Gemini 4 Argon 還買不到，成績單卻有一半是 Google 自己跑的

Gemini 4 Argon 的發布比較表有 18 項基準。其中 9 項，Argon 那一格的分數是 Google 自己跑出來的。

這裡說的是「Argon 的分數由誰跑」，不是指那 9 個基準由 Google 出題。另外 9 項，Google 的評測方法說明（Methodology）把它們歸為第三方榜單的成績；這 9 項裡，Argon 在 RiemannBench 的 76.0%，目前在 Surge 的公開榜單頁上讀不到。

表上的 Argon，今天一般開發者還買不到。Google 9 月 30 日的公告寫，Argon 正透過 Fairwind 計畫開放給一批受信任的網路防禦者。到 10 月 3 日為止，Gemini API 的定價頁與公開模型清單都查不到 Argon。

本站的判斷是：這張表現在是一張值得追蹤的成績單，還不是換模型的理由。這個判斷靠兩個前提。第一，一般開發者今天買不到 Argon。第二，表上多數分數能不能拿來互比，要看每一格是怎麼跑的。兩個前提任何一個改變，判斷就要重做。

事實分級：Argon 的可用範圍、價格、規格與基準分數來自 Google 9 月 30 日的 Argon 官方頁、繁體中文版公告與官方頁連結的評測方法說明（Methodology）；Fairwind 的資格來自 Google DeepMind 的 Fairwind 專頁。對手的價格與規格來自 OpenAI 與 Anthropic 的官方文件。榜單數字對照 Zapier、Proximal、Surge、CWE-bench、Agents' Last Exam、Terminal-Bench 的公開頁（10 月 3 日讀取）。官方沒寫的：Argon 的 context window、介紹期結束日。沒有驗證的：Gemini app 與 Google AI Studio 登入後的模型選單。

Argon 9 月 30 日宣布，對外只開放給 Fairwind 計畫的受信任防禦者

Google 的 Argon 官方頁日期是 9 月 30 日，換成台北時間是 10 月 1 日凌晨 4 點；繁體中文版公告在 10 月 1 日上線。署名作者是 Google DeepMind 資深副總裁暨 Google 首席 AI 架構師 Koray Kavukcuoglu。

公告第一段就講了開放範圍：Argon 正在透過 Fairwind 計畫，開放給一批受信任的網路防禦者。Google 自己的團隊已經在用：公告另外寫，Argon 已經在驅動 Google 內部的工作流程，數千名 Google 員工提到它在專門的程式任務、深入研究和寫作品質上的強項。第二段接著寫，Google 正配合美國政府的自願性計畫，在模型正式發布前先開放權限讓相關單位評估，並且會在逐步擴大開放的同時蒐集早期測試者的回饋、調整護欄，之後才會盡快開放給開發者、企業與一般消費者。

文末「Rolling out soon」一節把順序再寫一次：正式開放時，先給付費 API 客戶與 Google AI Ultra 訂閱者。這一句沒有日期。Google 10 月 2 日發布的 9 月彙整頁，對 Argon 的說法也一樣：目前透過 Fairwind 開放、持續蒐集回饋、之後再擴大，同樣沒有日期。

Fairwind 不是為 Argon 新開的門。它是 9 月 2 日隨 Gemini 3.8 Flash 與 3.8 Flash Cyber 一起推出的有限存取計畫，對象是政府與國家網安機關、關鍵基礎設施營運者、核心技術平台，也接受聚焦防禦基準的學術實驗室。申請要填表，還要經過背景審查。DeepMind 的 Fairwind 專頁現在寫，一部分 Fairwind 夥伴取得 Argon 的獨家存取，夥伴總數超過 650 個。

進了門也有規矩。夥伴只能拿 Argon 做兼具攻防用途的防禦與研究任務，只能給內部的資安、事件應變與滲透測試團隊使用，不得轉售或再散布。透過 Gemini Enterprise 以代管模型提供時，支援零資料保留。

一般開發者那一側，查得到的是空白。Gemini API 的定價頁、模型清單頁，還有 Google Cloud 的 Google 模型清單頁，都還沒有 Argon；3.8 Flash 在這些頁面上都查得到。Gemini app 與 Google AI Studio 登入後的模型選單沒有驗證過，能確定的只有公開文件與清單查不到 Argon。

