生成的主标题卡以“GPT-6.2 Astra vs Gemini 4 Argon”为标题,副标题为“一个你还买不到的十五个百分点差距”,并有三枚证据标签,分别写着“Intelligence Index:62.1 对 52.56”、“Hospital-bench:62.4% 对 46.9%”和“Argon:已公布,无模型 ID”,页脚注明 GPT-6.2 Astra 于 2026 年 11 月 17 日发布,而 Gemini 4 Argon 于 2026 年 9 月 30 日公布且没有端点。
Guides & Insights

GPT-6.2 Astra 对比 Gemini 4 Argon:一道你目前还买不到的差距

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

GPT-6.2 Astra 和 Gemini 4 Argon 同时出现在三个独立榜单上,并且在这三个榜单上,同一个模型都以大于逐次运行噪声的幅度胜出。在 2026 年 11 月 20 日发布的二十模型智能体管理评测 Hospital-bench 上,GPT-6.2 Astra 的平均得分为 62.4%,全通过率为 29.2%,而 Gemini 4 Argon 为 46.9% 和 16.7%。在 Blueprint-Bench 2 上,差距为 0.614 对 0.544。在 Artificial Analysis Intelligence Index 上,在相同的最大努力设置下,差距为 62.1 对 52.56。这在该指数上是十五个百分点的领先,大约为八次干净任务完成对十四次,而且这一点没有争议。

争议在于,这种对比是否描述的是一个选择。OpenAI 于 2026 年 11 月 17 日发布了 GPT-6.2 Astra,价格为每百万输入 token 8 美元、每百万输出 token 40 美元。Google 于 2026 年 9 月 30 日宣布了 Gemini 4 Argon,但尚未发布:没有模型标识符,没有 Gemini API 端点,没有自助服务配额,也没有正式可用日期,而且访问需通过 Fairwind Program,而不是注册页面。确实存在的定价——每百万 2.00 美元和 10.00 美元——只是一份价目表,而不是该项目之外任何人正在支付的账单。因此,对这场对比最诚实的表述并不是该标准化采用哪个模型,而是:两者之中,一个是可选方案,另一个只是基准测试条目;十五个百分点的差距告诉你的是你在等待什么,而不是你该买什么。

每个模型实际上是什么

GPT-6.2 Astra 是 OpenAI 面向长周期专业工作的旗舰模型,拥有 1,050,000 个 token 的上下文窗口、128,000 个 token 的最大输出,并支持文本、图像和文件的多模态输入。推理始终开启,effort 可从 low 配置到 max,模型同时支持 chat-completions 格式和原生 Responses API,包括后台模式。它是 GPT-6 系列中第三款占据 OpenAI 模型卡顶端的模型,而相较 GPT-6 Astra 发生变化的两点在运营上至关重要:计量器双向均降低 20%,缓存输入降低 60%,从 $1.00 降至 $0.40。

Gemini 4 Argon 是 Google Gemini 4 系列的第四层级,定位低于 Pro、高于 Hydrogen,Neon 和 Carbon 占据中间位置。已发布的卡片内容单薄,而这一点本身就颇具信息量:100 万 token 上下文、文本和图像输入、以 Artificial Analysis 所测量的那一行呈现的高推理配置,以及 $2 和 $10 的价格。它没有公布输出 token 上限,没有记录在案的工具使用接口,没有上下文缓存文档,也没有模型 ID。相比之下,同一系列中的 Carbon 配有完整描述,涵盖原生函数调用、结构化输出,以及 OpenAI 兼容和原生 generateContent 两条路径。Argon 有卡片、有价格、也有排行榜行。它还没有产品。

这种不对称决定了下文所有内容的形态。当两个模型都可调用时,正面比较就是一项采购决策。当一个可调用而另一个仅已公布时,这种比较实际上是把三个问题叠在一起:能力差距有多大,价格优势能持续多久,以及必须发生什么才会让第二个问题变得重要。最后一个问题才是有意思的,因为价格优势上印着一个到期日。

