Gemini 4 Argon 對決 Claude Opus 5.5：誰都沒預料到的基準測試分歧

Gemini 4 Argon 和 Claude Opus 5.5 對於誰更優秀意見分歧，而這種分歧並非雜訊。在 Artificial Analysis 的 Intelligence Index 上，兩者相差五點，Opus 5.5 佔優。在 Vals Index——以 GDP 加權的經濟影響力排行榜——上，Gemini 4 Argon 位居第一，Claude Opus 5.5 位居第三，落後於 Argon 和 Claude Sonnet 5.5 兩者。這兩個排行榜在同一週衡量了同樣這兩個模型。這就是整篇文章的重點：你該選哪一個，取決於你的工作看起來更像一道考試題，還是律師事務所的一個星期二；也取決於你到底有沒有 Argon 的 API 存取權限——而截至今日，幾乎沒有人有。

Google 於 2026 年 9 月 30 日在 DeepMind 的一篇文章中宣布 Gemini 4 Argon，該文署名為 Google DeepMind 資深副總裁暨首席 AI 架構師 Koray Kavukcuoglu。Anthropic 則早了八天，於 2026 年 9 月 22 日發布 Claude Opus 5.5。這兩者之中，有一個是你今天下午就能呼叫的 GA 版本。另一個則是分階段推出，對象是一群具名的網路防禦人員，外加 Google 自家的工程師，並表明打算在防護機制準備就緒後，盡快開放給「付費 API 客戶與 Google AI Ultra 訂閱者」，但未附上任何日期。

先給一句話答案，再談細節

如果你今天需要最佳實測的通用推理能力，而且需要在正式環境金鑰上使用，Claude Opus 5.5 現在已在 OrcaRouter 上提供，而 Gemini 4 Argon 則尚未在任何公開 API 上架。如果你正在為金融、法律、稅務或程式編寫代理（agents）打造應用，且這些代理會以每美元經濟產出接受評分，那麼 Argon 的數據更好，而且在唯一精確衡量此指標的排行榜上，其每項任務價格是 Opus 5.5 的五分之一。如果你從事關鍵基礎設施的網路安全防禦，Argon 有一個你可以申請的計畫，而答案可能是肯定的。

每個數字實際上來自哪裡

兩個指數委員會，兩套方法論，而值得精確分辨哪個是哪個，因為這兩個陣營接下來幾個月會互相引用對方過去的說法。

• Artificial Analysis Intelligence Index v4.3 — Claude Opus 5.5 為 57.6，Gemini 4 Argon 為 52.6，兩者皆於 2026-09-30 從 Artificial Analysis 讀取。這是十項評估的綜合結果，刻意設計為任務通用型，也是大多數人引用為「the」排行榜的榜單。

• Vals Index，更新於 2026-09-29 —— Gemini 4 Argon 以 68.90%（±0.97）居首，Claude Sonnet 5.5 以 67.04%（±0.92）位居第二，Claude Opus 5.5 則以 66.97%（±0.89）排名第三。Vals 會依各產業占美國 GDP 的比重，對金融、程式開發、法律與稅務任務加權，因此一個在解謎上表現平庸、卻擅長合約審閱與試算表工作的模型，在這裡能拿到不錯的分數。

AA 的五分差距確實存在，而且不算小。Vals 的兩分差距也真實存在，而從排行榜上列出的信賴區間來看，Argon 的 68.90 ±0.97 對上 Opus 5.5 的 66.97 ±0.89，大約是 1.5 個標準誤的差距——比擲硬幣好，但還不到壓倒性的程度。兩個排行榜都沒有錯，它們衡量的是不同的任務。

有一點設定上的但書，而且這點不利於把 AA 差距解讀為純粹的模型比較。Artificial Analysis 將 Gemini 4 Argon 標示為其high努力設定，而 Claude Opus 5.5 則標示為「自適應推理、最高努力、預設回退」。這兩者並不是兩個努力階梯上的同一點，因此 57.6 對 52.6 的頭條數字並非在推理預算相符下的同類比較。這是兩個頁面都發布的數字，若你對 Anthropic 公平，就該引用這個數字，但這不是受控實驗。

