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

Gemini 4 Argon 在谷歌自己的基准测试表中领先，但并非处处领先。谷歌在 2026 年 9 月 30 日发布时公布了一张 19 行的表格，在 Argon、GPT-6 Astra 和 Claude Opus 5.5 三者之间，Argon 有 13 行得分最高，1 行并列，5 行落后：3 行输给 Astra，2 行输给 Opus 5.5^[1]。落后的项目集中在终端任务、难度更高的软件基准和电脑操作上，而这恰恰是许多开发者评判它的地方。

本文把谷歌表格中的每个数字并排列出，补上各厂商公布的规格和价格，并解释谷歌评测方法中的注意事项。发布后的搜索也在问同样的问题："gemini 4 argon benchmarks"（跑分）、"gemini 4 argon performance relative to other models"（与其他模型相比的性能）、"gemini 4 vs gpt 6 astra"、"gemini 4 vs claude"。在所有分数之上，还有一个实际差别：Astra 和 Opus 5.5 已全面开放，Argon 还没有^[1]。

要点速览

总体：在三个模型中，Gemini 4 Argon 在谷歌表格 19 行里有 13 行得分最高，GPT-6 Astra 3 行，Claude Opus 5.5 2 行，另有 1 行并列^[1]。
Argon 领先最明显的项目：Harvey's Legal Agent Benchmark（19.6% 对 5.4% 和 3.8%）、长上下文 GraphWalks 256K–1M（84.2% 对 71.8% 和 66.8%），以及长视频 LVBench（91.7%）^[1]。
Argon 落后的项目：Opus 5.5 在 Terminal-bench 4.0（66.4% 对 57.4%）和 PostTrainBench 上领先；Astra 在 FrontierSWE v2、Terminal-Bench Science 和 OSWorld-2.0 上领先^[1]。
输出：Argon 单次回答可返回 1M token。Astra 和 Opus 5.5 在标准 API 上的上限是 128K^[1]^[2]^[4]。
每 1M token 价格：Argon 首发价 $2/$10，之后为 $4/$20；Opus 5.5 为 $4/$20；Astra 为 $10/$50^[1]^[2]^[3]。

Gemini 4 Argon 跑分：完整表格

以下数字来自谷歌公告中的基准测试表。谷歌的表格还包含 Claude Fable 5.1，这里单独列出一栏，这样“对比 Fable”的问题也有答案。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 Argon	GPT-6 Astra	Claude Opus 5.5	Claude Fable 5.1
知识工作	Vals Index	68.9%	63.1%	67.0%	65.8%
知识工作	AutomationBench	51.3%	41.4%	42.5%	31.4%
知识工作	Vals Finance Agent v2	65.4%	53.5%	58.6%	58.9%
知识工作	Harvey's Legal Agent Benchmark	19.6%	5.4%	3.8%	6.7%
智能体编程	DeepSWE v1.1	77.9%	74.1%	74.2%	67.4%
智能体编程	FrontierSWE v2	55.0%	65.5%	62.3%	56.3%
智能体编程	Vibe Code Bench	91.9%	89.6%	90.3%	90.3%
智能体编程	Terminal-bench 4.0	57.4%	58.2%	66.4%	57.9%
机器学习工程	PostTrainBench	45.3%	44.3%	49.3%	40.2%
科学与数学	Terminal-Bench Science 0.1	57.6%	68.1%	63.3%	52.6%
科学与数学	LABBench 2	88.8%	85.4%	73.1%	68.6%
科学与数学	RiemannBench	76.0%	72.0%	69.6%	65.6%
长上下文	GraphWalks，最高 128K	99.7%	98.7%	90.6%	91.4%
长上下文	GraphWalks，256K 至 1M	84.2%	71.8%	66.8%	65.0%
电脑操作	Agent's Last Exam	39.5%	34.2%	38.2%	—
电脑操作	OSWorld-2.0（离线子集）	69.2%	72.6%	—	—
多模态	Chartography	71.6%	71.0%	66.3%	46.2%
多模态	LVBench	91.7%	87.5%	83.7%	79.7%
网络安全	CWE-bench v1	68.0%	68.0%	67.0%	58.0%

单独与 Claude Opus 5.5 正面对比，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来读这张表

表中每个分数都来自谷歌的公告，谷歌的方法说明页解释了每个数字的来源。有三个细节会影响你该给这些差距多大权重^[5]：

大多数对手的分数是自报的。谷歌称，非 Gemini 模型的结果“除非另有说明，均取自各厂商自行报告的数字”，并在有报告的情况下采用各对手可用的最高推理设置。
部分 Argon 分数是谷歌自己跑的。Argon 的 DeepSWE v1.1 和 Terminal-bench 4.0 结果由谷歌运行，而 Astra、Fable 和 Opus 的数据来自公开排行榜或系统卡。这是常见做法，但意味着测试框架并不总是完全相同。
输入并不总是相同。在 LVBench 上，谷歌对 Gemini 使用每秒 1 帧，而对 Astra 使用 800 帧、Opus 5.5 使用 600 帧、Fable 5.1 使用 300 帧，原因是“API 限制”。各模型看到的帧数预算不同，所以长视频上的差距要谨慎看待。

