Claude Mythos 5 vs Gemini 4 Pro：名称有误，访问差距真实存在

如果你正在将 Claude Mythos 5 与 Gemini 4 Pro 进行比较，首先要了解的是，这两个名称中只有一个属于你能买到的模型。Google 并未发布过任何名为 Gemini 4 Pro 的模型。生产环境中前沿的 Gemini 4 模型是 Gemini 4 Argon，于 2026 年 9 月 30 日向一个由网络安全防御者组成的封闭群体发布，并于 2026 年 10 月 13 日在全球开放，推出价为每百万输入 token 2 美元、每百万输出 10 美元。Claude Mythos 5 于 2026 年 6 月 9 日发布，相同计量单位的价格为 10 美元和 50 美元，而且完全不通过自助方式销售。因此，诚实的比较并不是“哪个旗舰模型更好”。而是将一个输出价格高出五倍、受限的专家型模型，与一个面向所有人开放、且按将于 2026 年 11 月 30 日到期的促销价出售的通用型模型进行比较。

命名上的混淆值得澄清，而不是绕开它，因为它已经催生了一整排对比页面，这些页面所引用的规格，属于一个并未出现在 Google API 文档中的模型。“Gemini 4 Pro”作为社区标签在流传，用来指代内部检查点以及 Argon 发布本身。Google 的开发者文档列出的是 gemini-4-argon。下文所有关于 Google 一方的数据均来自该模型。

Google 实际交付了什么

Gemini 4 Argon 最引人注目的变化并不是输入窗口——谷歌尚未正式公布这一数据。真正的变化是输出上限：单次响应可达一百万 token，而上一代仅为 64K。这与大上下文窗口是不同层面的能力。一百万 token 的输出让模型能够在一次连续生成中写出完整的迁移方案、一整套测试，或一篇长文档，无需分段拼接；它也改变了智能体循环在单一步骤中能够返回的内容。

Google 公布的发布基准测试，全部由厂商自行报告，未经独立复现：

• DeepSWE v1.1 — 在 Google 的对比中达到 77.9%，而 Claude Opus 5.5 为 74.2%，GPT-6 Astra 为 74.1%。

• Vals Index — 68.9%，在 Google 涵盖金融、法律、税务和编程任务的综合评测中排名第一。

• Zapier AutomationBench — 51.3%，排名第一。

• LVBench — 长视频理解准确率 91.7%。

• CWE-bench v1 — 漏洞修复方面达到 68%，并列第一。

• Harvey 法律智能体基准测试 — 全项通过率 19.6%。

弱点同样具体，但被引述得较少。Argon 在 Terminal-Bench 4.0 上落后 Claude Opus 5.5 约九分，在 FrontierSWE v2 和 Terminal-Bench Science 上落后 GPT-6 Astra 约 10.5 分。在 GDPval-AA 上，它得分为 56%，某追踪机构将其排在第 14 位。Artificial Analysis 给它的 Intelligence Index 为 53——排名第三，与 GPT-6 Astra 并列，落后于得分为 58 的 Opus 5.5。

价差附有一个日历。

Argon 的 $2/$10 是 introductory rate（ introductory 价格）。自 2026 年 12 月 1 日起，它将变为 $4/$20。如今大多数页面的对比都默认这个 promotional 数字是永久性的，这使得它与 Claude Mythos 5 的差距在输出上看起来像 5 倍，而在价格变更后实为 2.5 倍。缓存输入是故事的另一半：Argon 将缓存读取费用打折 95%，降至每百万 $0.10，而 Mythos 5 的缓存读取为每百万 $1.00。对于每一轮都要重新读取大型代码仓库的 agent 而言，这一比率比 headline 输出价格更能决定账单。

Mythos 5 有一个很少被提及的价格优势：批量请求半价，而且其 100 万 token 上下文是明确记录在文档中的，而非推断得来。Google 已公布输出上限，但未公布输入窗口，第三方追踪工具用 Google 尚未确认的数字填补了这一空白。如果你的应用依赖某个特定的输入上限，那属于采购问题，而不是基准测试问题。

