Gemini 4 Argon 对比 Gemini 3.1 Pro：继任者更便宜，旧款模型仍赢下两场较量

Gemini 4 Argon 的运行成本低于它旨在取代的模型。这不是笔误。Google 给 Gemini 4 Argon 的初始输出费率是每百万 token 10 美元，而 Gemini 3.1 Pro Preview——如今位于 OrcaRouter 目录中的模型，也是 Argon 整个存在就是为了反驳的那一个——收费 12 美元。两者的输入价格同为 2 美元，除非你把 Gemini 3.1 Pro Preview 的输入 token 推过 20 万，此时其费率会翻倍，变为输入 4 美元、输出 18 美元。一个更便宜的继任者已经罕见得足以单独成为导语。

整体图景的其余部分则没那么整齐。在 Artificial Analysis 的 Intelligence Index 上，Gemini 4 Argon 得分为 52.6，而 Gemini 3.1 Pro Preview 为 29.7——22.9 分的差距本身会让人觉得，较旧的模型根本不在同一水平线上。但较旧的模型在 GPQA Diamond 上以 94.1% 胜出，而对方没有公布任何成绩；在长上下文推理上以 82.0 比 79.7 取胜；并取得了 95.6 的 τ²-Bench 智能体工具使用得分，而 DeepSeek 一直将其作为自家旗舰的头号亮点来引用。所以诚实的说法不是“Argon 取代 3.1 Pro”。而是“Argon 以更低的输出价格接替了 3.1 Pro 的工作，而 3.1 Pro 仍保留几项狭窄的优势，这些优势会对某一小部分特定工作负载有意义。”

Gemini 3.1 Pro Preview 究竟是什么

自 2026-02-19 起，它就被列入目录，而此后整整七个月里，它一直被称作预览版。在此期间，谷歌一直在发布 Flash 级模型——3.6 Flash、3.8 Flash，以及针对网络安全调优的 3.8 Flash Cyber——而 Pro 级则原地不动。这一差距正是 Argon 所有说法的背景，也是为什么一个早在五月就提出的问题（“Pro 级什么时候会被替换？”）到了十月仍然是该问的问题。

这张卡是真正的前沿模型，而不是遗留物。1,048,576 token 上下文，跨文本、图像、音频、视频和文件的多模态输入，工具调用、结构化输出与推理，以及我们这边给出的五个能力标签。它的弱点恰恰在于其训练之处：65,536 token 的最大输出，以及一个与 2026 年模型相比显得过时的任务画像。

这张表格你应该读两遍。

价格，均如所列，按每百万token计：

• 输入 — Gemini 4 Argon $2.00 对比 Gemini 3.1 Pro Preview $2.00。等级。

• 输出 — Gemini 4 Argon $10.00 对比 Gemini 3.1 Pro Preview $12.00。Argon 便宜 17%。

• 缓存输入 — Gemini 4 Argon $0.10 对比 Gemini 3.1 Pro Preview $0.20。

• 长输入档位——Gemini 4 Argon 采用统一的入门价格；Gemini 3.1 Pro Preview 在输入超过 200,000 个 token 后，价格上调至 $4.00 输入 / $18.00 输出。

• 最大输出 — Gemini 4 Argon 1,000,000 tokens，对比 Gemini 3.1 Pro Preview 的 65,536。

• 每项索引任务的实测成本——据 Artificial Analysis，Gemini 4 Argon 为 1.99 美元，而 Gemini 3.1 Pro Preview 为 0.67 美元。在这里，较旧的模型成本只有前者的三分之一，因为对评测框架来说，它需要执行的工作量要小得多。

最后那句话正是调和所在。按 token 计，Argon 更便宜；按任务计，它则要贵三倍，因为它回答的是更难的问题。如果你的工作负载是固定输入、固定输出——分类、抽取、已知长度的摘要——那么真正落到你账单上的就是按 token 计的数字。如果你的工作负载是“解决这个”，那么按任务计的数字才是诚实的那个，Argon 的溢价也确实存在。

22.9点的差距，及其来源

Artificial Analysis 运行的是固定测试集，因此那么大的差距本应一致地显现出来。它大体上确实如此，而且这种模式很有启发性：

• Terminal-Bench 4.0 — Gemini 4 Argon 57.1% 对比 Gemini 3.1 Pro Preview 4.0%。不是笔误。长时程软件工程是二者之间最大的单一能力变化。

