遲到一年的逆襲？Google躍級發布Gemini 4 Argon：綜合智力重回前三，為何實戰能力被打問號？
Google在美國時間9月30日（台灣時間10月1日）發表新一代旗艦模型Gemini 4 Argon，距離上一代Gemini 3將近一年，也是Google DeepMind超過7個月來第一款比輕量Flash系列更高階的模型。
獨立評測機構Artificial Analysis的綜合智力指數顯示，Argon拿下53分，與OpenAI的GPT-6 Astra並列，以這項指數衡量，Google重回AI實驗室前三強。不過，Argon截至10月1日只開放給少數資安合作夥伴試用，《Bloomberg》也引述知情人士報導，部分Google員工認為它實際寫程式的表現不如跑分亮眼。
3.5 Pro跳票之後，Argon是什麼來頭？
Argon來得比預期晚。Google在5月的I/O開發者大會預告Gemini 3.5 Pro、承諾隔月推出，最後卻沒有發表；《Bloomberg》引述知情人士指出，Google已放棄3.5 Pro。事實上，這段空窗期Google確實只持續推出更小、更便宜的Flash模型，反觀OpenAI與Anthropic則一路往前衝。
Google DeepMind負責人Koray Kavukcuoglu具名發布的官方部落格文章指出，Argon專為長時間、多步驟的複雜任務打造，主攻軟體工程、法律與金融等企業知識工作，以及資安防禦。Google DeepMind的Gemini產品負責人Tulsee Doshi接受《Axios》採訪時表示：「Argon是一款全方位的模型，在多個領域都具備最前沿的能力。」
最直觀的變化是輸出長度的上限。AI模型處理文字的基本單位稱為token，Argon的輸出上限從前代的6.4萬個token拉高到100萬個，換算約為75萬個英文單字。Google的說法是，模型有足夠空間深入推理，才能一次解開困難問題。實際使用時，這麼長的回應要靠Gemini API新功能Long Decode Continuation，把長回應暫停、再透過後續呼叫接續下去，Artificial Analysis測試時就是這樣做，以避免請求逾時。
Google內部已大量使用Argon。以Google開源的影片解碼軟體libgav1為例，Google讓多個Argon分頭作業，接手一個既有的Rust（一種較能避免記憶體漏洞的程式語言）版本，把其中3.2萬行針對處理器加速的程式碼（SIMD）改寫成安全的Rust寫法，最後產出的解碼器比原本的Rust版快2.7倍，輸出畫面完全一致。
開放節奏則相當保守。Argon第一階段只透過Fairwind計畫開放給一群受信任的資安防禦者，Google也參與美國政府的自願性機制，讓政府在模型公開前先取得使用權限。等測試回饋到位、防護機制調整完成，才會擴大開放給開發者、企業與消費者，首批是付費API客戶與Google AI Ultra訂閱用戶，Google並未公布具體時程。
跑分追上了，價格優勢卻是打折換來的
根據Artificial Analysis的測試，Argon在最高推理強度下的綜合智力指數為53分，與GPT-6 Astra並列，略高於OpenAI另一款GPT-6.1 Sol（52分）；相較Google上一款非Flash等級的模型Gemini 3.1 Pro Preview（30分），一口氣大進23分。
進步主要來自兩處。第一是代理能力，也就是讓AI自己拆解步驟、操作工具完成任務，這向來是Gemini的弱項。Argon在Artificial Analysis版的自動化測試AutomationBench-AA拿下77.5%，排名第一，領先Anthropic的Claude Sonnet 5.5約6個百分點；在測試命令列操作能力的Terminal Bench 4拿到57%，僅次於Claude Sonnet 5.5、Claude Opus 5.5與GPT-6 Astra。
第二是幻覺率。在AA-Omniscience知識測試中，Argon的幻覺率為15%，是綜合指數45分以上模型中最低，GPT-6 Astra則為51%。換言之，Argon遇到不知道的問題，比較會老實承認，而不是硬猜，但代價是答對率只有50%，低於GPT-6 Astra的63%。
Google自家公布的成績則包括：測試長時間軟體工程任務的DeepSWE v1.1拿下77.9%，創下最佳成績；測試資安漏洞修補能力的CWE-bench v1以68%並列第一。
價格是另一個賣點，但要看清楚條件。Argon首發優惠價為每100萬個輸入token 2美元（約新台幣64元）、輸出token 10美元（約新台幣319元），是原價4美元（約新台幣127元）與20美元（約新台幣637元）的五折，Google未公布優惠期限。
Artificial Analysis推算，在首發五折、加上快取折扣提高到95%（重複送入模型的內容大幅打折）的條件下，Argon完成一項綜合指數測試任務平均花1.99美元（約新台幣63元），只要GPT-6 Astra（3.26美元，約新台幣104元）的6成。
不過，較低的測試任務成本主要來自優惠定價與快取折扣，並非更省token。 在這項測試中，Argon每項任務平均輸出6.2萬個token，是GPT-6 Astra（2.7萬個）的兩倍多；一旦優惠結束，每項任務成本會升到3.98美元（約新台幣127元），約為GPT-6 Astra的1.2倍。
內部雜音：分數漂亮，實戰寫程式卻未必
發表當天，《Bloomberg》引述多名直接接觸開發的知情人士報導，Gemini 4在業界常用的基準測試上表現亮眼，但員工實際拿來工作時表現較差，處理某些寫程式任務有困難；其中一人指出，Argon不太擅長決定App與網站外觀的前端設計。
報導也點名業界常見的「刷榜」（benchmaxxing）現象，指的是工程師把心力放在拿高分，而不是做出真正好用的產品，兩名知情人士認為Gemini 4似乎受此影響。AI新創Surge AI創辦人Edwin Chen比喻：「就像說『我家小孩SAT（美國大學入學考試）考得很好』，但SAT成績並不等於現實世界的表現。」
Google內部看法並不一致。部分員工認為Anthropic的Fable與OpenAI的Astra進步速度比Gemini更快，Gemini 4即使在最佳狀態，某些面向仍會落後；也有員工認為新模型已追上領先實驗室。
延伸閱讀：Google AI掌門換人！13年老將接棒哈薩比斯：Koray Kavukcuoglu是誰？如何搶救Gemini劣勢？
資料來源：Google官方公告、《Axios》、《Bloomberg》、Artificial Analysis評測、Artificial Analysis X貼文、鉅亨網匯率
本文初稿為AI編撰，整理．編輯/ 李先泰