三块板,一个方向

两个模型都出现在同样的三项评测中,这些评测由三个不同的机构开展,采用三种不同的方法。各项评测之间的一致性,是这一比较中最有力的证据;而关于幅度大小的分歧,则是第二有力的证据。

• Hospital-bench 平均值 — GPT-6.2 Astra 62.4% 对比 Gemini 4 Argon 46.9%,相差 15.5 个百分点

• 医院基准测试完整通过率——Astra 29.2%(48 项中通过 14 项)对比 Argon 16.7%(48 项中通过 8 项)

• Blueprint-Bench 2 — Astra 0.614 对 Argon 0.544,在 0 到 1 的尺度上相差 0.070

• Intelligence Index v5.0.1 — Astra 62.1 对比 Argon 52.56,两者均以最大努力运行

• 每次 Index 任务的成本——Astra 为 $4.00,Argon 为 $1.99,基于完全相同的测试套件测得

• 每 100 万输入价格 — Astra 为 8.00 美元,而 Argon 在 11 月 30 日前为 2.00 美元,之后为 4.00 美元

A generated three-row comparison card titled 'Three boards, one direction', with row one reading 'Hospital-bench 62.4% vs 46.9%', row two 'Blueprint-Bench 2 0.614 vs 0.544' and row three 'Intelligence Index v5.0.1 62.1 vs 52.56', column headers 'GPT-6.2 Astra' and 'Gemini 4 Argon', and the footer 'Three independent evaluators, three different methods'.

Hospital-bench 的结果值得单独用一行来说明,因为它衡量的内容很关键。这项评估为智能体提供了横跨十三个互联系统的 131 项工具,并让它们在一家拥有 320 张床位的医院里执行四十八项行政任务——预先授权、被拒理赔、记录请求。在所有这类榜单上,它最接近智能体实际受雇要去做的工作,而这里的差距是三者中最大的,平均得分相差 15.5 分。通过率这一列对 Argon 更不利:八次无瑕疵完成,对比十四次,完全完成的任务少了 43%;而在这个基准里,一份只完成一半的预先授权就是一笔被拒理赔,而不是部分得分。

Blueprint-Bench 2 是三个差距中最窄的,为 0.070,也是两个模型在类型上最接近的一项——两者都在根据一系列照片重建平面图连通图,这项任务更奖励长程一致性,而非领域知识。Argon 在那里缩小到 0.07 以内,而在通用指数上落后 9.5 分,这真实地表明了其优势所在。它同时也是与人类相关性最小的一块榜单,在引用它之前值得记住这一点。

价格优势是有期限的。

这就是让整个对比需要重新组织的关键事实。Gemini 4 Argon 的价目表是:截至 2026 年 11 月 30 日,每百万 token 输入 $2.00、输出 $10.00。到了 12 月 1 日,这两项价格将变为 $4.00 和 $20.00。这不是传闻,也不是预测:这是一份已公布的价格时间表,而它是 Argon 经济性中最具决定性的一点,因为模型本身在那一天并不会发生任何变化。

• 每百万输入 — Argon 现为 $2.00,12 月 1 日起为 $4.00;Astra 为 $8.00,保持不变

• 每 1M 输出 — Argon 今日 $10.00,12 月 1 日起 $20.00;Astra $40.00,保持不变

• 缓存输入 — Argon 今日 $0.10,之后 $0.20;Astra $0.40,价格不变

• 每个 Index 任务的实测成本——Argon 目前为 1.99 美元,之后约为 3.98 美元;Astra 为 4.00 美元

• 上下文超过 272K — Argon 未公布长上下文档位;Astra 将整个请求重新计价为 $16 和 $60

如今,Argon 每 token 的价格是 Astra 的四分之一,每完成一个 Index 任务的价格是 Astra 的一半;对于一个落后九点五个百分点的模型来说,这是相当可观的折扣。12 月 1 日之后,它每 token 的价格是 Astra 的一半,在每 Index 任务成本上则与 Astra 大致持平——届时,每任务成本更低的模型同时也是得分更低的那个,成本论证也就完全不起作用了。

