返回博客

Gemini 4 Argon 编程能力怎么样?公开跑分与 5 项自测法

Gemini 4 Argon 写代码到底强不强?拆解 Artificial Analysis 公开数据:智能指数 50 分、首 token 等 49 秒、单任务成本 7.68 美元,再附 5 项编程自测任务与评分标准。

2026年11月1日AINovaTools Team
Gemini 4 Argon 编程能力怎么样?公开跑分与 5 项自测法

搜「Gemini 4 Argon 编程测试」,能看到一大堆发布日的兴奋,能核对的数字却没几个。谷歌这款最新的前沿模型在 2026 年 10 月 13 日正式发布(GA);快三周过去,最有用的独立数据来自 Artificial Analysis——而它讲清楚的,更多是 Argon「怎么干活」,而不是「代码写得多好」。

所以这篇分两半。前半篇理清现在到底有哪些结果、哪些其实并不存在,以及真实数据落到日常使用意味着什么:要等多久、有多啰嗦、花多少钱。后半篇给你一套 5 项任务的编程自测法,每项都带通过与不通过的标准,直接在你自己的仓库里跑——对你来说,唯一说了算的基准测试,就是你自己的代码库。

现在到底有哪些编程测试结果

流传的证据有三类,含金量各不相同:

  • 谷歌发布时的官方跑分表。 厂商自测,而且并非全胜:我们在 Gemini 4 Argon 上手指南里拆过这张表,Terminal-Bench 4.0 这一行领先的仍是 Claude Opus 5.5。
  • 博主实测视频。 发布当天有人拿它做游戏、做安全审查。能帮你找手感,但没法横向比较。
  • 独立测评。 Artificial Analysis 是目前最接近中立成绩单的来源,本节剩下的内容都围绕它的数据展开。

在 Artificial Analysis 智能指数 v5.0 上,Gemini 4 Argon 得分 50,在 58 个模型里排第 13,远高于指数中位数 37。

指数里有两项是实打实的编程测试:Terminal-Bench 4.0(agentic 编程与终端操作)和 FrontierCode 2.0(在开源仓库里做 agentic 软件工程)。其余几项——AA-Briefcase、AutomationBench、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2 Hard、Terminal-Bench-Science——把视野拉到了软件工程之外。所以 50 分是综合分,不是编程单科成绩。

问题在于:Artificial Analysis 的模型页没有公布 Argon 的单项得分。网上并没有可以引用的「Argon 的 FrontierCode 成绩」;要是在哪条帖子里看到了,先问一句数据从哪来。

数据速览

指标(Artificial Analysis)Gemini 4 Argon参照
智能指数 v5.05058 个模型中第 13;中位数 37
单个指数任务成本7.68 美元单价和啰嗦程度合成一个数
输出速度82.9 token/秒一旦开口就很稳
首 token 延迟49.13 秒全模型中位数 3.71 秒
跑完指数的输出 token约 1.1 亿中位数约 7000 万
实测 API 价格(每百万 token)输入 4.00 美元 / 输出 20.00 美元混合价 2.94 美元

这些数字落到实际使用意味着什么

出字快,开口慢

按 82.9 token/秒算,一段 1000 token 的回答大约 12 秒就能流完。麻烦在开口之前:Artificial Analysis 测得首 token 延迟 49.13 秒,而全模型中位数只有 3.71 秒。Argon 开口前要想很久,所以这段 1000 token 的回答从发出到收完,前后大约一分钟。

这意味着它不适合 Tab 补全,也不适合快节奏的来回对话;更适合那些你本来就会切走窗口的委派型工作:agent 长任务、代码审查、迁移。

天生话多

跑完整套指数,Argon 输出了约 1.1 亿 token,中位数是 7000 万——差不多 1.6 倍。输出又是价目表上贵的那一侧(按谷歌的介绍价,每百万 token 输出 10 美元、输入 2 美元),所以话多不只是占屏幕,而是直接写进账单。

看单任务成本,别只看单价

能把这两个效应合成一个数的,是单个智能指数任务的成本:7.68 美元。token 单价告诉你费率,单任务成本告诉你一份完成的活要花多少钱。做预算时,在你自己的工作负载上量「每完成一个任务花多少」——下面的自测正好记录这个。

自己做一次 Gemini 4 Argon 编程测试:5 项任务

公开基准跑的是别人的代码,这 5 项跑的是你的。几条规矩,保证结果站得住:

  • 用你熟悉的仓库,固定在某个 commit,测试套件本身是绿的。
  • 测试环境保持一致。 对比的每个模型都用同一个 agent 工具、同样的指令、同样的时间和 token 上限、同样的推理强度设置。
  • 每项任务跑 3 次。 跑一次是轶事,跑三次才看得出稳定性。
  • 每次记录四个数: 是否通过、总耗时(包括那段漫长的首 token 等待)、输出 token 数、花费。
  • 尽量盲评。 让同事在不知道是哪个模型写的情况下给 diff 打分。

任务 1:修一个时好时坏的 bug

准备: 一个间歇性失败的测试,或一份能稳定复现的 bug 报告。提示词可以这样写:「这个测试大约每五次失败一次。找出根因并修复,不许加重试、不许加 sleep,用三句话解释原因。」

  • 通过: 连续跑 20 次全部通过;diff 修的是真正的根因(竞态、共享状态、时间依赖);解释和改动对得上。
  • 不通过: 加重试、拉长超时、跳过测试,或者解释和 diff 对不上。

任务 2:照需求文档实现功能

准备: 一页纸的需求文档,功能不大,但至少横跨三层——比如 API 路由、service 函数,再加 UI 或 CLI。写明两条验收标准和一条明确的「不做」。

  • 通过: 两条验收标准都满足,原有测试仍然全绿,新测试覆盖了验收标准,「不做」清单上的东西一样都没做。
  • 不通过: 范围蔓延、需求要求可配置的地方写死了值,或者漏掉了一层。

