在 Google 的发布表格中，Gemini 4 Argon 在 19 行里直接领先 13 行，与 GPT-6 Astra 在 CWE-bench v1 上并列 1 行，在 5 行上落后：FrontierSWE v2、Terminal-bench 4.0、PostTrainBench、Terminal-Bench Science 0.1 和 OSWorld-2.0。问题在于访问权限。Argon 目前只对 Fairwind Program 的防御者开放，因此在 Google 的合作伙伴名单和少数基准测试机构之外，还没有人能复现这些数字。
下面依次是：完整表格及每行的测量方、五处落后、细节说明、网络安全评分、第三方榜单，以及在开放访问之前如何在 Apifox 中搭建自己的评测。想了解模型概览，请先看什么是 Gemini 4 Argon。要做出采购决策，请看 Argon vs GPT-6 Astra vs Claude Opus 5.5。
完整表格，以及每行的测量方
这些是 Google 报告的结果，来自发布帖和评测方法论 PDF，后者的标题是“results as of October, 2026”。19 个 Argon 分数中有 10 个由 Google 自己计算，另外 9 个来自公开榜单。竞品数字来自这些榜单、Google 自己的运行结果，或厂商的系统卡与博客文章，各行的测试框架并不相同。加粗表示该行领先者。
| 基准测试 | Gemini 4 Argon | GPT-6 Astra | Claude Fable 5.1 | Claude Opus 5.5 | 测量方 |
|---|---|---|---|---|---|
| Vals Index | 68.9% | 63.1% | 65.8% | 67.0% | Vals AI |
| AutomationBench | 51.3% | 41.4% | 31.4% | 42.5% | Zapier 排行榜（非公开数据集） |
| Vals Finance Agent v2 | 65.4% | 53.5% | 58.9% | 58.6% | Vals AI |
| Harvey Legal Agent | 19.6% | 5.4% | 6.7% | 3.8% | Vals AI |
| DeepSWE v1.1 | 77.9% | 74.1% | 67.4% | 74.2% | Argon 自行计算；Astra 排行榜；Anthropic 系统卡 |
| FrontierSWE v2 | 55.0% | 65.5% | 56.3% | 62.3% | Proximal 排行榜 |
| Vibe Code Bench | 91.9% | 89.6% | 90.3% | 90.3% | Vals AI |
| Terminal-bench 4.0 | 57.4% | 58.2% | 57.9% | 66.4% | Argon 自行计算；竞品排行榜 |
| PostTrainBench | 45.3% | 44.3% | 40.2% | 49.3% | 所有模型均自行计算 |
| Terminal-Bench Science 0.1 | 57.6% | 68.1% | 52.6% | 63.3% | Argon 自行计算；竞品排行榜 |
| LABBench 2 | 88.8% | 85.4% | 68.6% | 73.1% | 所有模型均自行计算 |
| RiemannBench | 76.0% | 72.0% | 65.6% | 69.6% | Surge 排行榜 |
| GraphWalks up to 128K | 99.7% | 98.7% | 91.4% | 90.6% | 所有模型均自行计算 |
| GraphWalks 256K to 1M | 84.2% | 71.8% | 65.0% | 66.8% | 所有模型均自行计算 |
| Agent’s Last Exam | 39.5% | 34.2% | n/r | 38.2% | Argon 自行计算；竞品排行榜 |
| OSWorld-2.0 (offline) | 69.2% | 72.6% | n/r | n/r | Argon 自行计算；Astra 来自 OpenAI 的博客文章 |
| Chartography | 71.6% | 71.0% | 46.2% | 66.3% | Surge 排行榜 |
| LVBench | 91.7% | 87.5% | 79.7% | 83.7% | 所有模型均自行计算 |
| CWE-bench v1 | 68.0% | 68.0% | 58.0% | 67.0% | 公开榜单 |
n/r = 未报告。Grok 4.7 不在 Google 的表格中，但它在 CWE-bench 榜单上也得到 68%，所以这个并列实际上是三方并列。
按来源划分，有 9 行对所有模型都来自公开榜单（Vals AI、Zapier、Proximal、Surge 和 CWE-bench）。Argon 在其中 7 行领先、1 行并列。Google 自己跑了 5 行，覆盖全部四个模型，Argon 在其中 4 行领先。另外 5 行把 Google 自己跑的 Argon 分数与其他来源的竞品数字放在一起，Argon 的落后大多出现在这里：5 处落后中有 3 处在这类混合行中。如果自行计算对 Argon 有所美化，结果应该正好相反。
