Gemini 4 Argon、GPT-6 Astra 与 Claude Opus，编程榜单该怎么看？
按代码、终端、长上下文和视频任务解读 Gemini 4 Argon 基准成绩，区分 Google 与独立评测口径，并提供可下载的选型测试表。
Ofox 
Gemini 4 Argon 并非在所有编程基准中领先。Google 比较表里，它在 DeepSWE v1.1 得到 77.9%，高于 GPT-6 Astra 和 Claude Opus 5.5；但 FrontierSWE v2 为 55.0%，低于这两者。同一比较表的 Terminal-Bench 4.0 则由 Opus 领先。真正有用的问题是：哪项基准接近你的工作，这些分数又是怎样测出来的？
本文分析截至 2026 年 10 月 14 日核对的公开证据，不是 Ofox 自行运行的模型对比实测。Google 对比、独立机构早期评测与我们提出的测试表分别标注。测试表是可执行的选型方法，空白行不代表已有实测结果。
编程成绩要按任务看
| 基准 | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 | 如何理解 |
|---|---|---|---|---|
| DeepSWE v1.1 | 77.9% | 74.1% | 74.2% | Argon 在这一项领先，不能推广到所有仓库任务 |
| FrontierSWE v2 | 55.0% | 65.5% | 62.3% | Astra 在这一项领先，要结合题目难度与测试配置 |
| Terminal-Bench 4.0 | 57.4% | 58.2% | 66.4% | Opus 在这一项领先，终端密集工作应单独验证 |
来源：Argon 模型卡与评测方法。这是 Google 汇总的对比，不是我们在完全相同的测试框架中运行三个模型。DeepSWE 和 Terminal-Bench 的方法说明将 Google 自测 Argon 与其他厂商公开榜单或系统卡结果并列，推理配置和测试框架差异都应保留。FrontierSWE 数值在 Google 方法文档中归于官方榜单。
这些差距是百分点，不是速度提升。Argon 的 DeepSWE 比 Astra 高 3.8 个百分点，FrontierSWE 却低 10.5 个百分点。任何一个差值都不能预测它在你的仓库能节省多少分钟。也不要把三个百分比平均成新的“编程总分”，它们的测试集与任务并不等价。
长上下文和视频分数回答另一类问题
| 公开基准 | Argon | Astra | Opus 5.5 | 必须保留的限制 |
|---|---|---|---|---|
| GraphWalks，256k–1M BFS F1 | 84.2% | 71.8% | 66.8% | Google 自测 200 道问题，不等于完整仓库正确率 |
| LVBench | 91.7% | 87.5% | 83.7% | 各模型帧数预算不同，不是输入相同条件下的实际使用成本比较 |
| AutomationBench | 51.3% | 41.4% | 42.5% | 私有测试集，与 Artificial Analysis 同类名称的基准不同 |
方法文档列出 Gemini 使用 1 FPS，其他模型采用不同帧数限制，包括 GPT 800 帧、Opus 600 帧。因此视频成绩同时受模型能力与输入预算影响。它值得作为试用 Argon 的理由，但不能证明在你的片长和采样方式下，Argon 具有同条件准确率或成本优势。
Argon 的统一上下文为 1,048,576 token，输入、思考和最终输出共享。这让长上下文试验成为可能，却不保证上传材料里的每个关键事实都能被正确使用。仓库任务要检查补丁是否遵守分散在各文件中的约束；视频任务应要求时间戳证据并核对实际画面；研究任务应逐项核查结论的来源支持，不能只接受流畅答案。
Artificial Analysis 的独立结果补充了什么？
