Gemini 4 Argon 正式GA｜单任务成本仅GPT-6的六成

旗舰模型的对比正在从"谁更聪明"转向"同样聪明时谁更便宜"。

Gemini 4 Argon 正式全面开放：Artificial Analysis Intelligence Index 上与 GPT-6 Astra 排名持平，Cost per Task 只有后者的 60%；API 定价输入 $2/M、输出 $10/M，已经可以在 Gemini API、AI Studio、Google Cloud 和 OpenRouter 上调用。实测数据里还有另一面：Vals Index 综合 68.9 排第一、单次成本 $15.68，但 CUA-bench 只有 4.83% 排倒数第二，前端效果不及 GPT-6 Astra，中文写作的"模型味"偏重。

这篇把 Argon 的账和短板一起摆出来，给出按场景的选型路由，附 Python 接入示例，走 4sapi.com 的统一端点。

一、痛点：旗舰对比被"综合分"绑架了

选型讨论里最常见的句式是"A 和 B 谁更强"。这个问法对 API 接入方几乎没有信息量，因为：

• 综合指数掩盖能力分布。Argon 综合第一、CUA 倒数第二，说明它是"知识工作强、电脑操作弱"的偏科生。只看综合分会把不该交给它的任务一起交过去。
• 单价便宜不等于单任务便宜。一个"便宜"的模型如果需要更多轮次、更多重试才能完成任务，单任务成本可能反超"贵"的模型。Cost per Task 恰好是比单价更接近真相的指标。
• 短板在评测里是数字，在生产里是故障。CUA 4.83% 意味着浏览器操作类 Agent 任务基本不可用，这类任务选错模型的代价不是贵，是错。

所以这篇的处理方式是：把 Argon 的强项、弱项、价格三个维度拆开，按任务类型路由，而不是回答"它是不是最强"。

二、Argon 的基本盘

把已公开的数字整理成一张表：

两个结构性观察：

1. 输入便宜、输出贵。$2/M 输入配 $10/M 输出，输出占比高的任务（长文生成、代码产出）实际成本会被输出单价推高；输入占比高的任务（长文档理解、检索型问答）则占尽便宜。
2. 成本优势在"单任务"口径成立。60% 的 Cost per Task 已经折算了完成任务所需的全部轮次，这是比 token 单价更值得写进预算模型的口径。

三、请求流：按场景的三层路由

把 Argon 放进现有模型池，我建议的路由结构：

请求进来，先分类
  |
  ├── 知识工作（研究、分析、综述、长文档问答）
  |      → Argon 优先（综合第一 + 单任务六折）
  |
  ├── 浏览器/桌面操作类 Agent 任务
  |      → Argon 禁入，路由到 CUA 强的模型
  |
  ├── 前端/WebDev 生成
  |      → GPT-6 Astra 或 WebDev 专用档
  |
  └── 中文创作/文案
         → A/B 后决定：Argon + 润色轮，或直接换模型

路由的执行要点是分类器本身要便宜。任务分类用小模型甚至规则就能做，不值得为每次路由调用旗舰模型——这个细节决定路由方案是真省钱还是假省钱。

四、Python 接入示例：场景路由与成本核算

通过 4sapi.com 的 OpenAI 兼容端点实现任务分类路由，并输出每请求的真实成本：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["API_KEY"],
    base_url="https://4sapi.com/v1",
)

# 定价（$/1M tokens）：输入 / 输出
PRICING = {
    "gemini-4-argon":  (2.0, 10.0),
    "gpt-6-astra":     (5.0, 20.0),   # 示例口径，以实际为准
    "cua-specialist":  (3.0, 12.0),
}

