GPT Image 2.5 is live — OpenAI's newest image model, targeted edits that leave the rest of the frame alone
Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5:跑分对比
2026/10/01 ·

Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5:跑分对比

Gemini 4 Argon、GPT-6 Astra 与 Claude Opus 5.5 怎么选?本文保留谷歌 9 月 30 日发布的 19 项历史跑分,解释编码、知识工作、长上下文与视频任务的结果、厂商测试方法和比较局限,并结合当前共享上下文、单次输出限制与客户端续写规则,帮助你设计自己的任务评估。

Gemini 4 Argon 在谷歌 9 月 30 日发布时的对比中领先多数项目,但并非全部。在 2026 年 9 月 30 日公布的 19 行表格中,相对 GPT-6 Astra 和 Claude Opus 5.5,Argon 有 13 行最高、1 行并列、5 行落后:3 行输给 Astra,2 行输给 Opus 5.5[1]。落后项集中于终端工作、较难的软件基准和电脑操作,这些也正是许多开发者关注的任务。

本文列出谷歌表格中的每个数字,补充当前文档中的请求限制,解释评测方法的局限。发布后的需求包括“gemini 4 argon benchmarks”“gemini 4 argon performance relative to other models”“gemini 4 vs gpt 6 astra”和“gemini 4 vs claude”。谷歌现已公布 Gemini API 与 Google AI Studio 入口[2]。以下保留发布时的历史结果,不是新的独立测试,也不代表今天的排行榜。

要点速览

  • 总体:三个模型中,Gemini 4 Argon 在 19 行里有 13 行最高,GPT-6 Astra 3 行,Claude Opus 5.5 2 行,另有 1 行并列[1]。
  • Argon 的明显优势项:Harvey's Legal Agent Benchmark(19.6% 对 5.4% 和 3.8%)、GraphWalks 256K–1M(84.2% 对 71.8% 和 66.8%)及长视频 LVBench(91.7%)[1]。
  • 落后项:Opus 5.5 领先 Terminal-bench 4.0(66.4% 对 57.4%)和 PostTrainBench;Astra 领先 FrontierSWE v2、Terminal-Bench Science 与 OSWorld-2.0[1]。
  • 上下文与输出:Argon 的输入、思考和输出共享 1,048,576 token。原生 JSON 单次上限 32,768,流式 65,536;长生成跨请求续写[3]。
  • 成本:应比较当前价格和任务总用量,包括思考与续写。Gemini 4 Argon 价格指南解释各计费维度。

Gemini 4 Argon 跑分:完整表格

数字来自谷歌发布公告中的表格,其中也包含 Claude Fable 5.1,单独列出以回答与 Fable 对比的问题。Argon、Astra 和 Opus 5.5 三者中的最高分加粗;破折号表示谷歌没有报告结果[1]。

领域基准Gemini 4 ArgonGPT-6 AstraClaude Opus 5.5Claude Fable 5.1
知识工作Vals Index68.9%63.1%67.0%65.8%
知识工作AutomationBench51.3%41.4%42.5%31.4%
知识工作Vals Finance Agent v265.4%53.5%58.6%58.9%
知识工作Harvey's Legal Agent Benchmark19.6%5.4%3.8%6.7%
智能体编程DeepSWE v1.177.9%74.1%74.2%67.4%
智能体编程FrontierSWE v255.0%65.5%62.3%56.3%
智能体编程Vibe Code Bench91.9%89.6%90.3%90.3%
智能体编程Terminal-bench 4.057.4%58.2%66.4%57.9%
机器学习工程PostTrainBench45.3%44.3%49.3%40.2%
科学与数学Terminal-Bench Science 0.157.6%68.1%63.3%52.6%
科学与数学LABBench 288.8%85.4%73.1%68.6%
科学与数学RiemannBench76.0%72.0%69.6%65.6%
长上下文GraphWalks,最高 128K99.7%98.7%90.6%91.4%
长上下文GraphWalks,256K 至 1M84.2%71.8%66.8%65.0%
电脑操作Agent's Last Exam39.5%34.2%38.2%—
电脑操作OSWorld-2.0(离线子集)69.2%72.6%——
多模态Chartography71.6%71.0%66.3%46.2%
多模态LVBench91.7%87.5%83.7%79.7%
网络安全CWE-bench v168.0%68.0%67.0%58.0%

单独对比 Claude Opus 5.5,在两者都有分数的 18 行中,Gemini 4 Argon 领先 14 行,落后 4 行:FrontierSWE v2、Terminal-bench 4.0、PostTrainBench 和 Terminal-Bench Science[1]。

结合谷歌的评测方法读表

每个分数都来自谷歌公告,方法说明页解释各数字的来源。三个细节会影响如何判断差距[4]:

  1. 大多数对手分数由厂商自报。 谷歌表示,除另有说明外,非 Gemini 模型使用各厂商自行报告的数字;有记录时采用对手可用的最高推理档位。
  2. 部分 Argon 分数由谷歌测试。 DeepSWE v1.1 和 Terminal-bench 4.0 的 Argon 结果由谷歌运行,而 Astra、Fable、Opus 数据来自公开排行榜或系统卡。这是常见做法,但测试框架不一定完全相同。
  3. 输入并不总是相同。 LVBench 中,Gemini 使用每秒 1 帧;受 API 限制,Astra 用 800 帧、Opus 5.5 用 600 帧、Fable 5.1 用 300 帧。输入帧预算不同,长视频差距需要谨慎解释。

表格适合用来选择测试方向,但没有提供每行的置信区间或统一测试框架。小幅领先不保证会在实际任务上重现;较大差距可以支持定向评估,也不能证明应用中的排名一定相同。

Gemini 4 Argon 独立跑分对比

Artificial Analysis 对其收录的每个模型都运行自己的 Intelligence Index,因此所有模型都使用同一套测试。它的排名与谷歌表格不同。以下数字来自其 2026 年 11 月 4 日的模型页面[5]:

模型(测试档位)Intelligence Index在所列 62 个模型中的排名指数测试所用输出 token每项指数任务成本输出速度
Claude Opus 5.5(Max)592220M$10.0494.2 tokens/s
GPT-6 Astra(Max)57554M$6.2467.1 tokens/s
Gemini 4 Argon(High)5015110M$7.6881.9 tokens/s

测试档位并不完全相同。Argon 仅有 High 档结果,Astra 和 Opus 5.5 列出的是 Max 档。同一榜单中,GPT-6 Astra 的 High 档仍排名第七,领先 High 档的 Argon。Artificial Analysis 还采用每百万 token 输入 $4、输出 $20 的 Argon 价格,这是谷歌从 12 月 1 日起适用的费率,而非我们在 Gemini 4 Argon 价格指南中介绍的输入 $2、输出 $10 的引入价格。

可以得出两个合理判断:在谷歌的 19 项任务基准中,Argon 领先多数项目;在这一项独立指数中,Opus 5.5 和 Astra 得分更高。Astra 也是三者中 token 使用效率最高的:完成同一指数测试,其输出 token 用量约为 Argon 的一半、Opus 5.5 的四分之一。

上下文与输出会影响接入选择

本文旧版本曾写 Argon 上下文窗口未公布,并把输出描述为单个响应一百万 token。当前谷歌开发者指南已给出更具体的限制[2][3]。

Gemini 4 Argon 属性当前文档行为
开发者入口Gemini API 和 Google AI Studio
模型 IDgemini-4-argon
共享上下文输入、思考和输出合计 1,048,576 token
原生 JSON 单次请求最多 32,768 个生成 token
原生流式单次请求最多 65,536 个生成 token
更长生成在共享窗口剩余空间内跨请求续写
原生思考档位low、medium(默认)、high;不能完全关闭思考

来源为谷歌当前迁移指南与思考指南[2][3]。

长生成给大任务提供了空间,但不保证单个 HTTP 响应包含完整报告。reAPI 不会在服务端自动续写;客户端必须显式处理续写、记录每次请求,并保留恢复所需的信息。

发布时的对比使用了 Astra 与 Opus 自家文档中的输出规格。不能把那些历史限制与 Argon 的长生成上限并列,当作同一种单次请求的比较。规划所需输出长度时,请查看当前 GPT-6 Astra 和 Claude Opus 5.5 页面;当前价格也以这些模型页为准。

Gemini 4 Argon vs GPT-6 Astra

相对 Astra,Argon 领先多数知识工作与长上下文项目;法律和金融智能体差距较大,Harvey's 为 19.6% 对 5.4%,Vals Finance Agent v2 为 65.4% 对 53.5%[1]。要得出成本判断,还需结合自己评估中的 token 用量与当前价格。

任务类似表中电脑操作与软件基准时,值得先测试 Astra。它领先 OSWorld-2.0(72.6% 对 69.2%)、FrontierSWE v2(65.5% 对 55.0%)和 Terminal-Bench Science(68.1% 对 57.6%)[1]。后两项的 10.5 个百分点是 Argon 在发布表中的最大落后差距;任务相近的团队切换前应实测。Astra 在 Terminal-bench 4.0 也以 58.2% 对 57.4% 小幅领先。

Gemini 4 Argon vs Claude Opus 5.5

编程方面,这一组更接近。Argon 领先 DeepSWE v1.1(77.9% 对 74.2%)和 Vibe Code Bench(91.9% 对 90.3%);Opus 5.5 在 Terminal-bench 4.0 领先 9 个百分点(66.4% 对 57.4%),PostTrainBench 领先 4 个百分点(49.3% 对 45.3%)[1]。如果智能体主要在 shell 中工作,Opus 5.5 仍值得纳入比较。