先給審核過的對象、晚一點才一般開放，這個節奏在前沿模型上不是第一次，站內有六月底的整理，寫過 GPT-5.6 的先例。Argon 目前的狀態是：先給審核過的對象，一般開放的日期還沒寫。

標準價是 Astra 的 4 成，在 AutomationBench 上每個任務的成本卻差不多

Argon 的價格目前只寫在公告裡，而且用的是未來式：「Argon will launch at an introductory price」，Argon 將以介紹價推出。介紹價是每百萬輸入 token 2 美元、輸出 10 美元，快取輸入比輸入價便宜 95%。

介紹價後面掛了一個註腳：

After the introductory period expires, the price of $4 per 1M input tokens and $20 per 1M output tokens will apply.

介紹期結束後，標準價是輸入 4 美元、輸出 20 美元。繁中版的寫法是「優惠期結束後，將恢復標準計費」。介紹期哪一天結束，官方頁、繁中頁、9 月彙整頁、Fairwind 頁都沒寫，Gemini API 定價頁也還沒有 Argon 這一列。

每百萬 token 牌價（美元）

模型	輸入	輸出	快取讀取	價格狀態
Gemini 4 Argon 介紹價	2	10	官方只寫比輸入價便宜 95%，沒給美元數	公告寫將以此價推出，介紹期結束日沒寫
Gemini 4 Argon 標準價	4	20	同上	介紹期結束後適用
GPT-6 Astra	10	50	1	官方定價已列
Claude Fable 5.1	10	50	0.25	官方定價已列
Claude Opus 5.5	4	20	0.20	官方定價已列

把牌價對齊，Argon 標準價的輸入與輸出都是 Astra 和 Fable 5.1 的 4 成（4÷10、20÷50），和 Opus 5.5 同價；介紹價則是 Astra 和 Fable 5.1 的 2 成。快取的美元價 Google 還沒公布。超長輸入要不要加價，Argon 公告也沒提；Astra 有一條超過 272K 整份加價的規則，站內拆 Astra 定價時寫過。Opus 5.5 和 GPT-6 Sol／Luna 的價格怎麼比，站內另有一篇。

但單價不等於帳單。各家的 token 切法不同，同一段文字算出來的 token 數不一樣，單價 4 成不代表同一個任務的帳單也是 4 成。

剛好有一個榜單直接算了帳。Zapier 的 AutomationBench 榜單（1.0.6 版）在分數旁邊多給了一欄「Cost / task」，也就是每完成一個任務花多少錢。

Zapier AutomationBench：分數與每任務成本（標準牌價）

模型（設定）	分數	每任務成本
Gemini 4 Argon（High）	51.29%	1.70 美元
Gemini 4 Argon（Medium）	50.08%	1.54 美元
Claude Opus 5.5（default fallbacks, Max）	42.47%	1.44 美元
GPT 6 Astra（Max）	41.4%	1.73 美元

照標準牌價算，Argon（High）每個任務 1.70 美元，Astra（Max）1.73 美元，相差 0.03 美元。單價只有 4 成，每個任務的成本卻幾乎一樣。合理的讀法是 Argon 在這組任務上計費的 token 比較多；這是從價格反推的，榜單沒有直接寫。

榜單的排名與成本欄用的都是標準牌價，註腳另外列了促銷價：Argon（High）每個任務 0.85 美元，Argon（Medium）0.77 美元。照促銷價算，Argon（High）每個任務的成本大約是 Astra（Max）的一半（0.85 對 1.73）；照標準牌價，兩邊就回到差不多。

這組數字只代表 AutomationBench 這一個基準的這一次測量，換一個工作負載，token 用量的比例會不一樣。還有一件 Argon 公告沒寫的事：輸出價包不包含思考 token。CWE-bench 榜單替 Argon 算成本時，寫的是思考 token 也算在內。

官方寫的 1M 是輸出上限，Argon 的 context window 官方沒寫

Argon 公告講規格的那一段是這樣寫的：

we are significantly expanding the model’s output token limit to an industry-leading 1M tokens, up from the previous 64K tokens.