两张永不相遇的基准表

这两个模型在公开数据中并没有共用的测试框架。Google 报告的是 DeepSWE v1.1；Anthropic 的 Mythos 5 成绩表首先列出的是 SWE-bench Pro 80.3%、Terminal-Bench 2.1 88.0%、SWE-bench Verified 95.5%、CyberGym 83.8% 和 ExploitBench 78.0%。这些是不同的测试，由不同的实验室在不同日期运行。把它们并排放在一起，会得到一张看起来像对比、实则并非对比的表格。

唯一诚实的跨模型参照点是一个中立的指数。Artificial Analysis 将 Gemini 4 Argon 列为 53。Claude Mythos 5 完全没有出现在该指数上——最接近的条目是它的同门姊妹型号 Claude Fable 5.1 及其后继型号 Claude Mythos 5.1。对于一个自六月起便已可用的模型而言，独立评分的缺失本身就是一种信息：使 Mythos 5 无法进入一般流通渠道的访问限制，同样也把它挡在了大多数评估流程之外。

能否获得才是决定性变量，而不是质量。

Claude Mythos 5 无法用信用卡购买。2026年10月6日，Anthropic 将其 Cyber Verification Program 重组为三个基于申请的分层——Defence Access、Red Team Access，以及一个专为关键基础设施保留的 Specialised Access 层级，原有的 Project Glasswing 合作伙伴则被并入最高层级。申请需经过审核，发布时仅限美国组织，且所有 Mythos 级流量都强制适用 30 天保留政策，这使得任何有零保留承诺的用户都无法使用。没有注册页面。

Gemini 4 Argon 则分阶段走了另一条路。它先通过 Fairwind Program 向经过审查的防御方开放，随后于 10 月 13 日向付费 API 客户开放。如果你本季度正在构建某个东西，而你不是拥有审查时间表的安全组织，那么这些模型中，一个是预算中的一项开支，另一个则是一个项目。

这种不对称也重新框定了基准测试的论证。一个你无法调用的模型只有质量分数，而没有质量优势。对大多数团队而言，相关的问题是：哪个普遍可用的模型能提供最接近 Mythos 级行为的东西。在 Anthropic 这边，是 Claude Fable 5.1：同一个底层模型，保障措施完好，价格为 $10/$50，且没有验证计划。在 Google 这边，则是 Argon 本身，它广泛可用，但并不是与无分类器的网络模型相同的产品。

如果无法进行直接对比，该如何选择

如果你的工作是在能够通过审查的组织内开展获授权的进攻性安全、红队演练或恶意软件分析，那么 Claude Mythos 5 就是专业之选，而访问流程就是入场代价。如果你的工作是长输出代码生成、迁移或文档合成，那么 Gemini 4 Argon 今天就更便宜，在12月重新定价后，其输出价格还会比 Mythos 5 更便宜，而且无需申请即可使用。

对于介于两者之间的所有人，实际答案不是把其中任何一个当作单一依赖。Claude Fable 5.1 和 Claude Fable 5 都以标价列入 OrcaRouter 目录，且不加价，这意味着 Anthropic 的价目表会原样传达给你，价格变动当天即生效。Gemini 4 Argon 尚未进入我们的目录；我们实际路由的 Gemini 模型是 3.x 系列，因此 Argon 仍需要通过直接与 Google 签约来获取。将 Anthropic 这一侧与你已经在使用的模型一起通过同一个端点运行，是一种低成本方式，可用来测试 Fable 5.1 是否达到你的标准，然后再决定是否为其不受限制的孪生版本投入验证计划。

什么会改变这个比较？

有两个日期很重要。2026年12月1日，Argon的价格将翻倍，这会把产出差距缩小到2.5倍，并使缓存读取差异比标价更重要。而Anthropic的三层计划仍然足够新，因此审批时间表是供应商声称的，而不是实际观察到的。如果Defence Access最终只需几天而不是数周，那么关于访问权限的论点就会削弱，而该专业产品对更广泛的安全团队来说也将成为一个现实选项。在此之前，公允的总结是：Google以促销价出售一款前沿通用型产品，而Anthropic向一份获批组织名单出售一款受限的专业型产品——它们首先是不同的产品，然后才是不同的分数。