Gemini 4 Argon 与跑分争议：一张旧榜单能说明什么？

一张发布时的成绩单，能让人对下一代 AI 模型有多大信心？2026 年 10 月 1 日，Ishu Agrawal 在 X 上重新贴出 Gemini 3.1 Pro 的官方基准表，并质疑围绕 Gemini 4 Argon 的乐观情绪。Logan Kilpatrick 随后的回复，把话题引向 Google 内部的大规模工程师测试。

这段对话值得讨论，因为它同时暴露了两种容易走偏的判断：把榜单优势直接当成日常体验优势，以及因为过去的体验不佳，就忽略新模型已经出现的新证据。读懂这场争论，需要把历史分数、测试条件和当前进展放回各自的位置。

原帖与回复到底说了什么？

Ishu Agrawal（@ishuagra02 原帖）发表于 2026 年 10 月 1 日 10:32，以下为中文译文，时间为北京时间：

顺便一提，这是 Gemini 3.1 Pro 发布时的官方基准测试，几乎全线碾压了 Opus 4.6。

我并不是说 Gemini 4 Argon 会差，但考虑到 Google 以往的表现，大家居然连一点怀疑都没有，这实在令人难以置信。

同日 12:53，Logan Kilpatrick 直接回复。中文译文如下：

如今，我们在 Google 内部大规模测试模型方面已经有了很大进步。因此，可以认为，大多数新版 Gemini 在发布前，都会经过数千名软件工程师长达数周的测试；希望这已经切实缩小了基准测试与实际使用表现之间的差距。

Ishu Agrawal 英文原帖、基准图表及 Logan Kilpatrick 直接回复的浏览器截图。 — 英文原帖及 Logan 回复的浏览器截图，截取于 2026 年 10 月 2 日。点击放大查看。

Ishu Agrawal 原帖及 Logan Kilpatrick 回复的完整中文译文图。 — 原帖与回复的中文译文图，由 FindGoodAI 翻译整理。点击放大查看。

这里的“几乎全线碾压”是 Ishu 的概括，“数千名工程师、数周测试”是 Logan 的说法。前者要接受数据检验，后者说明一种测试过程；两者都不能单独替代最终用户的使用结果。Logan 的原文还用了“hopefully”，表达的是希望差距已缩小，并没有公布差距缩小了多少。

旧榜单确实很强，但并非全面领先

首先要校准时间：Gemini 3.1 Pro 的正式发布公告日期是 2026 年 2 月 19 日。推文引用的是这代模型发布时的表格，并不是 10 月的最新模型排名，更不是 Argon 的测试成绩。

下面选取截图中具有代表性的项目，并与 Google 官方模型卡核对。百分比为对应测试的得分；GDPval-AA 使用 Elo，不是百分比。

2026 年 2 月官方发布表中的部分结果
测试与条件	Gemini 3.1 Pro Thinking: High	Opus 4.6 Thinking: Max
ARC-AGI-2	77.1%	68.8%
GPQA Diamond，无工具	94.3%	91.3%
Terminal-Bench 2.0，Terminus 2	68.5%	65.4%
Humanity’s Last Exam，无工具	44.4%	40.0%
Humanity’s Last Exam，搜索（blocklist）与代码	51.4%	53.1%
SWE-bench Verified，单次尝试	80.6%	80.8%
GDPval-AA，Elo	1317	1606
τ2-bench，零售	90.8%	91.9%
τ2-bench，电信	99.3%	99.3%

这些数字足以说明 Gemini 3.1 Pro 在多项测试中表现出色，也足以否定“各方面都占优”的解读。SWE-bench Verified 的 0.2 个百分点差异，不能据此认定存在显著胜负；但它确实不是 Gemini 的数值领先。GDPval-AA 的 Elo 也不能拿来计算“强了百分之多少”。

更值得留意的是，HLE 的无工具和带工具结果呈现了不同的相对次序。这提醒我们：用户接触到的能力往往取决于整个任务系统。不能仅凭这两行数字，就把差异归因于某一个工具或某一项模型设计。

为什么同一张表，仍不等于同一场考试？

Google 的评测方法说明明确写到，其他厂商的成绩通常采用其自报结果，另有注明的项目除外；SWE-bench 对比使用了不同的代理脚手架和基础设施。因此，同表列出不代表所有模型都在同一套软件与资源预算下重新测过。

代理脚手架可以理解为模型周围的工作环境：它能调用什么工具，如何读取文件，什么时候重试，怎样检查结果。一个模型擅长回答独立问题，并不能自动保证它在包含环境配置、跨文件修改、失败恢复的完整任务中同样领先。

这也解释了为什么“我用起来没有榜单那么好”值得调查，却不能直接推出“榜单是假的”。需要进一步拆开：具体是哪类任务？使用了什么版本和入口？给了多少时间与上下文？失败发生在理解需求、执行工具，还是验收结果？只有把这些条件记录下来，争论才会变成能复现的问题。

数千名工程师内测，能回答哪些问题？

如果模型在真实代码库里被持续使用，大规模内测有机会发现短测题难以覆盖的问题：执行到一半忘记约束，修改了不该动的接口，测试失败后反复绕圈，或者交付了看似完整却无法维护的结果。这是内测具有价值的原因。

但“很多人测过”仍没有回答几个关键问题：与哪个基线比较？成功如何定义？失败和弃用案例是否计入？工程师花了多少时间纠错？参与人数说明覆盖规模，不能直接换算成生产力提升。内部反馈、外部评估与用户自己的验收，应当提供不同层面的证据。

因此，对 Logan 回复的合理理解是：Google 表示正在改善从评测到实际使用之间的验证过程。它值得跟进，但这条回复本身没有证明这种差距已经被消除。

评价 Argon，也必须把新证据算进去

截至本文核查日 2026 年 10 月 2 日，Argon 已不是传闻。Google 于 9 月 30 日正式宣布 Gemini 4 Argon，先向 Fairwind 计划中的可信网络防御者逐步开放，广泛面向开发者和消费者的可用性仍待推进。

早期第三方证据也已经存在。Artificial Analysis 在 9 月 30 日的直接评测中，报告 Argon 在 high reasoning 设置下取得 AutomationBench-AA 78%、Terminal Bench 4 57%。这比单纯依据一张旧发布表讨论新模型，更接近需要回答的问题。

这些结果仍有清楚的适用范围：它们来自特定任务与配置，并非所有工作流的通用保证。尤其不能把 Terminal Bench 4 的 57% 与旧表 Terminal-Bench 2.0 的 68.5% 直接相减，宣称模型退步；测试版本不同。也不要把 AutomationBench-AA 与其他同名近似评测的分数混用。

合理的怀疑，应当允许新证据改变判断。过去的体验可以提高验证要求，却不应预先决定下一代模型的结论。