主詞是 output token limit，也就是輸出 token 的上限，從 6 萬 4 千提高到 100 萬。繁中版寫的也是「輸出詞元上限」。

同一頁的上方，寫法不一樣。官方頁頂部有一段由 Google AI 產生的摘要，寫的是「1 million token limit」，沒有 output 這個字；正文往下才寫明是輸出上限。查到的報導裡，有 3 家把這個數字寫成 context window，也有媒體寫對。

Argon 的 context window 到底多大，官方頁與 API 文件都沒寫。對手三家都寫了。OpenAI 的模型文件寫，GPT-6 Astra 的 context window 是 1,050,000 token、輸出上限 128,000。Anthropic 的文件寫，Claude Fable 5.1 的 context window 是 1M、輸出上限 128K；Claude Opus 5.5 也是 1M 與 128K。

所以在容量規格上，四個模型能並排比的只有輸出上限：Argon 1M，另外三家都是 128K。輸入能塞多少，Argon 那一格目前是空的。

Google 在公告裡講的用途在輸出這一側：讓模型有餘裕深入思考，在單次推演裡生成數十萬個 token。

18 項基準分三種來源，Argon 在每一種的成績都不一樣

Google 的比較表把 Argon 和 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 並排，一共 19 列。GraphWalks 分成兩個長度子集，算一項，所以是 18 項。

每一格分數從哪裡來，寫在比較表底下連結的評測方法說明（Methodology）裡。開頭先定了預設值：非 Gemini 模型的分數，除非下面另外註明，都取自廠商自報；Astra、Fable 5.1、Opus 5.5 預設取各自可用的推理強度上限的成績。往下逐項看註明，18 項可以分成三類。下面這張表的重點在最右邊三欄：同樣是 Argon，三類來源下的成績不一樣。

Google 比較表 18 項基準的來源分類（依 Google Methodology）

來源類	項數	基準	Argon 第一	並列	沒贏
A：Methodology 歸為第三方公開榜單	9	Vals Index、AutomationBench、Vals Finance Agent v2、Harvey's Legal Agent Benchmark、FrontierSWE v2、Vibe Code Bench、RiemannBench、Chartography、CWE-bench v1	7	1	1
B：Argon 由 Google 自己跑，對手取榜單或廠商自報	5	DeepSWE v1.1、Terminal-Bench 4.0、Terminal-Bench Science 0.1、Agent's Last Exam、OSWorld 2.0	2	0	3
C：四個模型全由 Google 自己跑	4	PostTrainBench、LABBench2、GraphWalks（兩個子集）、LVBench	3	0	1
合計	18		12	1	5

A 類 9 項，Methodology 寫的是取自 Vals AI、Zapier、Proximal、Surge、CWE-bench 等公開榜單，Argon 和對手的分數從同一處來。B 類 5 項，Argon 的分數由 Google 自己跑；對手那幾格，Terminal-Bench 兩項與 Agent's Last Exam 取自榜單，DeepSWE v1.1 的 Astra 取自榜單、兩個 Claude 模型取自各自的 system card，OSWorld 2.0 的 Astra 取自 OpenAI 的部落格。B 類 5 項的共同點只有一個：Argon 那一格是 Google 跑的。C 類 4 項，四個模型的分數全部由 Google 自己跑。

Argon 沒贏的 5 項，括號裡是該項表上分數高的對手：FrontierSWE v2（Astra 65.5%）、Terminal-Bench 4.0（Opus 5.5 66.4%）、Terminal-Bench Science 0.1（Astra 68.1%）、OSWorld 2.0（Astra 72.6%）與 PostTrainBench（Opus 5.5 49.3%）。寫程式的代理任務那 4 項，Argon 贏 DeepSWE v1.1 與 Vibe Code Bench，輸 FrontierSWE v2 與 Terminal-Bench 4.0。

這個分類說明的是「這一格是誰跑的」，不說明哪一類比較可信。數字也不支持「自己跑就贏比較多」的讀法：全由 Google 自跑的 C 類，Argon 贏 4 項裡的 3 項；同樣是 Argon 自跑的 B 類，只贏 5 項裡的 2 項。A 類也不等於 Google 沒經手：榜單上的 Argon 分數是榜單收錄的，是不是 Google 提交的，從公開頁看不出來。

A 類裡有一格要多帶一句，就是 RiemannBench 的 Argon 76.0%。Surge 的公開榜單上，Astra 72%、Opus 5.5 69.6%、Fable 5.1 65.6% 都和 Google 的表對得上，Argon 這一行目前讀不到。

