Gemini 4 Argon 在 FrontierSWE 上：它大喊「我發現了！」，然後為自己的作業評分

Gemini 4 Argon 有個個性問題，而這是自 Google 於 2026-09-30 宣布該模型以來，任何人對它說過最有趣的一句話。在超長時程的 FrontierSWE 基準測試中，拿下第三名——落後於 GPT-6 Astra 與 Claude Opus 5.5——的這個模型，讓評測人員留下難忘的印象：它最愛用的詞是「Eureka!」，而且它會花掉二十小時任務預算中的很大一部分，對自己極其嚴苛。那是來自一位基準測試操作者的、近乎洩密性質的單一來源觀察，既不是廠商的主張，也不是發布說明，因此值得精確釐清：它告訴了你什麼，又沒告訴你什麼。上述三個模型，沒有任何一個附有 Argon 的 GA 日期；這項觀察談的是模型在測試框架內的行為，而隨之而來的數字，則是 Argon 在一項 Google 並未自行運行的基準測試上，首度有獨立測量結果。

「Eureka!」這句感嘆實際上到底是什麼

來源是 @nrehiew_ 的貼文，他是一名從事模型評估的工程師，貼文於 2026-09-30 發佈，引用了 Sundar Pichai 的 Gemini 4 Argon 公告。內容重點是三項說法：Argon 是他們在 FrontierSWE 上評估過最有趣的模型；它最喜歡的詞是「Eureka!」；而且它極度自我批判。發文者形容它是相較於先前 Gemini 的一大進步，同時仍保留那種個性，並稱其令人印象深刻。

仔細讀那句話，因為它很容易被過度解讀。那只是某位評估者觀看 agent 軌跡後的印象，不是評分結果，不是已發布的指標，也不是 Proximal Labs——FrontierSWE 的開發與營運者——具名背書的研究發現。排行榜上並沒有「自我批評」這一欄。這番話值得一寫，並不是因為它具權威性，而是因為它是 Google 以外任何人對 Argon 提出的唯一質性解讀；也因為這款模型並未全面開放，這類軌跡目前是唯一能看見它實際行為的方式。

這也正好觸及任何打算把 Argon 當作代理來運行的人所面對的一個真正問題。長時程的程式編寫執行，大多本質上是預算管理問題：一個會打斷自己以重新思考、會為自己的中間成果評分，並且會宣告突破的模型，就是把詞元花在流程上的模型。那究竟是優勢還是負擔，完全取決於自我批判會收斂，還是會陷入迴圈。單一評估者說一句「令人印象深刻」，只是一個資料點，不是答案。

FrontierSWE v2，以及為何第三名的結果才是真正的重點

FrontierSWE 不是那種可以只看標題數字就理解的基準測試。它由 Proximal Labs 打造，並在其儲存庫中描述為一個超長時程的程式設計代理基準，用來測試實作、效能工程與 ML 研究。第 2 版於 2026 年 9 月發布，在原始任務集之外新增了 21 項任務，總計 34 項，並預期代理能持續工作長達二十小時。所有內容都透過 Proximal 自家的測試框架 proximus 執行，該框架建構於 mini-swe-agent 之上，並加入了上下文壓縮、視覺與明確的提交工具。評分方式為 mean@5——每項任務五次嘗試的平均值——而所回報的不確定性範圍，涵蓋每項任務最差執行表現的平均值到最佳執行表現的平均值。

那套方法論對於誠實解讀 Argon 的那一列來說很重要：

• 分數 — Gemini 4 Argon 55.0% mean@5，±9.9，相較之下 GPT-6 Astra 為 65.5%、Claude Opus 5.5 為 62.3%

• 分佈範圍 — Argon 的多次執行區間從 44.5%（worst@5）到 64.3%（best@5），此範圍在高標端與 Opus 5.5 的 52.0%–71.5% 重疊，但與 Astra 的 55.1%–73.0% 則完全不重疊

• 每次試驗成本 — Argon $129.36，Opus 5.5 $98.87，Astra $1,029.65

• 每次試驗的實際耗時——Argon 10.6 小時，Opus 5.5 14.2 小時，Astra 12.1 小時

你首先注意到的是，Argon 排在第三，而且在分數上跟第二名差很遠。第二件事——這件事才該決定你在不在意——就是：在這項基準測試上，Argon 被 Claude Opus 5.5 嚴格支配。Opus 5.5 得分更高（62.3% 對 55.0%），而且每次試驗成本更低（$98.87 對 $129.36）。在這裡，Argon 沒有任何一個面向能勝出。它唯一的優勢是時間：10.6 小時對上 Opus 5.5 的 14.2 小時；如果你是按實際耗時（wall-clock）而非按 token 付費，這優勢是真的，但如果你是按每次試驗的預算付費，那就無關緊要。

