10月13日，Gemini 4 Argon全面开放那天，我花15.68美元跑了一轮Vals Index，拿了68.9%的第一。

一、跑分第一，体验拉胯——Argon到底卡在哪一步

1.1 Vals Index 68.9%第一，但CUA-bench 4.83%倒数第二

Google官方发布的benchmark表格里，Argon在18项测试中赢了12项，DeepSWE v1.1跑到77.9%，碾压了Claude Opus 5.5的74.2%和GPT-6 Astra的74.1%。 valsindex.com的数据同样支持这个叙事，68.9%的综合得分排第一，比Opus 5.5的67.0%高出近两个百分点。

但CUA-bench的结果直接打脸。

CUA-bench测的是"continuous user assistance"——模型在多轮交互、工具调用、前端渲染、调试纠错这个链条上能走多远。Argon只拿到4.83%，落后于GPT-6 Astra的12.7%和Opus 5.5的9.1%，排在倒数第二。差距不是几个百分点，是一个数量级。

这不是同一个赛道。Val Index偏向知识检索、数学推理、代码生成这种一次性交付的任务；CUA-bench测的是Agent化工作流，模型需要理解上下文、调用工具、处理失败、自我修正。前者是"出题-答题"，后者是"带病工作"。

更准确地说，Argon在知识密集型的单项任务上确实有提升，但在需要持续追踪状态、处理不确定性的场景里，它表现得很生硬。一个典型信号是，它在多轮对话中容易丢失前置约束，或者在同一份代码里引入不一致的命名风格。

1.2 单次15.68美元的性价比，换不来流畅的前端体验

15.68美元跑完一轮Vals Index，这个数字本身看起来很有吸引力。相比之下，同样规模的任务用Opus 5.5跑要贵得多，用GPT-6 Astra也要接近这个价位的两倍。从单位成本算，Argon确实在拉新。

但成本优势只在benchmark场景里成立。

前端渲染是另一个问题。Argon生成的HTML/CSS代码经常存在结构嵌套混乱、响应式断点缺失、语义标签误用的情况。实测里一个典型的case是，让它根据设计稿还原一个卡片列表组件，它输出了正确的视觉布局，但把<article>用成了<div>，表单元素的label没有正确关联input，无障碍属性全线缺失。

这种问题在一次性demo里不会暴露，因为没有人真的去运行它、审查它的无障碍等级、或者把它接到生产环境。但如果你的目标是"能用"，不是"看起来能用"，Argon的前端输出需要人工重写至少30%的代码。

相比之下，GPT-6 Astra在同一批前端任务里的可用性高出不少，虽然它也犯了同样的结构错误，但至少标签选择和属性设置更接近行业标准。

1.3 额度消耗快、中文写作味道重，专业能力和用户感知错位

Argon的另一个问题是额度消耗速度。在一次普通的长文档处理任务里，它的input token用量比预期的快，output token更是异常膨胀——同样是两页的技术文档翻译，Opus 5.5输出了900 tokens，Argon输出了2400 tokens。多出的部分不是更有价值的信息，而是重复解释和冗余填充。

中文写作也有明显的"Google味"。句式结构偏长，嵌套从句多，专业术语中英混用的频率高，整体读感像是在读一篇机翻的技术白皮书，而不是一个中文母语者写的文档。这个问题在技术写作里特别明显，因为Argon倾向于逐句直译英文原文的逻辑结构，而不是先理解内容再重新组织中文表达。

坦白讲，知识库类任务里Argon确实能打，但一旦进入需要持续交互、反复修正、关注细节质量的工作流，它的短板就会暴露。跑分和实际体验之间的断层，不是bug，是设计取向的问题——它被优化成了"答题机器"，不是"协作伙伴"。

程序员系列表情：咱喝杯Java冷静下

前后端拉扯现场

Argon跑分与体验错位示意

Argon跑分与体验错位示意

Google在9月30日发布Argon时的姿态很克制：先只对Fairwind计划的网络安全人员开放，再逐步放给API付费用户、Ultra订阅者，最后才轮到普通消费者。这个节奏本身就说明问题——模型还没完全调顺，得让一小批高信任度用户先踩坑。

1.1 Vals Index 68.9%第一，但CUA-bench 4.83%倒数第二

关键数据在独立评测里才显现。CUA-bench是专门测agent在前端实际操作能力的benchmark，Argon拿到4.83%，在当轮参评模型里倒数第二。与之对应的是Vals Index——这个榜单侧重知识工作类任务，Argon拿了68.9%综合第一。

程序员系列表情：你又在偷偷写bug

跑分和体验，总有一个要妥协

这种分化不是偶然。Google发布的原始数据表显示，Argon在DeepSWE v1.1上拿到77.9%，领先Opus 5.5的74.2%；但在FrontierSWE v2上只有55.0%，落后GPT-6 Astra的65.5%整整10.5个百分点。同一模型，两个agent coding benchmark之间差了22.9个百分点。Google自己的方法论PDF也承认，DeepSWE的结果是self computed，而竞争对手的数据来自Datacurve公开榜单和Anthropic系统卡——这意味着部分成绩缺乏第三方交叉验证。

1.2 单次15.68美元的性价比，换不来流畅的前端体验

Argon的定价策略很激进。单次调用成本仅15.68美元，支持最高100万output token，这对需要大批量输出的场景确实有吸引力。但钱省下来了，前端体验没跟上。

据业内测试，Agent在完成邮件处理、浏览器操作这类真实工作时，Argon的完成率虽然不低，但中途卡住、报错、需要人工介入的频率明显高于同档竞品。用户第一触点在前端交互，这里出问题，跑分再高也白搭。