Astra 的 Agent's Last Exam 是 34.2% 還是 59.3%？兩個數字都在同一個榜單上

Google 的比較表上，GPT-6 Astra 的 Agent's Last Exam（ALE）是 34.2%。OpenAI 自己的 Astra 發布頁，同一個基準寫的是 59.3%。差了 25.1 個百分點。

答案在榜單本身。ALE 的公開榜單分五個分頁，Google 與 OpenAI 的數字都對得上 Overall 分頁。Overall 分頁上每個模型有兩欄：Pass Rate 與 Score。Astra 的 Pass Rate 是 34.2、Score 是 59.3；Opus 5.5 的 Pass Rate 是 38.2、Score 是 63.2。

Google 的 Methodology 寫了「We report the binary pass rate」，用的是 Pass Rate 欄。OpenAI 頁沒有註明 59.3% 是哪一欄，但這個數字對得上 Score 欄。所以最合理的讀法是：兩家寫的是同一個榜單、同一個模型的兩個指標。

同一個模型、同一個基準名稱，數字對不上的情況，表上至少還有兩種。

同一個模型、同一個基準名稱，兩個數字

基準	模型	Google 表	另一個數字	兩個數字的出處
Agent's Last Exam	GPT-6 Astra	34.2%	59.3%（OpenAI 頁）	同一榜單的 Pass Rate 欄與 Score 欄
Agent's Last Exam	Claude Opus 5.5	38.2%	63.2%（榜單 Score 欄）	同上
Terminal-Bench 4.0	Claude Fable 5.1	57.9%（榜單 57.88%）	55.8%（Anthropic 自報）	榜單與廠商自報
Terminal-Bench 4.0	GPT-6 Astra	58.2%（榜單 58.18%）	57.9%（OpenAI 頁）	榜單與廠商自報
Terminal-Bench Science 0.1	GPT-6 Astra	68.1%（Google 寫取自榜單）	64.6%（OpenAI 頁）	兩個來源
Terminal-Bench 4.0	Claude Opus 5.5	66.4%（Google 寫取自榜單）	榜單頁找不到這一列	66.4% 出現在 Anthropic 的 Opus 5.5 公告頁

第二種是廠商自報與榜單不同。Terminal-Bench 4.0 的榜單上，Fable 5.1 是 57.88%、Astra 是 58.18%，Google 的表寫成 57.9% 與 58.2%；Methodology 說取的是榜單上各模型分數較高的那個推理強度。兩家廠商自己公布的數字比較低：Anthropic 報 Fable 5.1 是 55.8%，OpenAI 報 Astra 是 57.9%。

第三種是表上標示的來源與查到的來源不一致，原因未明。Google 表上 Opus 5.5 的 Terminal-Bench 4.0 是 66.4%，比 Argon 的 57.4% 高 9 個百分點。Methodology 寫 Argon 以外的模型都取自官方公開榜單；但 10 月 3 日的 Terminal-Bench 4.0 榜單頁上，找不到 Opus 5.5 這一列，也找不到 66.4 這個數字。榜單上 Claude 系列最高的兩列，Fable 5.1 是 57.88%、Opus 5 是 53.94%。

66.4% 出現在 Anthropic 的 Opus 5.5 公告頁，是 Anthropic 自報、xhigh 推理強度的成績。這一格標示的來源是榜單，查到的來源是廠商公告，兩者對不上的原因，公開資料看不出來。

不是每一格都對不上。DeepSWE v1.1、AutomationBench、OSWorld 2.0，以及 Terminal-Bench Science 0.1 的 Fable 5.1，OpenAI 頁和 Google 表寫的是同一個數字。讀比較表時，同名的基準要先確認是哪一欄、誰報的，再拿來比。

同一個 LVBench，Argon 每秒抽 1 幀，Astra 整支影片抽 800 幀

基準名稱一樣，跑法可以不一樣。Google 的 Methodology 與幾個榜單頁把設定寫得很清楚，拿出來排在一起，每一項都是一個具體的差異。

第一個是 LVBench，測長影片理解。Argon 在表上是 91.7%，Astra 87.5%、Opus 5.5 83.7%、Fable 5.1 79.7%，四個模型都由 Google 自己跑、都不用工具。但抽影格的方式不同：Gemini 每秒抽 1 幀，Astra 整支影片抽 800 幀，Fable 5.1 抽 300 幀，Opus 5.5 抽 600 幀。Google 寫的理由是 API 的限制。抽幀方式不同對哪一邊有利，Methodology 沒寫，表上也看不出來。Gemini 處理影片時一幀算多少 token，站內實測過代理式影片理解。