Argon 在哪里落后，以及这对 agentic coding 意味着什么
- FrontierSWE v2：55.0%，落后于 Astra 的 65.5%。Argon 在四者中垫底，排在 Fable 5.1（56.3%）和 Opus 5.5（62.3%）之后，而这是给每个模型都打分的榜单。
- Terminal-bench 4.0：57.4%，落后于 Opus 5.5 的 66.4%。再次垫底，不过 Astra 和 Fable 5.1 与它相差不到一个百分点。
- PostTrainBench：45.3%，落后于 Opus 5.5 的 49.3%。位列第二，而这一行是 Google 为所有模型运行的。
- Terminal-Bench Science 0.1：57.6%，落后于 Astra 的 68.1%。排名第三，只领先 Fable 5.1。Google 在运行 Argon 的这次尝试时使用了 6 倍的验证器超时。
- OSWorld-2.0（离线子集）：69.2%，落后于 Astra 的 72.6%。Anthropic 只报告在线与离线的合并分数，所以两个 Claude 模型都没有出现。
Agentic coding 上是 2 比 2。Argon 在 DeepSWE v1.1 和 Vibe Code Bench 上胜出，却在 FrontierSWE v2 和 Terminal-bench 4.0 上垫底。DeepSWE 这次胜出混用了不同测试框架：Argon 跑在 mini-swe agent 框架上，Astra 的数字来自公开榜单，Claude 的数字来自系统卡。Vibe Code Bench 更干净，因为 Vals AI 给四者都打了分，但差距只有 1.6 个百分点。
如果你的工作负载是重度依赖终端的 agent 或长仓库任务，那么这两处垫底的分量要重于整体领先数。FrontierSWE 的领先属于 Astra；我们的 GPT-6 Astra 上手体验展示了今天使用这个模型的实际感受。Anthropic 这边，Claude Fable 5.1 基准测试解读覆盖了 Fable 自己的发布数据。
彭博社报道称，一些有访问权限的匿名 Google 员工表示，就某些编码和前端设计工作而言，Argon 的表现与其基准测试分数相比令人失望。Google 称这一描述不准确。
会改变你解读这张表方式的方法论注意事项
- 双方都开到最大强度。Argon 运行时“使用 Gemini API 并开启最高思考设置”。对 Astra、Fable 5.1 和 Opus 5.5，Google 默认采用“可用的最高思考/推理设置”。这是在上限层面做对比，而不是默认行为或成本。
- LVBench 帧数。LVBench 由 Google 自己为四个模型运行，不使用工具。Gemini 以 1 FPS 采样视频。Astra 得到 800 帧，Fable 5.1 得到 300 帧，Opus 5.5 得到 600 帧，原因是“API 限制”。这些模型看到的输入并不相同。
- OSWorld 取三次最佳。Argon 的分数是“在 3 次运行中取最大值，每次运行只尝试一次”，是最佳单次成绩而非平均值。
- Agent’s Last Exam 时间窗口。Argon 跑在 ALE-Claw 框架上，窗口为 5 小时。
- 安全过滤开启。Agent’s Last Exam 和 OSWorld 运行时启用了安全过滤，被标记的响应返回空字符串。如果有影响，那也是对 Argon 不利。
DeepMind 网络安全页面上的网络安全行
DeepMind 网络安全页面在发布表格之外又补充了四项分数：
| 网络安全评测 | Gemini 4 Argon | 对比 |
|---|---|---|
| 真实世界漏洞发现 | 85.8% | Gemini 3.8 Flash Cyber 71.0% |
| Wiz Penetration Test Benchmark | 70.9% | Gemini 3.8 Flash Cyber 58.2% |
| Gray Swan IPI 攻击成功率（k=15，越低越好） | 0.7% | 图中最低；Kimi K3 最高，为 52.7% |
| CWE-bench v1 | 68% | 与 Grok 4.7 和 GPT-6 Astra 三方并列；Opus 5.5 为 67% |
漏洞评测使用了内部的 Antigravity 框架，该框架“并非专为网络安全设计”，并带有源代码访问权限。Wiz 测试只让模型“访问运行中的网站及其公开行为，不提供应用源代码”。两处主要对比都是与 Google 上一代网络安全模型比较，而不是与竞品。我们的 Argon 网络防御解读介绍了这些对你在用的 API 意味着什么。
第三方榜单
这些机构在发布后几分钟内就公布了分数，说明它们拥有发布前访问权限。