1.3 额度消耗快、中文写作味道重，专业能力和用户感知错位

另一个被频繁吐槽的点：额度消耗速度。100万output token听起来很多，但实际跑起来，Argon的输出往往更冗余，导致同等任务下消耗的token比预期多。

中文写作也有明显的Google训练痕迹——过度结构化、每段都要总结、句式偏长。专业模型的能力和用户的实际感知在这里出现了错位。用户买的是流畅体验，拿到的是跑分冠军，中间差了一个产品打磨的距离。

二、评测分化背后的逻辑

2.1 DeepSWE赢，FrontierSWE输，23个百分点的gap说明了什么

DeepSWE和FrontierSWE的区别在于测试任务的完整度和复杂度。DeepSWE v1.1更偏向单点代码生成和修复，FrontierSWE v2则要求模型在多轮交互中完成完整工作流。Argon在前者领先，在后者落后，说明它在长链条agent任务上还欠火候。

程序员 reaction：向优秀程序员低头

代码能写，流程跑不通

2.2 Vals vs Artificial Analysis，两种评测体系指向不同结论

Vals Index 68.9%第一，Artificial Analysis Intelligence Index只有53分，排在Opus 5.5的58分之后。两种体系差异在于：Vals侧重知识工作单项，Intelligence Index是十项综合评分，涵盖终端编程、科学推理和agent办公。Argon在AutomationBench上51.3%的得分确实亮眼，但其他维度的短板拉低了综合排名。

2.3 Google自己的文档也承认，部分成绩是self computed

这不是小事。Google在发布页承认DeepSWE结果是self computed，而竞品数据来自第三方。在benchmark竞争激烈的当下，self computed意味着缺乏独立验证，可信度要打折扣。

三、为什么跑分和体验会脱节

3.1 知识工作强不等于全场景强，AutomationBench 51.3%是真实力

AutomationBench测试的是agent能否在不人工干预的情况下完成全流程工作。Argon在这里51.3%，意味着不到一半的任务能独立完成。这个数字本身不差，但和前文的22.9% gap放在一起看，问题就清晰了——Argon能在特定场景下表现出色，但泛化能力还没到顶级水平。

被追着问 BUG 修完了吗时的程序员表情

底层引擎不错，前端交互还没调顺

Gemini 4 Argon能力矩阵

Gemini 4 Argon能力矩阵

3.2 前端agent能力才是用户第一触点，这一块短板致命

用户不会先看benchmark表格。他们打开产品，第一次交互就是前端操作——发邮件、填表单、浏览网页。这块体验不好，跑分再高也无济于事。Argon在CUA-bench上的倒数第二，恰恰说明这里是个硬伤。

3.3 性价比策略：100万output token，但用户体验不便宜

Argon的100万output token政策对重度用户确实友好，但前提是你能接受它的前端表现。如果为了省那15.68美元而牺牲流畅度，这个交易不一定划算。

四、结论：Argon适合谁，不适合谁

4.1 适合批量知识工作者，不适合追求流畅体验的普通用户

如果你每天需要模型帮你处理大量文档、写代码、做数据分析，Argon的性价比和知识能力是值得考虑的。但如果你看重的是丝滑的前端交互和稳定的中文写作体验，Opus 5.5仍然是更稳妥的选择。

4.2 订阅Ultra值不值，Opus 5.5仍然更稳

Argon的Ultra订阅要100美元，考虑到前端体验和额度消耗问题，目前不建议冲动升级。先用Pro版验证自己的使用场景是否匹配，再决定是否追加投入。

4.3 现在的建议：先用Pro版，别急着升级Ultra

Argon是一张有亮点的入场券，但不是完美产品。Google还在调，给点时间。现在能做的，是明确自己的需求边界，别被跑分带跑偏。

聊不动了先去搬砖时的无奈表情

跑分第一，干活第二，这是Google的新策略

五、落点：跑分之外的判断

5.1 评测体系的演进方向

当前评测体系的最大的问题是碎片化。Google有自己的表，Artificial Analysis有自己的索引，Datacurve有自己的排行榜，每个测试的设计逻辑都不一样。这导致同一个模型在不同榜单上排名差异很大。

未来的方向应该是标准化评测——把所有模型放在同一个环境里，用同一套指标打分。Artificial Analysis正在朝这个方向走，但覆盖面还不够。Google的DeepSWE和FrontierSWE如果能统一方法论，对其他模型的参考价值会更大。

5.2 今天的可执行建议

如果你今天就要选模型：代码辅助场景先试Opus 5.5，知识工作场景可以订阅Argon Pro会员，前端和交互密集型任务用GPT-6 Astra或等Argon的产品体验迭代。

如果你已经在用Argon：控制单次调用的复杂度，把长任务拆成多个小任务，减少上下文重建的开销。中文写作场景建议人工润色，或者直接换Opus 5.5。

跑分第一不等于体验第一。Argon证明了模型能力的上限，但产品体验的最后一英里，Google还没走完。

参考文献

点这里一键关注『计算机魔术师』

如果浏览器无法直接唤起微信，可在微信内打开公众号主页：计算机魔术师

上一篇:
同样的对话历史，有人每小时烧一次缓存钱，有人零成本续命
下一篇:
我看完Character.ai破产文件，发现AI创业踩的坑比想象中多

分享到这些地方

    •

    Copyright © 2026 AI Magician

    月色温柔，风也温柔。

    本站总访问量： 次 | 本站访客数： 人