第二個是 OSWorld 2.0，測電腦操作。Argon 的 69.2% 不是一般意義上的 OSWorld 成績：它是離線子集的部分分數，跑了三次、每次只有一次嘗試，取三次裡分數高的那次；用的是 Gemini CUA harness，還加了脈絡壓縮流程。Astra 的 72.6% 取自 OpenAI 的官方部落格。Anthropic 只公布線上與離線合併的成績，所以 Claude 兩欄沒有分數。Argon 三次取高，仍然輸 Astra 3.4 個百分點。

第三個是 Agent's Last Exam。Argon 是用 ALE-Claw harness、5 小時的時限、開著安全過濾器跑的；被過濾器擋下的回應會變成空字串，但這一輪任務可以繼續。

第四個是 Claude 的分數裡含護欄與接手。Zapier 的 AutomationBench 榜單上，Fable 5.1 那一列標的是 Fable 5.1 搭配 Opus 5 接手：Fable 5.1 的安全分類器拒絕的步驟由 Opus 5 完成，再交回 Fable 5.1 收尾。Opus 5 處理了約 4 成的任務（657 個裡的 260 個），這些任務都算進 31.4%。成本欄只算 Fable 5.1 的部分，Zapier 自己寫了合計成本會更高。在分領域排名裡，Zapier 把這一列排除：

Claude Fable 5.1 (with Opus 5 Fallback) is excluded as not directly comparable.

Google 表上 Fable 5.1 的 AutomationBench 31.4%，就是這個合計的數字。Opus 5.5 在 Zapier 榜單上也標著「default fallbacks」。Anthropic 的 Opus 5.5 公告頁註腳寫，評測時開著正式環境的安全護欄；護欄介入時，資安任務由 Opus 4.8 完成，生物與前沿 LLM 開發任務由 Opus 5 完成，Anthropic 自己寫這很可能拉低 Opus 5.5 在這些基準的表現。

第五個是 FrontierSWE。Proximal 的榜單頁上，Argon 那一列有一條註記：因為非正式環境的設定，Argon 的快取命中率低很多。這一項 Argon 是 55.0%，輸給 Astra 的 65.5%。

第六個是 CWE-bench v1，測修補資安漏洞。榜單圖在每個模型下面標了 harness：Argon 用 Antigravity，Astra 用 Codex，Opus 5.5 與 Fable 5.1 用 Claude Code，Grok 4.7 用 opencode。Argon、Astra、Grok 4.7 都是 68%，Opus 5.5 是 67%。榜單依 pass@1 排序，同分再用 pass@4 破同分，排出來的順序是 Grok 4.7、Argon、Astra、Opus 5.5。Google 公告寫的是「ties for first place with a top score of 68%」，並列第一；這句屬實，但 Argon 不是單獨第一。

同一個模型換一個 harness，分數可以差多遠，站內拆 Astra 的成績時看過一次：GPT-6 Astra 在 ARC-AGI-3 的兩種 harness。

Fairwind、Daybreak、Glasswing 是三扇門，開給的對象各不相同

Argon 的資安能力是公告的主打之一，而它目前的開放方式本身就是一道資安入口。三家都有一個放寬資安限制、要審核才拿得到的入口，但門開給誰不一樣；這一節先把三扇門並排，再看 Google 給的資安成績。

Google 的 Fairwind 開給政府、關鍵基礎設施、核心技術平台，再加上聚焦防禦基準的學術實驗室。Argon 公告寫，對受信任的防禦者與 Google 自己的內部團隊，Argon 會不帶資安護欄釋出，讓他們用上完整的資安防禦能力。