每項任務成本正是差距開始令人不安的地方

Artificial Analysis 也公布了運行其索引套件的成本明細，而在這一點上，這兩個模型的差距相當懸殊。

• 每個索引任務的成本 — Gemini 4 Argon 1.99 美元，相較於 Claude Opus 5.5 的 5.98 美元。

• 執行整套索引套件的成本 — Gemini 4 Argon 為 2,407 美元，對比 Claude Opus 5.5 的 8,708 美元。

• 每百萬詞元定價——Gemini 4 Argon 輸入 $2／輸出 $10（Google 公布的優惠價，快取輸入可享 95% 折扣，即 $0.10），對比 Claude Opus 5.5 輸入 $4／輸出 $20。

• 輸送量——Gemini 4 Argon 每秒輸出 48.9 個 token，首個 token 在 2.79 秒後出現；Claude Opus 5.5 每秒輸出 92.2 個 token，但在同一測試框架下首個 token 延遲達 702 秒，這正是延伸思考稅攤在陽光下的展現。

• Vals 每次執行成本 — 在同一組以 GDP 加權的任務集上，Gemini 4 Argon 為 $15.68，而 Claude Opus 5.5 為 $32.14。

有個值得提出、而不是粉飾帶過的出入：Vals 的排行榜把 Argon 的費率列為 $4 輸入 / $20 輸出，而 Google 的公告則表示推廣期間為 $2 輸入 / $10 輸出。最可能的解讀是，Vals 顯示的是標準牌價，而 Google 顯示的是促銷價，但這只是推論，並非雙方任一方的公開聲明。如果你的預算取決於這個數字，請向 Google 確認。

Argon 聲稱的內容與已查核的內容

Google 的文章充斥著數字，而每一項數字都是廠商自行回報的。據我所知，沒有任何一項曾被獨立重現；而且上述獨立評測平台所衡量的項目，也不同於 Google 選擇拿來當作頭條宣傳的那些。以下以 Google 自己的說法表述：

• DeepSWE v1.1 — 77.9%，被譽為真實世界長時程軟體工程的新標竿。

• LVBench 長影片理解 — 91.7%，被譽為最先進。

• AutomationBench（Zapier 的端到端業務任務基準測試）——以 51.3% 排名第一。

• CWE-bench v1 弱點修復 —— 以 68% 並列第一，奠基於 Gemini 3.8 Flash Cyber 在 v0 排行榜上的成果。

• Gray Swan 間接提示注入 — 被形容為領先，但該貼文未公布任何數字。

• Vals Finance Agent v2 與 Harvey's Legal Agent Benchmark — 被描述為領先，同樣地，公告中也沒有印出數字。

真正擁有獨立佐證的這兩類說法，最值得信賴：Vals 用一個數值與一個區間確認了該指數位置，而 Artificial Analysis 則確認了 52.6 的指數與價格。內部生產力軼事——在量子子程序上相較已發表基準提升 40%、Argon 代理在 Google 整體機群中釋放出超過 300 TiB 記憶體——屬於公司內部成果，未經外部測試，應該以這樣的角度來看待。

如果你一直與世隔絕，Opus 5.5 到底是什麼

Claude Opus 5.5 是 Anthropic 的旗艦級模型：100 萬個 token 的上下文、最高 128K 的輸出、涵蓋文字、圖像與檔案的多模態輸入、延伸思考、工具使用與結構化輸出。它於 2026 年 9 月 22 日接棒 Claude Opus 5，而發表時最受矚目的焦點可以說是價格下調——這個層級是降價而非漲價，來到 $4/$20，快取讀取為 $0.20。它今天已在 OrcaRouter 上以完全相同的費率提供路由，供應商定價原封不動轉嫁，零加成，而廠商價格若有變動，會在同一天反映到我們這一側，就和反映到他們那一側一樣快。

在兩個模型皆有的任務層級分數上，情況是真正的拉鋸，而非一面倒：

• Terminal-Bench 4.0 — Claude Opus 5.5 59.6% 對上 Gemini 4 Argon 57.1%。

• SciCode — Claude Opus 5.5 66.9% 對比 Gemini 4 Argon 61.8%。

• 人類最後的考試 —— Claude Opus 5.5 為 61.4%，對上 Gemini 4 Argon 的 57.1%。

• 長上下文推理 — Claude Opus 5.5 84.7% 對比 Gemini 4 Argon 79.7%。

• CritPt — Claude Opus 5.5 31.7% 對比 Gemini 4 Argon 27.1%。

• 全知 — Claude Opus 5.5 46.4 對 Gemini 4 Argon 42.4。

• GDPval — Claude Opus 5.5 為 1,846，對比 Gemini 4 Argon 的 1,611。

• AutomationBench-AA — Gemini 4 Argon 77.5% 對上 Claude Opus 5.5 69.5%。這是 Argon 明顯勝出的唯一一項正面對決任務分數，而且它也是最貼近 Vals Index 所獎勵的任務類型。