- Artificial Analysis 将 Gemini 4 Argon（High）的 Intelligence Index 列为 53，在 223 个中排第 8。该排名把每种推理设置单独计算。按不同模型统计，Argon 与 Fable 5.1 和 GPT-6 Astra 持平，排在 Opus 5.5（最高档 58）和 Sonnet 5.5（最高档 56）之后。AA 报告 AA-Omniscience 上的幻觉率为 15%（Astra 最高档为 51%），准确率为 50% 对 63%。运行该索引每个任务花费 $1.99，每个任务约 62K 输出 token，而 Astra 最高档约为 27K。Artificial Analysis 未显示速度或延迟数据。
- Vals AI 将 Argon 在 Vals Index 上列为 68.90%，在 41 个中排第 1，也是首个登顶的 Gemini 模型，每次测试 $15.68。Vals AI 列出其测试配置的最大输出为 262K，低于 Google 声称的 1M。
- Arena 将 Argon 在 Text 榜单上列为第 1，得分 1525，基于 4,942 票标注为 Preliminary，在 WebDev 上排第 8。
为什么媒体会给出 12、13 和 14 个胜场
各家媒体给出了三种不同的胜场数。以下按 Google 的 19 行重新统计：
| 对比对象 | Argon 胜 | 并列 | Argon 负 | 未报告 |
|---|---|---|---|---|
| 三家竞品中的最好成绩 | 13 | 1 | 5 | 0 |
| 仅对比 GPT-6 Astra | 14 | 1 | 4 | 0 |
| 仅对比 Claude Opus 5.5 | 14 | 0 | 4 | 1 |
| 仅对比 Claude Fable 5.1 | 15 | 0 | 2 | 2 |
13 是相对整个对比集合而言的。14 是相对与 Astra 或 Opus 5.5 的一对一比较而言的。12 与以上任何一种对全部 19 行的口径都不吻合，所以要检查那个来源统计了哪些行。差距也各不相同：Harvey Legal Agent（19.6% 对 6.7%）差距很大；Chartography 只有 0.6 个百分点。
访问开放当天如何运行你自己的评测
基准测试描述的是 Google 的框架；你的 prompt 描述的是你的产品。今天就用一个你能调用的模型把评测搭好，然后只需改一处就能指向 Argon。
- 挑选与你关心的行相匹配的真实 prompt：一次仓库修复、一个终端任务、一个长文档问题。
- 在 Apifox 中创建一个环境，将
GEMINI_API_KEY和GEMINI_MODEL设为gemini-3.8-flash。Google 尚未公布 Argon 的模型 ID，所以这个变量就是你要改的唯一值。 - 把每个 prompt 保存为一个请求，从
{{GEMINI_MODEL}}读取模型，并归入一个测试场景。 - 对输出添加断言（状态、必填字段、预期内容），并对
usageMetadata添加断言，包括按你的成本上限为thoughtsTokenCount设定上限。 - 现在就用 3.8 Flash 运行该场景，并保留报告作为基线。
Argon 的 ID 发布当天，替换该变量并重新运行。Google 表示“所有新模型”都会在 Interactions API 上发布，所以也请为每个请求保存一个 Interactions 版本。我们的 Argon vs Gemini 3.8 Flash 对比介绍了在价格和限制上可以预期什么。
常见问题
Gemini 4 Argon 的基准测试经过独立验证吗？部分经过。19 行中有 9 行对所有模型都来自公开榜单，Artificial Analysis、Vals AI 和 Arena 也公布了自己的结果。其余为 Google 自己为 Argon 运行的结果。
Gemini 4 Argon 的 DeepSWE 分数是多少？在 DeepSWE v1.1 上为 77.9%，领先 Opus 5.5（74.2%）和 Astra（74.1%）。Argon 的运行使用了 mini-swe agent 框架，而竞品数字来自一个榜单和系统卡。
Argon 在基准测试上胜过 GPT-6 Astra 吗？在 Google 表格的一对一比较中，Argon 胜 14 行、并列 1 行、负 4 行。在 Artificial Analysis 上两者同为 53。
我能自己复现这些基准测试吗？还不能。Argon 仅限 Fairwind 合作伙伴使用，Google 也没有给出公开发布日期；我们的 Argon 发布日期追踪会跟进这一推进过程。
下一步
现在就搭好这个场景，在 3.8 Flash 上运行，并保留报告。等 Argon 开放后，完成替换几分钟内你就能得到自己的数据，把环境准备好即可开始跑。
HiFox：将 Agent 变成真正的队友
另外，我们也在思考，AI 如何从个人提效走进团队协作。
HiFox 是一个让人和 AI Agent 在同一个工作现场协作的平台：你可以像给同事分派任务一样指派 Agent，在任务看板中跟踪进度、查看结果，让 Agent 成为团队里的队友。
👉 立即体验 HiFox：https://hifox.com
AI Coding 交流群
如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，
欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。