OpenAI 的 Daybreak 個人與組織都能申請，但要讓 Astra 降低拒答，目前得用 Daybreak Red，Red 只開給核准的 Business 與 Enterprise 組織。Astra 的發布頁寫，Astra 會拒絕執行更進階的網路安全任務，例如為漏洞建立概念驗證利用程式，OpenAI「計劃在未來數週擴大開放使用範圍」。Daybreak 的 Blue 與 Red 兩層差在哪裡，站內在OpenAI 推出 GPT-5.6-Cyber 的時候拆過。

Anthropic 的 Claude Mythos 5.1，開發者文件寫只透過 Project Glasswing 邀請提供，公告則寫走受信任存取計畫，對象是受審核的網路防禦者與生命科學研究者。官方不同頁面的說法並存，站內在Fable 5.1 與 Mythos 5.1 的發布文裡整理過三種說法。

門後的成績，Google 給了三組數字，對手各不相同。

第一組只跟自家前代比。Google 內部的漏洞發現資料集涵蓋 20 種程式語言，Argon 85.8%，3.8 Flash Cyber 71.0%；Wiz 內部的滲透測試基準，Argon 70.9%，3.8 Flash Cyber 58.2%。這兩項沒有 Astra 或 Fable 5.1 的分數。Wiz 也已經用 Argon 跑它的 Scan for Good，一個免費保護關鍵公共基礎設施的計畫。

第二組是 CWE-bench v1，上一節講過：Argon、Astra、Grok 4.7 同為 68%，harness 各異。

第三組是 Gray Swan 的間接提示注入基準，量的是攻擊成功率，數字越低越好。Google 的圖上列了 13 個模型：Argon 0.7%，Opus 5.5 與 Fable 5.1 各 1.0%，Astra 8.5%。Argon 的 0.7% 比其他 12 個模型都低。Methodology 寫這組數字取自 Gray Swan；Gray Swan 的公開榜單沒有找到，目前只能以 Google 的圖為準。

本站判斷：Argon 先列候補，四個訊號出現再重測

以下是本站的選型判斷，不是事實本身。結論是：台灣的開發團隊現在可以把 Argon 列進候補名單，但還不必為它改動手上的模型選擇。信賴度中等。

往支持「先列候補」的方向，有三組材料。第一，一般開發者今天買不到 Argon，公開開放沒有日期，定價頁也還沒有它。第二，比較表上有 9 項的 Argon 分數是 Google 自己跑的，跑法的差異（抽幀數、三次取高、安全過濾器、harness）在 Methodology 與榜單頁上寫得很清楚，直接拿來和對手比，比的不是同一個條件。第三，價格的優勢還沒定型：介紹期結束日沒寫、快取的美元價沒寫、context window 沒寫，而 AutomationBench 那一次測量裡，標準牌價下 Argon 和 Astra 每個任務的成本只差 0.03 美元。

往反對的方向，也有材料要認真看。Google Methodology 歸為第三方榜單的 9 項，Argon 第一 7 項、並列 1 項，只輸 FrontierSWE v2 一項。同一個 Zapier 榜單上，Argon（High）的 51.29% 比 Opus 5.5 的 42.47%、Astra 的 41.4% 都高，而且是同一個榜單、同一套計分。Gray Swan 的注入攻擊成功率，Argon 的 0.7% 也比圖上其他 12 個模型低。標準價和 Opus 5.5 同價，介紹期內又更便宜。這些材料說明 Argon 值得列進候補，但不改變「今天買不到」這個前提。

台灣的組織如果屬於政府單位、關鍵基礎設施營運者或核心技術平台，可以先去看 Fairwind 的申請條件。Fairwind 頁面上沒看到地區限制的條款；沒看到不等於沒有限制，送件前要先確認。

出現下面四個訊號，就值得重測一次：

• Gemini API 定價頁出現 Argon 這一列，寫出介紹期結束日、快取的美元價，以及長輸入要不要加價。
• 官方寫出 Argon 的 context window。
• B 類那 5 項出現第三方榜單收錄的 Argon 分數，或 Surge 的 RiemannBench 頁出現 Argon 這一行。
• Argon 開放給付費 API 客戶之後，拿自己的工作負載量一次每個任務的成本，而不是只比每百萬 token 的單價。

給非工程師的一句話

Google 這款新模型的成績單，有一半是 Google 自己跑的分數，而且現在一般人還買不到；先記住 Gemini 4 Argon 這個名字，等它真的上架、等別人也跑過，再決定要不要換。