有两种机制会让当前的优势比表面上看起来更小。第一种是:Astra 的长上下文断崖确实存在,而 Argon 的则没有文档说明:当提示 token 超过 272,000 时,Astra 会将整个请求重新定价为输入 $16、输出 $60。在 Astra 上运行一次 300K token 的 agent 任务,在模型写出一个 token 之前,输入成本就要 $4.80,而就在 271,999 token 时还只需 $2.17。如果你的工作负载是 agent 型且长上下文,那么这道断崖可能在单次请求中抹掉 4 倍的 token 优势——而如果不是,那你本来也永远不会用到你正在付费的 1.05M 窗口。

第二点是,token 价格并不等同于任务成本。Artificial Analysis 在完全相同的评测套件上对两个模型进行测量,报告 Argon 为 1.99 美元,而 Astra 为 4.00 美元,这是二比一的比例,而非价目表所暗示的四比一。Argon 为得出答案消耗了更多 token,或者用了更多轮次,或者两者兼有。这正是更便宜模型的典型形态,也意味着只有每任务账单才是值得作为预算依据的数字。

这十五点是由什么构成的

在同等最大努力下,9.5 分的指数差距是一个很大的数字,因此值得具体说明这一差距来自哪里,而不是把该指数当作单一结论。Artificial Analysis 的 Intelligence Index 是九项评估的平均值,而这两个模型并非在相同的评估项上失分。Astra 的优势集中在智能体与长时程组件上——这也正是 Hospital-bench 让它领先的地方——而在 Argon 具有竞争力的单项知识与推理任务上,这一优势会缩小。

这种模式与这两个模型的构建方式是一致的。Astra 是一个推理模型,始终开启思考,并且可将努力程度配置到最高 max;努力程度设置是影响其得分和费用的最大单一杠杆。Argon 公布的那一行是它的高推理配置,而 Google 将这一设置定位为平衡点,而非上限;该系列中没有 xhigh 档位。当你比较“每个模型能做到的最好水平”时,你是在拿 max 档的 Astra 与低一档的 Argon 相比,而这一差距既反映了上述情况,也同样反映了架构差异。

另一方面确实有一个实实在在的注意事项,而且它对 Astra 不利。一个推理时间更长的模型,即使 token 价格相同,每项任务的成本也更高;而 Astra 在 Intelligence Index 任务上平均耗时 20.2 分钟,远高于该套件的中位数。这 15 个百分点的领先优势是用实际耗时和金钱换来的;对于对延迟敏感的产品——面向客户的智能体、支持分诊循环——可用的比较是中等努力程度的 Astra 对高努力程度的 Argon,此时差距明显小于 9.5 个百分点,成本情况也随之改变。

可调用的那个

这一切最终都回到可用性上,因为如今这场比较实际上正是由这一维度决定的。截至 2026 年 11 月 20 日,GPT-6.2 Astra 不在 OrcaRouter 目录中——我们路由的 O​penAI 模型是 GPT-6 Astra(在 Hospital-bench 上为 46.7%),以及 GPT-6 Sol 系列,其中 GPT-6.2 Sol 分别为 57.6% 和 25.0%。Gemini 4 Argon 在这里也无法路由,原因更简单:G​oogle 没有发布可供路由的标识符。

这使本次对比的双方都无法通过我们自己的端点访问,对一篇对比文章来说,这是个不寻常的落点,值得不加粉饰地说明。如今双方能用的都是上一代:来自 O​penAI 的 GPT-6 Astra 和 GPT-6.2 Sol,以及来自 G​oogle 的 Gemini 4 Carbon 和 G​emini 4 Neon。四者均以提供商目录价计费,且不转嫁任何加价,因此供应商降价当天就会体现在你的费率中,而不是等到下一次合同续签。跨提供商自动故障转移意味着某个模型触发速率限制不会让批次停滞,而路由 DSL 让你可以把某类任务固定到某个模型,而无需重写集成。

• 你现在可以调用的 — GPT-6 Astra、GPT-6.2 Sol、Gemini 4 Carbon、G​emini 4 Neon

• 你无法使用的 — GPT-6.2 Astra(截至11月20日不在我们的目录中),Gemini 4 Argon(任何地方都没有公开的模型 ID)