这些都不说明表格有错。但它意味着 1 分的领先，比如 Vals Index 或 CWE-bench，在实际中等同于持平；而 12 到 17 分的差距，比如 Harvey's Legal Agent Benchmark 或 256K 至 1M 的 GraphWalks，才是真实的信号。

规格与价格对比

基准测试只是决策的一半。下面是各厂商公布的上限和价格。

	Gemini 4 Argon	GPT-6 Astra	Claude Opus 5.5
可用性	仅限 Fairwind Program 合作伙伴；开发者“尽快”开放^[1]	已全面开放^[2]	已全面开放^[4]
上下文窗口	未公布	1,050,000 token^[2]	1M token^[4]
单次回答最大输出	1M token^[1]	128,000 token^[2]	128K（通过 Batch API beta 可达 300K）^[4]
输入类型	文本，以及图表、文档和长视频（据谷歌）^[1]	文本、图片^[2]	文本、图片^[4]
每 1M token 输入 / 输出	首发 $2 / $10，之后 $4 / $20^[1]	$10 / $50，输入超过 272K 更贵^[2]	$4 / $20^[3]
每 1M token 缓存输入	首发期 $0.10^[1]	$1^[2]	缓存命中 $0.20^[3]

每 token 价格和每个任务的价格是两回事；Gemini 4 Argon 价格解析用三个模型算了四种任务形态的费用。

Gemini 4 Argon vs GPT-6 Astra

对比 Astra，Argon 赢下了大多数知识工作和长上下文项目，在法律和金融智能体测试上优势很大：Harvey's 基准 19.6% 对 5.4%，Vals Finance Agent v2 65.4% 对 53.5%^[1]。在首发优惠期内，它的价格只有 Astra 标价的五分之一，优惠期后为五分之二^[1]^[2]。

在电脑操作和更难的软件基准上，Astra 是更强的选择。它在 OSWorld-2.0（72.6% 对 69.2%）、FrontierSWE v2（65.5% 对 55.0%）和 Terminal-Bench Science（68.1% 对 57.6%）上领先^[1]。FrontierSWE v2 和 Terminal-Bench Science 上 10.5 分的差距，是 Argon 在自家发布表格中最大的失分，因此工作内容与这些基准相似的团队，在切换之前应先做测试。Astra 在 Terminal-bench 4.0 上也以 58.2% 对 57.4% 小幅领先 Argon。

Gemini 4 Argon vs Claude Opus 5.5

在编程上，这是最接近的一组。Argon 在 DeepSWE v1.1（77.9% 对 74.2%）和 Vibe Code Bench（91.9% 对 90.3%）上略胜 Opus 5.5，而 Opus 5.5 在 Terminal-bench 4.0 上领先 9 分（66.4% 对 57.4%），在 PostTrainBench 上领先 4 分（49.3% 对 45.3%）^[1]。如果你的智能体主要在 shell 里干活，Opus 5.5 面对这款更新的模型依然不落下风。

编程之外，Argon 拉开了差距。法律基准差 15.8 分，256K 至 1M 的长上下文 GraphWalks 差 17.4 分，LABBench 2 差 15.7 分^[1]。Argon 的首发优惠期结束后，两个模型的标价都是每百万 token $4 和 $20^[1]^[3]，所以选择取决于工作内容，而不是价格。

不同任务该用哪个模型

法律和金融研究、长文档集、长视频：Gemini 4 Argon，前提是你能用上。这些是它领先最多的地方。
超长的单次输出，比如完整迁移或超过 128K token 的报告：在三个模型中，只有 Gemini 4 Argon 能在一次回答中完成。
以终端为主的编程智能体：Claude Opus 5.5，它在 Terminal-bench 4.0 上明显领先。
电脑操作和最难的 SWE 任务：GPT-6 Astra，它在 OSWorld-2.0 和 FrontierSWE v2 上领先。
本月就要上线的任何东西：Astra 或 Opus 5.5，因为 Gemini 4 Argon 还没有公开 API^[1]。

在 reAPI 上，Claude Opus 5.5 和 GPT-6 Astra 都已上线，共用一个 API Key 和一个 Chat Completions 接口。你今天就可以在两者上跑同一套评估，等 Gemini 4 Argon 到来时再加上它。Gemini 4 Argon 模型页会跟踪它的开放进度。