Gemini 4 Argon 对比 Claude Opus 5.5：价格减半，准确率也减半
内容提要
谷歌Gemini 4 Argon在18项基准测试中14项领先Claude Opus 5.5，且限时半价。作者实测三项任务：代码审查两者持平，Argon更便宜；规格测试因一行代码错误失败；长上下文测试中Argon推理错误严重、回答草率。结论：Argon虽便宜，但可靠性不足，不建议使用。
延伸解读
基准测试与真实任务之间的落差
文章指出，谷歌公布的18项基准中Argon领先14项，但作者实测三项任务却得到不同结果：代码审查持平，规格测试因一行代码错误失败，长上下文测试推理错误严重。这提醒读者，厂商基准分数不能直接等同于实际工作表现，尤其当测试任务与基准设计差异较大时，需以自身场景验证。
半价窗口的短期性与长期成本
Argon目前输入每百万token 2美元、输出10美元，仅为Opus 5.5的一半，但12月1日起将涨至4美元和20美元，与Opus持平。作者测试中Argon因token用量更少，即使恢复原价仍可能更便宜，但价格优势会缩小。读者需注意限时折扣的截止时间，并综合token消耗评估长期成本。
长上下文任务中的可靠性风险
在长上下文“爆炸半径”问题中，Argon在500K、600K、900K文档上均出现错误，且回答迅速、缺乏推理步骤，token用量远低于Opus。作者认为这反映推理过程草率，虽不能证明因果，但提示在需要精确追溯依赖关系的任务中，Argon的可靠性不足，不宜盲目信任。
单次测试的局限与使用建议
作者每个任务只运行一次，且承认无法从单次运行证明Argon错误的原因。因此结论应视为警示而非定论。对于代码审查等任务，Argon表现与Opus相当且更便宜；但对于规格实现和长上下文推理，作者基于实测表示不会使用Argon。读者可参考其方法，在自身关键任务上做小规模对比测试。
Q&A
Gemini 4 Argon 和 Claude Opus 5.5 的价格对比如何？
在限时优惠期间（至11月30日），Gemini 4 Argon 的价格为每百万输入token 2美元、每百万输出token 10美元，是 Claude Opus 5.5 价格的一半。但从12月1日起，Argon 的价格将上涨至每百万输入token 4美元、每百万输出token 20美元，与 Opus 5.5 持平。
Gemini 4 Argon 在基准测试中的表现真的比 Claude Opus 5.5 好吗？
根据谷歌公布的基准测试，Argon 在18项测试中的14项领先 Opus 5.5，例如 DeepSWE（77.9% vs. 74.2%）和 GraphWalks（84.2% vs. 66.8%）。但 Opus 5.5 在 Terminal-bench 4.0 等4项测试中领先。然而，实际测试表明基准测试并不总能反映真实工作表现。
在实际代码审查任务中，Gemini 4 Argon 和 Claude Opus 5.5 哪个更准确？
在代码审查任务中，两者表现持平：都找到了全部14个bug，包括4个跨文件追踪的bug，且都没有误报。后续修复中，两者都修复了所有bug且未破坏现有测试。但 Argon 的成本更低，平均每个bug的审查成本为1美分，而 Opus 为2.4美分。
为什么 Gemini 4 Argon 在规格测试中失败？
Argon 在规格测试中失败是因为它犯了一个小错误：在代码中向 Python 的 `datetime.combine()` 传递了额外的参数，导致错误，而大多数模块依赖于该辅助函数。当作者手动修正这一行后，Argon 通过了所有测试（80/80 和 100/100）。但官方评分仍基于未修正的版本。
在长上下文测试中，Gemini 4 Argon 的表现如何？
在长上下文测试中，Argon 表现不佳。对于“爆炸半径”问题（要求列出所有受影响的服务），正确答案是33个服务。Opus 在500K和600K上下文下分别正确识别了33个和32个服务，没有错误条目。而 Argon 在500K时正确20个、错误8个；600K时正确19个、错误16个；900K时正确23个、错误2个。此外，Argon 推理错误严重，回答草率，没有展示逐步推理过程。
作者对 Gemini 4 Argon 的整体评价是什么？
作者认为，尽管 Argon 在代码审查任务中与 Opus 5.5 持平且更便宜，但在规格测试和长上下文测试中表现不可靠，推理错误严重。因此，作者不建议使用 Argon，因为其可靠性不足，无法在不加质疑的情况下信任它完成任何任务。