Proximal 自家的排行榜在 Argon 那一列旁附了一則註腳，所有引用這個數字的人都應該照樣引述：「Gemini 4 Argon：由於採用非正式生產環境的設定，快取命中率低上許多。」這是評估者在點明，他們執行 Argon 時所用的組態並非正式生產部署會採用的組態，這會灌大其成本，也很可能灌大其延遲。這是專門針對成本數字所加的但書，也正是 $129.36 應被解讀為上限值、而非價目表的原因。

Google 自家圖表並未顯示的數字

這裡正是消息來源變得真正有意思的地方，也是大多數關於這個結果的報導會出錯的地方。Google 的公告文章包含一張基準測試圖表，其中有一列 FrontierSWE v2。那一列顯示 GPT-6 Astra 65.5%、Claude Fable 5.1 56.3%、Claude Opus 5.5 62.3%。Gemini 4 Argon 不在其中。Proximal 的即時排行榜顯示 Astra 為 65.5%、Opus 5.5 為 62.3%——數字相同——但把 Claude Fable 5.1 列為 56.5%，而非 56.3%，並列出 Gemini 4 Argon 為 55.0%。

遺漏的原因並不神祕，Google 自己也這麼說：伴隨其評估套件的方法論註記指出，FrontierSWE 的結果是取自 Proximal 官方公開的排行榜。Google 並未自行計算這項基準。他們引用的第三方與我們所引用的是同一個，而該第三方所公布的唯一 Argon 數據就是 55.0%。因此，誠實的解讀是：Argon 的 FrontierSWE 分數是一項真正獨立的量測——由 Proximal 在其測試框架、在其任務上執行——而結果是 Argon 落後於兩家競爭對手。

谷歌圖表中的其他所有內容都是供應商自行報告的，你心裡應該這樣標記：在 Vals Index 上，Argon 的 63.1% 對上 Opus 5.5 的 67.0%；AutomationBench 的 41.4% 對上 Opus 5.5 的 42.5%；Vibe Code Bench 的 89.6% 對上 Astra 與 Opus 5.5 皆為 90.3%；LVBench 的 87.5% 對上 83.7%；CWE-bench v1 的 68.0% 對上 Opus 5.5 的 67.0%。那些都是谷歌用自己挑選的評估項目所做的測試結果。在那張圖裡，FrontierSWE 那一列是讀者唯一能獨立查核的項目，這正是為什麼第三名的結果，比它周圍那種打平或小幅勝出的模式更有分量。

Artificial Analysis 獨立說了些什麼

FrontierSWE 是一個視角。Artificial Analysis 則是另一個，而且它與這個故事的整體輪廓相符。在他們的 Intelligence Index v4.3.2 中，Gemini 4 Argon 在其高推理組態下得分 52.56——這是在他們自己的硬體上獨立測量所得，並非由 Google 回報——其定價為每百萬輸入詞元 2.00 美元、每百萬輸出詞元 10.00 美元，並享有 95% 的快取輸入折扣。他們的儀器量測顯示，單一索引任務的成本為 1.99 美元。

真正要緊的那項比較，正是 FrontierSWE 所產出的那一項。Claude Opus 5.5 在其高配置下，於該指數上得分更高，為 53.58，且每項任務成本更低，為 1.82 美元。兩個獨立評估者使用不同的任務與不同的測試框架，在品質與成本兩方面都把 Argon 排在 Opus 5.5 之後。這是一致而連貫的訊號，而非單一基準測試所造成的假象，而這也是目前關於 Gemini 4 Argon 經濟效益所能說的最有力的一點。

已宣布，未發布——以及為何這種說法不是吹毛求疵

沒有 Gemini 4 Argon 這個模型 ID。存取權正透過 Fairwind Program 逐步開放給經過審核的網路防禦人員，同時分階段開放給付費 API 客戶與 Google AI Ultra 訂閱者，且尚未公布一般可用日期。Google 的貼文是宣布一個模型和一組評估，而不是推出一個可供呼叫的端點。如果你讀過將此描述為正式發布的報導，那些報導跑在事實前面。

這個區別對任何閱讀 FrontierSWE 數字的人都有實際影響。這項評估是針對 Proximal 在某種安排下所能取用的模型進行的；它告訴你的是該模型能做到什麼，而不是你能擁有什麼。這也意味著這些效能數據的半衰期比平常更短。一個尚未正式推出（GA）的模型仍可能改變——解碼設定、系統提示、工具使用預設值與安全防護框架全都還在調校中，而據稱 Argon 快取命中率偏低的原因，正是評估者當時跑的不是正式生產環境配置。預期 55.0% 與 $129.36 這兩個數字還會變動。