所以這個模式是一致的：Opus 5.5 在偏學術風格的推理階梯上領先，而 Argon 在端到端任務執行上領先。這不再是兩份排行榜之間的矛盾。這是同一項發現的兩次表述。

沒有人拿來比較的能力

Gemini 4 Argon 的輸出上限是單一軌跡中 1,000,000 個 token，相較前一代的 64K 大幅提升。Claude Opus 5.5 的輸出上限為 128K。兩者都保有 1M token 的上下文視窗，但上下文與輸出是不同的預算，而這是公告中單一規格最大的躍升。

這是否重要，完全取決於你執行的是什麼。對聊天、程式碼審查、結構化擷取與代理步驟來說，128K 的輸出上限相當寬裕。但對一次生成整套遷移修補程式集、完整稽核報告或長篇文件而言，這卻是一道難以突破的高牆——也就是 Google 選擇用來展示這次發布的工作流程。如果你的管線需要串接二十次呼叫才能維持在上限之內，Argon 的上限將為你省下延遲與編排程式碼。如果不是，你就是在為用不到的餘裕付費。

可用性才是決定性變數，而非品質

這是比較中沒有附帶基準，卻比所有基準都更重要的部分。

Gemini 4 Argon 尚未正式推出。Google 的公告指出，它正透過 Fairwind Program 向受信任的網路防禦人員逐步開放，該公司也參與美國政府的自願性發布前模型存取流程，而對開發者、企業與消費者的更廣泛開放則會「盡快」到來，首先從付費 API 客戶與 Google AI Ultra 訂閱者開始。目前沒有模型識別碼、沒有端點、沒有公布配額，也沒有日期。它不在我們的目錄中，也不在其他任何人的公開 API 中，因此 Argon 的定價頁面還不存在。

Claude Opus 5.5 今日正式推出。在 OrcaRouter 上，它的型號代碼是 anthropic/claude-opus-5.5，可透過與目錄中其他 200 多個模型相同的 OpenAI 相容端點存取，並具備跨供應商的自動容錯移轉機制，能在某條路由效能下降時自動切換；此外還有一套路由 DSL，讓你在想把部分流量導向 Opus 5.5、其餘流量以同一組金鑰送往其他位置時使用。無須第二份合約，也不用第二套 SDK。

下個月務實的建議並不光鮮亮麗：以 Opus 5.5 為基礎繼續發展，把你的模型名稱放在設定值裡，而不是寫死在字串常式中，並且在重試路徑後面放一個便宜的模型，這樣一來，某次首字元輸出耗時 702 秒所引發的延遲尖峰，就不會連帶把你的產品拖垮。最後這點並非理論空談——Opus 5.5 在 AA 測試框架上的首字元延遲是十一分鐘，而無論那是測試框架造成的假象，還是這個模型真的比過去任何模型思考得更久，你的逾時預算都該由這個數字來決定，而不是由行銷話術來決定。

什麼會改變這個判決？

三件事，按可能性排序。Argon 正式全面推出並公布定價，這會讓成本論點立刻變得可行，也能測試 $2/$10 是否經得起真實流量的考驗。在 Google 之外對 DeepSWE v1.1 與 CWE-bench v1 進行獨立且可重現的執行，這要麼證實供應商的說法，要麼戳破它們。又或者是由 Artificial Analysis 以 Argon 的最高推理強度設定進行配置，這將釐清那五分的指數差距究竟是能力差異，還是設定造成的人為產物。

在其中一項真正落地之前，誠實的總結是：Opus 5.5 是驗證得更充分的模型，而 Argon 是價格更划算的那項說法。至於今天你實際上能用哪一個，這根本不是難以取捨的問題。

Claude Opus 5.5 已在 OrcaRouter 上線，採用廠商定價、不加收費用，並與目錄中其餘模型一同提供——如果你想用自己的工作負載來實測，而不是對照排行榜，anthropic/claude-opus-5.5就是你要呼叫的 ID，之後要換成其他模型，也只需在同一把金鑰上改一行。