• 这一差距价值几何——在 Hospital-bench 上为 15.5 分,在 Intelligence Index 上为 9.5,在 Blueprint-Bench 2 上为 0.070

• 以后再切换需要付出什么代价——一旦有了标识符,只需改一个模型字符串

A generated pricing timeline card titled 'The price advantage has a date on it', with rows reading 'Argon today $2.00 in / $10.00 out per 1M', 'Argon from 1 December 2026 $4.00 in / $20.00 out', 'Astra, flat $8.00 in / $40.00 out' and 'Cost per Index task: Argon $1.99 now, about $3.98 after; Astra $4.00', over a footer noting Argon's pricing is a published schedule and the model itself does not change on 1 December.

实用建议取决于日期,而不是分数。如果你本月需要一个用于智能体行政工作的前沿 OpenAI 模型,那么 GPT-6.2 Sol 是我们目录中最接近 Hospital-bench 排行榜榜首的选项,而且在两个 OpenAI 选项中,它的每 token 价格仅为另一个的四分之一。如果你需要 Google 模型,Carbon 和 Neon 均已上线,且在某些子评估上都超过了 Argon 的指数。这两者都不是本文名义上讨论的模型,而假装不是这样,就会是那种读起来漂亮、路由却很糟糕的做法。

什么会改变这一解读

三项进展会改变答案,第一项就是 Gemini 4 Argon 的正式上线。一个公开的模型标识符、一个自助式端点,以及一个有文档记录的工具调用接口,会把这件事从"拿产品与价目表作对比"变成一项采购决策——同时也会厘清 52.56 这一指数行在接触真实 API 之后是否还站得住脚,因为目前流传的每一个 Argon 数字都来自一种几乎无人能运行的配置。

第二个是 2026 年 12 月 1 日。费率表翻倍是这一比较中最大的单一经济事件,而且它发生在已知日期。如果 Argon 的每任务成本如算术所暗示的那样落在 4.00 美元附近,那么该模型在完成每个 Index 任务的成本上与 Astra 持平,同时落后 9.5 个百分点,支持它的理由就只剩下具体情形——它在哪些任务上有竞争力、在哪些工作负载下其 token 支出更低、哪些团队已经在 Fairwind Program 之内。如果实测成本低于预测,那么“便宜但稍差”的定位就是可持续的,而这将变成一场真正的双雄价格之争。

第三点是 Hospital-bench 的第二次运行。11 月 20 日发布的结果是一次单独开展的评测活动,既没有方法说明页面,也没有任务集和运行日志;而在四十八项任务上出现十五个百分点的差距,是一个很有说服力的结果,值得在任何人将其作为标准之前再进行一次测量。那张表内部的代际比较是最不可能发生变化的部分:GPT-6.2 Astra 为 62.4%,GPT-6 Astra 为 46.7%,干净完成率从 8.3% 升至 29.2%,这一跃升幅度足够大,能够经受住噪声的影响。

所以,那十五点是真实的,价格优势是暂时的,而这项比较尚不构成一个选择。GPT-6.2 Astra 在两者共同出现的每一个榜单上都是更好的模型,优势幅度在与真实智能体工作最接近的评测上最大,而且它是两者中今天唯一真正可以调用的模型。Gemini 4 Argon 则是一张价目表,附带着排行榜上的一行,以及其唯一优势上的一个到期日。买第一个,观察第二个,并在 12 月 1 日重读本文——届时,无需任何一个模型移动,算术就会改变。

The Hospital-bench leaderboard graphic from the 20 November 2026 X thread, headed 'Hospital-bench' with the methodology line about the administrative operations of a 320-bed hospital across 13 connected systems, labelled 'Top 10 of 20 models' with 'Mean score' and 'Pass rate' columns. The two rows this comparison turns on read GPT-6.2 Astra 62.4% / 29.2% at the top and Gemini 4 Argon 46.9% / 16.7% in ninth, with the rest of the field between them.

本文中的对比2

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新