什麼會改變這個局面：一個已公布的模型 ID 加上價目表、一個 GA 日期、在生產環境設定下重跑的 FrontierSWE，以及第二位獨立評估者重現第三名的結果。至少在這些條件中的前兩項出現之前，要把每一個 Argon 數字——包括 Google 自家圖表中那些好看的數字——都視為暫定。

性格解讀是最經得起時間考驗的部分

一個 pre-GA 模型的基準測試分數，其保鮮期以週計。但行為觀察則不然。長程代理工作才是模型性格真正顯現的地方，因為二十小時的預算搭配 34 項任務，已足夠讓模型的傾向逐步累積：它如何從失敗的做法中恢復、是否會停下來重新規劃、能不能分辨一個難題和一次走錯方向。一位看過大量這類軌跡的評估者，若把某個模型描述為自我批判、而且事情奏效時容易驚呼，其實是在描述一個會將自身進展的推理外顯化的模型。那是一個假設，用來解釋為什麼 Argon 的各次運行結果會分布在 44.5% 到 64.3% 之間——比 Opus 5.5 的區間更寬——而且一旦該模型可供呼叫，這個假設就可以被檢驗。

那段評論的另一半才是該懷疑的部分。「比先前的 Gemini 有大幅進步」是與從未在此測試框架下、以此基準測試評分的模型所作的比較，因此根本無法對照排行榜查核。這是一種印象，無論提出這句話的人多麼可信，都應該被當作印象來看待。

如果你今天確實需要一個能處理長時間任務的代理，這會讓你處於什麼樣的位置

你無法把 Gemini 4 叫做 Argon，所以實務上的問題不是 Argon 跟什麼相比——而是針對 Argon 當初接受基準測試的那類工作，你該跑哪個模型。FrontierSWE 自己的排名就回答了這個問題：GPT-6 Astra 以 65.5% 站上榜首，但每次試驗要價 $1,029.65，大約是排名在它下面那兩個模型成本的十倍，而 Claude Opus 5.5 以 $98.87 交出 62.3%。在這項基準測試上，最超值的選擇是 Opus 5.5，而它也是在 Artificial Analysis 上以更低每項任務成本擊敗 Argon 的模型。

那兩款模型，以及排行榜前十名中的大多數——其中包括 GLM-5.3、Grok 4.7、Kimi K3、Qwen3.8-Max、DeepSeek V4 Flash Vision Exp 與 Muse Spark 1.2——都可透過 OrcaRouter 的單一 API 進行路由，與 200 多款其他模型並列——一組金鑰、0% 加成，因此供應商的定價就是您實際支付的價格，而廠商降價也會在同一天反映到我們這邊。最後這項特性在尚未正式發布（pre-GA）的模型上格外有價值：如果 Argon 的定價在正式發布之前有所變動——從非生產環境快取的附註來看，這是有可能的——那麼屆時您的整合方式完全不會有任何改變。自動容錯移轉則是另一個契合這個特定情境的部分——一個失敗模式還沒有人摸清的全新模型，正是您最不該放在單一硬編碼生產路徑上的東西。

有一點要說清楚：Gemini 4 Argon 並不在我們的目錄中。用我們的公開模型 API 查詢 google/gemini-4-argon，會回傳「找不到模型」，而且也沒有其他人託管它——它被 Google 的 Fairwind Program 限制使用，並未公布模型 ID。當它可以被呼叫時，我們會將其路由；上面那些 FrontierSWE 數字，正是要留意那一天到來、而不是空等它的理由。它敗給的那些模型已經在那裡了。

看什麼

能讓這件事從「目前已知」轉為決策的訊號很具體。已發布的模型 ID 及其價目表。正式全面可用日期。在生產設定下重新執行 FrontierSWE——這將釐清每次試驗 129.36 美元的成本究竟是真實費率，還是 Proximal 所標記的快取組態造成的假象。而且，理想情況下，還要有第二位評估者發布 Argon 軌跡，讓「Eureka!」這個觀察不再只是單一樣本。

在那之前，誠實的總結很狹窄，卻值得保留：Gemini 4 Argon 已經發表；根據一位評估者的說法，它在長時程代理軌跡中表達力異常豐富；而在我們唯一能查核的獨立基準測試上，它排名第三，落後於兩個模型——其中一個同時在分數與成本上勝過它。