；Vals Index 第 1（68.90%，2026-10-16 更新，方法版本待核对）；Artificial Analysis 智能指数 v4.3.2 第 8/217（53 分）。数据来源：LMArena、Vals AI、Artificial Analysis，查询日期 2026-10-18。AI 生成示意图，第三栏评测图标数量仅作示意。
榜单方法差异与局限
几份榜单给出不同位置，主要是因为测的东西不同。LMArena 反映用户在开放式对话中的偏好，受回答风格和提问人群影响，不直接衡量长时间运行的智能体任务；Vals Index 聚焦有经济价值的专业任务并带有美国 GDP 权重，换一套行业权重，名次可能改变；Artificial Analysis 的综合指数由它选定的 10 项评测合成，Argon 的“第 8”只是 High 档这一配置的结果，模型页上 SciCode 和 CritPt 两项还标注为“Under review”。Google 模型卡则只选了 3 个对手和 19 项基准，并按最高推理档比较。
阅读这些数字时，可以把 Google 的表格看作厂商选题、部分自测的成绩单，把 LMArena 和 Vals Index 的第 1 看作两种不同口径下的第三方结果，把 Artificial Analysis 的第 8 看作综合指数下的另一个参照。它们都只是查询当天的快照：Argon 在 LMArena 仍是初步评分，Artificial Analysis 尚无速度数据，11 月 30 日优惠价到期后，按价格计算的成本类指标也会变化。用于实际选型时，仍需用自己的任务做小规模对照测试。