任务 3:给棘手逻辑写测试

准备: 找一个边界情况真正刁钻的函数——时区换算、金额舍入、手写的解析器。只要求写测试,不许改被测代码。

  • 通过: 覆盖你已知的边界(夏令时切换、负数金额、空输入),在现有代码上全部通过;之后你亲手埋一个 bug——比如把某个比较运算符反过来——测试能把它抓出来。
  • 不通过: 测试只是把实现复述一遍、动了被测代码,或者埋了 bug 之后照样全绿。

任务 4:带约束的重构

准备: 一次真实的重构——拆一个过大的模块,或替换一个已弃用的 API——外加硬约束:公开接口不变、不加新依赖、diff 不超过 300 行。

  • 通过: 测试全绿,公开签名一字不差,所有约束都守住,diff 让评审者一口气读得完。
  • 不通过: 改了公开签名、加了新依赖,或者名为重构、实际悄悄改了行为。

任务 5:审一份 diff 找 bug

准备: 拿一个真实合并过的 PR,埋进三个已知类型的 bug——差一错误(off-by-one)、漏掉的空值检查、写进日志的密钥。然后让它做代码审查。

  • 通过: 三个全部找到,文件和行号准确,每个都给出能用的修法,而且没被一堆代码风格意见淹没。
  • 不通过: 漏掉埋好的 bug、凭空编出不存在的 bug,或者满屏都是格式意见。

怎么记分

每项任务记录为什么对 Argon 尤其重要
3 次里通过几次稳定性比一次走运重要
耗时中位数包含漫长的首 token 等待
输出 token 中位数Argon 话多,输出决定成本
每次通过的成本唯一能公平比较的成本数字

用同一张表把你现在的主力模型也跑一遍。比较才是目的,单看 Argon 一个分数说明不了什么。

和 Claude、GPT-6 比,Argon 适合放在哪

没有公开的单项编程得分,我们不给 Argon 和对手排名次。现有证据能撑起的结论是:

  • 对比 Claude: 谷歌自己的发布跑分表显示,Terminal-Bench 4.0 上领先的仍是 Claude Opus 5.5。如果你的工作主要是终端里的 agentic 编程,切换前两个都测一测。
  • 对比 GPT-6: 我们的 GPT-6 vs Gemini 3 对比拆解了 OpenAI 旗舰怎么拿成本换能力;GPT-6 Astra 标价每百万 token 输入 10 美元、输出 50 美元,远高于 Argon 的介绍价。
  • Argon 合适的场景: 耗时长、可以放手委派的任务——开口前想一分钟也无所谓,反正你早切去别的窗口了。
  • 不合适的场景: 对延迟敏感的循环,比如补全、行内修改、快问快答,这些都得你坐着干等。

入口很多:Gemini API 付费档、Google AI Studio、Vertex AI、Gemini Enterprise,以及编程平台 Antigravity;Google AI Ultra 订阅用户这边也在灰度放量。我们的 Argon 上手指南把每种套餐对应的入口都理清了,Gemini 工具页则汇总了价格与套餐。

价格回顾:留意 11 月 30 日

谷歌的发布期介绍价是每百万输入 token 2 美元、输出 token 10 美元,有效期到 2026 年 11 月 30 日。Artificial Analysis 目前实测的 API 价格是输入 4.00 美元、输出 20.00 美元,混合价 2.94 美元。两组数字我们按各自来源原样呈现,做预算前请以你自己的账单后台为准。

无论按哪组算,介绍价都会在 11 月 30 日之后结束。打算自己跑一次 Gemini 4 Argon 编程测试的话,11 月剩下的这段时间就是最便宜的窗口。

常见问题

Gemini 4 Argon 写代码强吗?

独立证据是一个综合分:Artificial Analysis 智能指数 v5.0 给了 50 分,58 个模型中排第 13,远高于中位数 37,其中包含两项 agentic 编程基准。单项得分没有出现在 AA 的模型页上,而谷歌自己的跑分表里,Terminal-Bench 4.0 领先的是 Claude Opus 5.5。结论:够强,但切换前先在自己的仓库上测。

为什么 Gemini 4 Argon 回复这么慢?

因为它先推理、再回答。Artificial Analysis 测得首 token 延迟 49.13 秒,全模型中位数是 3.71 秒;一旦开始输出,速度稳定在 82.9 token/秒。一段 1000 token 的回答,按一分钟左右预估。

用 Gemini 4 Argon 跑一个编程任务要花多少钱?

取决于任务,所以要自己量。谷歌介绍价到 2026 年 11 月 30 日为止,是每百万输入 token 2 美元、输出 10 美元;Artificial Analysis 目前实测为 4.00 和 20.00 美元(混合价 2.94 美元),单个智能指数任务成本 7.68 美元。Argon 话多,所以要盯的是「每完成一个任务的成本」,而不是单价。

怎么在自己的代码上做 Gemini 4 Argon 编程测试?

把上面 5 项任务——修时好时坏的 bug、照需求实现功能、给棘手逻辑写测试、带约束重构、审 diff——在固定的 commit 上各跑 3 次,用你给现有主力模型用的同一套 agent 工具和配置。记录通过次数、耗时、输出 token 和每次通过的成本。

在哪里能用 Gemini 4 Argon 写代码?

Gemini API 付费档、Google AI Studio、Vertex AI、Gemini Enterprise,以及谷歌的编程平台 Antigravity;Google AI Ultra 订阅用户这边也在灰度放量。各入口的具体走法,见我们的 Argon 上手指南。

本文提到的工具