Artificial Analysis 9 月 30 日报告以 high 推理档评估 Argon，Intelligence Index 为 53，与报告中 max 档 GPT-6 Astra 持平；GPT-6.1 Sol max 为 52。配置是结果的一部分，“53 对 53”不能证明所有推理档和延迟预算下表现相同。
该报告的 Intelligence Index 评测中，Argon 优惠期每任务 1.99 美元，约为 Astra 3.26 美元的 60%，但为 GPT-6.1 Sol 的 2.7 倍。按非优惠价估算，Argon 为 3.98 美元。这些是该评测工作负载和假设下的成本，不是用户任意一次任务的定价。报告同时指出，Argon 平均输出约 62,000 token，Astra 约 27,000，因此不能只看输入、输出单价判断完成任务的成本。
事实性指标也不能混用：报告在 AA-Omniscience 中给出的 Argon 幻觉率为 15%，准确率为 50%，Astra 准确率为 63%。幻觉率低不能改写成准确率更高，拒答、答对、答错需要分别统计。将其指数用于采购标准前，应阅读评测方法。
报告中的 AutomationBench-AA 78%，与 Google 表中的 AutomationBench 51.3% 不是同一个指标。即使社交媒体截图把名称都缩成“自动化”，测试名称、题集和方法仍必须分开。
第一轮试验该选什么任务？
以下是从证据推导出的测试假设，不是我们跑过模型后的实测推荐：
| 你的任务 | 可以优先调查的候选 | 什么结果才有说服力 |
|---|---|---|
| 接近 DeepSWE 的仓库问题修复 | Argon，保留 Astra、Opus 对照 | 补丁正确、相关测试通过、不夹带无关修改，并记录审核时间 |
| 接近 FrontierSWE 的高难软件工程 | Astra 或 Opus，仍让 Argon 参与比较 | 通过独立保留的回归检查，遵守架构约束 |
| 终端和工具执行密集任务 | Opus，与 Astra、Argon 比较 | 退出行为正确、命令可复现、失败后能有效恢复 |
| 很长的证据链或多模态分析 | 值得针对性试验 Argon | 控制输入规模，核对来源或时间戳，不把上下文容量当召回率 |
按实际任务、权限和预算选择。公开分数能帮助安排试验，不能代替试验。投入配置时间前，先看Argon 使用资格表，避免选到账号不能使用的入口。
做一轮允许模型“不通过”的测试
下载空白选型测试表 CSV，记录任务 ID、仓库或输入版本、模型参数、用量和验收结论。表内没有虚构模型表现。
- 选择一小组有代表性的真实任务，同时包含普通任务与容易出错的情况。删除密钥，确认私有输入的使用权限。不要只挑厂商演示中的例题。
- 固定输入版本、提示词、工具与运行时间。在看到答案前定义验收：预期行为、测试、引用要求、禁止的改动。
- 记录精确模型 ID、推理档位、客户端或 SDK 版本及重试。给某个模型更多时间或不同工具时明确标注，不把这种运行称为完全相同。
- 验收产物而不是解释。代码运行相关测试并检查 diff；抽取表格对照原文单元格；视频核对时间戳。说明再有说服力，也不能抵消错误产物。
- 被拒绝的尝试也计入时间和费用。统一合格标准后，再用总费用除以合格结果数。没有通过结果时如实记录，不生成误导性的平均成本。
- 对意外失败进行有理由的复跑，保留原结果。悄悄删除失败，只剩精选成功案例，不能称为评测。
API 费用表可以区分优惠期与 12 月费率；人工审核时间另计。一次调用便宜，但需要大量返工，不一定是更好的工作流。
发布公告里的效率提升不能直接套到团队预算
Google 的Antigravity 发布说明报告了四周内部观察：由 Agent 生成的代码（原文 agentic code）增加 35%，回滚减少 30%。这是 Google 内部观察，不是对所有团队的随机对照效果估计。
ADK Python 案例描述约 11 小时运行，最终两个补丁被接受、四个被拒绝。它说明审核仍有必要，不能证明每次隔夜自主运行都能交付可合并代码。
一个可解释的选型结论，应保留基准来源和日期，匹配自己的任务，完成小规模测试，并记录接受或拒绝的原因。公开证据足以让 Argon 进入候选，但不足以选出适用于所有任务的赢家。