编程以外,Argon 的法律基准领先 15.8 个百分点,GraphWalks 256K–1M 领先 17.4,LABBench 2 领先 15.7[1]。生产选型应让两个模型处理相同材料并接受相同验收。跑分领先并不决定哪个模型完成任务需要更少 token。

不同任务优先测试哪个模型

  • 法律、金融研究、长文档和视频:将 Gemini 4 Argon 纳入评估,这些是谷歌历史表中领先较多的项目。用自己的材料检查来源准确性与完整性。
  • 长篇迁移或报告:使用能处理续写的客户端评估 Argon 长生成,同时为思考和回答留空间;共享窗口不是独立输出额度。
  • 终端为主的编程智能体:同时测试 Claude Opus 5.5 与 Argon。Opus 在本表 Terminal-bench 4.0 领先,但还需结合自己的工具与任务核验。
  • 电脑操作和困难软件任务:纳入 GPT-6 Astra,它在这份历史表中领先 OSWorld-2.0 和 FrontierSWE v2。

保持比较可复现:使用相同提示词和材料,记录推理设置与预算,区分未完成回答和完成但错误的回答。工具调用应验证完整往返流程,不能止步于模型返回工具调用。

reAPI 的 Gemini 4 Argon 模型页提供当前价格和请求文档。现在的问题已不是等待谷歌公布 API,而是哪个模型能在可接受成本下完成实际任务。

常见问题

Gemini 4 Argon 比 GPT-6 Astra 更强吗?

在谷歌表格的多数项目上:19 行中 Argon 领先 Astra 14 行,1 行并列。Astra 领先 FrontierSWE v2、Terminal-Bench Science、OSWorld-2.0,并在 Terminal-bench 4.0 小幅领先[1]。

Gemini 4 Argon 比 Claude Opus 5.5 更强吗?

谷歌表中可比的 18 行里,Argon 领先 14 行。Opus 5.5 领先 Terminal-bench 4.0、PostTrainBench、FrontierSWE v2 与 Terminal-Bench Science[1]。

与 Claude Fable 5.1 相比如何?

双方都有分数的 17 行中,Argon 领先 15 行。Fable 5.1 在 FrontierSWE v2(56.3% 对 55.0%)和 Terminal-bench 4.0(57.9% 对 57.4%)稍高[1]。

Gemini 4 Argon 最好的跑分是什么?

最高分是 GraphWalks 最高 128K 的 99.7%。更值得关注的是大差距项目:Harvey's 为 19.6%,Astra 和 Opus 5.5 分别为 5.4% 和 3.8%;GraphWalks 256K–1M 为 84.2%[1]。

这些跑分是独立测评吗?

不完全是。它们来自谷歌公告;谷歌说明多数对手分数由厂商自报,部分 Argon 测试由谷歌运行[4]。Artificial Analysis 使用同一指数测试了三者:2026 年 11 月 4 日,Opus 5.5 得分为 59,Astra 为 57,Argon 为 50[5]。

哪个模型最便宜?

请查各模型页当前价格,比较获得可验收结果的成本。输入长度、缓存命中、推理与续写都会改变费用。价格指南说明如何比较,避免依赖旧静态价表。

如何在 Argon、Astra 与 Opus 5.5 之间选择

谷歌 9 月的表格说明,知识工作与长上下文评估值得纳入 Gemini 4 Argon;终端和电脑操作任务也有理由保留 Opus 5.5 与 Astra。这些是来自注明日期的厂商对比、值得验证的判断。

最终决定应依靠应用能够评分的任务:修改能否通过测试、报告论断是否有依据、智能体是否完成指定动作。同时记录预算与续写行为,才能把发布时的跑分变成对 Gemini 4 Argon 的实用评估。

参考资料

  1. Google. Gemini 4 Argon: our next era of frontier intelligence (including benchmark table). 2026 年 10 月检索自 blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon

  2. Google. What's new in Gemini 4 Argon. 2026 年 10 月 14 日检索自 ai.google.dev/gemini-api/docs/generate-content/latest-model

  3. Google. Gemini thinking. 2026 年 10 月 14 日检索自 ai.google.dev/gemini-api/docs/generate-content/thinking

  4. Google DeepMind. Gemini 4 Argon model evaluation: approach, methodology and results. 2026 年 10 月检索自 deepmind.google/models/evals-methodology/gemini-4-argon

  5. Artificial Analysis. Gemini 4 Argon (High), GPT-6 Astra (Max) and Claude Opus 5.5 (Max) model pages. 2026 年 11 月 4 日获取自 artificialanalysis.ai/models/gemini-4-argon、gpt-6-astra 和 claude-opus-5-5