• AutomationBench-AA — Gemini 4 Argon 77.5%，对比 Gemini 3.1 Pro Preview 35.4%。

• ApexAgents — Gemini 3.1 Pro Preview 32.0%，而同一榜单上未公布 Argon 的数值。

• SciCode — Gemini 4 Argon 61.8% 对比 Gemini 3.1 Pro Preview 58.7%。很接近。

• 人类的最后考试 — Gemini 4 Argon 57.1% 对比 Gemini 3.1 Pro Preview 47.0%。

• 长上下文推理 — Gemini 3.1 Pro Preview 82.0% 对比 Gemini 4 Argon 79.7%。旧模型以微弱优势获胜。

• GPQA Diamond — Gemini 3.1 Pro Preview 94.1%。Argon 未在该榜单上公布任何数据。

• 全知 — Gemini 4 Argon 42.4 对比 Gemini 3.1 Pro Preview 31.9。

• GDPval — Gemini 4 Argon 1,611 对比 Gemini 3.1 Pro Preview 776。

• ITBench-SRE — Gemini 4 Argon 未出现；Gemini 3.1 Pro Preview 30.3%。

所以：差距几乎完全在于智能体耐力与长时程任务执行，而且在这方面差距极其巨大。在科学多项选择推理、100 万 token 推理任务和 GPQA 上，这两个模型要么处于噪声范围内，要么较旧的那个领先。Terminal-Bench 4.0 的 4.0% 对 57.1%，这个数字应该决定大多数迁移决策，而这个数字正是较旧模型的辩护者会略过不提的。

两项重塑你架构的规范

Argon 的输出上限为 1,000,000 个 token，而上一代的上限仅为 64K——64K 恰好正是 Gemini 3.1 Pro Preview 所提供的量，准确来说是 65,536。单条轨迹中十六倍的余量，改变了单次调用所能被赋予的任务。

具体来说：你目前为了不超过 65K 输出上限而通过链式调用所做的一切——多文件补丁生成、长篇审计报告、一次性完成整份文档起草——都会变成单次调用。调用更少，意味着智能体循环丢失状态的地方更少，也意味着你的重试逻辑会变得更简单，而不是更复杂。如果你已经围绕 64K 上限搭建了复杂的脚手架，那么这些脚手架就会变成迁移成本。

Gemini 3.1 Pro Preview 保留了一项 Argon 的公告并未涉及的规格优势：音频和视频输入。Argon 公布的模态列表涵盖文本、图像、视频和文件——音频未在发布材料中点名，而 Google 给出的视频示例是 LVBench，一个长视频理解基准。如果你的流水线要摄取音频，在假定这次升级包含该模态之前，先核实该模态是否受支持。这是一个关于尚不可调用模型的可核查事实，而这恰恰是最容易过时的那类说法。

预览卡住挡路了

这里有一个真实、乏味且代价高昂的问题：较旧的模型被称为预览版，这个名字已经用了七个月，却没有人说明它之后会怎样。有两种情形都说得通，而它们对你的代码库意味着相反的后果。要么当 Argon 正式可用时，Gemini 3.1 Pro Preview 就会退役，你必须迁移；要么它会被取代，并在继续提供服务的同时缓慢弃用，而你有时间。

Google 自己的材料并未给出定论。Argon 发布公告称，更广泛的访问将“尽快”到来，先从付费 API 客户和 Google AI Ultra 订阅者开始，但对它所取代的 Pro 层级的命运却只字未提。保守的工程立场是那种不花任何代价的做法：把模型 id 留在配置中，而不是写进代码里；保留一套评估工具，让你能在一个下午内用真实提示词对候选模型进行测试；并把最终的切换当作一项运维任务，而不是一次重写。

在 OrcaRouter 上，这个位置尤其便宜，因为切换的只是一个字符串。google/gemini-3.1-pro-preview已按上述费率上线目录，与我们路由的另外200 多个模型共用同一个 OpenAI 兼容端点，按提供商标价、零加价——因此当 Google 调整 3.1 Pro 的价格或 Argon 正式发布时，我们这边的费率当天就会同步变化。用你的提示词同时跑这两个模型，只是改一次配置、多发一次请求，而不是再做一次集成，而且自动故障转移意味着某个导入失效时，不会把端点一起拖下线。

本月做什么

如果你正在使用 Gemini 3.1 Pro Preview，且你的工作负载是长上下文检索、GPQA 形式的科学推理，或任何依赖 94.1% 科学推理准确率作为关键支撑的场景，那么目前还没有迁移的理由——Argon 尚不可调用，而旧模型领先的那些特定任务类别也尚未被证明已经追平。不要仅凭一个指数差距就迁移。

如果你的工作负载是智能体编码、多步骤业务任务执行，或任何会生成大量输出的任务，那么从纸面上看，理由已经非常充分：十六倍的输出上限、53 分的 Terminal-Bench 差距，以及更低的输出价格。障碍纯粹在于，Argon 是通过 Google 的 Fairwind Program 面向受信任的网络防御者分阶段推出的，没有公开端点。把迁移列入你的路线图，趁现在没有压力就把评估框架搭好，并在 Argon 变为可调用的那一周运行它。继任者更便宜；为它做好准备几乎不花什么成本。