ROUTE = {
    "knowledge":  "gemini-4-argon",
    "web_task":   "cua-specialist",
    "frontend":   "gpt-6-astra",
}

def classify(task: str) -> str:
    """任务分类用廉价小模型，路由成本忽略不计。"""
    resp = client.chat.completions.create(
        model="classifier-mini",
        messages=[
            {"role": "system", "content": "把任务归类为 knowledge/web_task/frontend 之一，只输出类别。"},
            {"role": "user", "content": task},
        ],
    )
    return resp.choices[0].message.content.strip()

def cost_of(model: str, usage) -> float:
    pin, pout = PRICING[model]
    return usage.prompt_tokens / 1e6 * pin + usage.completion_tokens / 1e6 * pout

def run(task: str) -> str:
    model = ROUTE[classify(task)]
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": task}],
    )
    print(f"[{model}] cost=${cost_of(model, resp.usage):.4f}")
    return resp.choices[0].message.content

if __name__ == "__main__":
    print(run("调研 2026 年混合架构模型的技术路线并写成 2000 字综述"))

要点：

1. 成本核算用响应里的真实 usage，不要用估算——60% 的优势要靠对账数据坐实。
2. PRICING 表集中维护，模型调价只改一处。
3. 分类错误的兜底：给 run 加一个置信度判断，低置信时直接走默认档而不是猜。

五、输出单价的细账

$2/$10 的输入输出比是 1:5，比常见的 1:3 更陡。这意味着不同任务的体感成本差异很大：

把这张表和上文的场景路由合起来，结论收敛为：读得多写得少的任务，Argon 目前是同档位最便宜的选择；写得多的任务，需要用真实任务集 A/B 后再定。

六、CUA 短板的生产化处理

4.83% 的 CUA-bench 分数在评测里是个数字，在生产里要变成硬规则：

1. 路由层禁入。浏览器操作、桌面自动化类任务直接不路由给 Argon，不做灰度。
2. 监控层识别。已路由任务如果中途出现"需要操作界面"的语义信号，自动熔断转投 CUA 专用模型。
3. 评测层复测。CUA 能力是版本迭代最快的维度之一，每次模型更新重跑一次 CUA 子集，达标再放开。

这条短板的处理原则和第294期讲的能力评测一脉相承：评测结论标注有效期，弱项当作路由约束而不是风险备注。

七、迁移与灰度清单

把 Argon 接入生产的推荐路径：

1. 灰度 5% 流量，限定知识工作类任务，采集单任务成本与质量分。
2. 对照组用现役旗舰同任务跑一遍，口径用 Cost per Task 而不是 token 单价。
3. 中文产出类任务单独 A/B，重点核对术语准确性与"模型味"。
4. CUA 类任务确认已在路由层禁入，并演练过熔断转投。
5. 前端生成任务维持现有模型，待 Argon 该维度更新后复测。
6. 两周后复盘灰度数据，决定放量比例与路由权重。

八、成本与风险提示

• 输出 $10/M 的单价会随调价变动，预算模型里定价表要有版本管理。
• "智能指数持平"是综合口径，垂直领域（法务、医疗、金融合规）需自有任务集验证。
• 单次 $15.68 的实测口径包含多轮消耗，简单任务远低于此，复杂 Agent 任务可能更高，不要拿单次数字直接乘月请求量。
• OpenRouter 等聚合通道的可用性波动比官方通道高，生产路由保留双通道。

九、验收清单

1. 任务分类器上线且路由日志含分类结果与置信度。
2. 成本报表按"模型 × 任务类型"输出 Cost per Task 口径。
3. CUA 禁入规则在路由层生效并有熔断演练记录。
4. 中文创作任务有 A/B 结论与润色链路（如启用）。
5. 定价表有版本号，调价告警接入预算看板。

总结

Gemini 4 Argon 把"同档智能、六折单任务成本"摆上了台面：输入 $2/M、输出 $10/M，智能指数与 GPT-6 Astra 持平，通道覆盖官方与聚合平台。但它是偏科生——CUA 倒数第二、前端不及 Astra、中文写作有模型味，所以正确用法是场景路由而不是全面替换：知识工作交给它，界面操作明确禁入，写得多的任务先 A/B 再定。我在这篇里给出了基本盘拆解、三层路由、接入代码和灰度清单，4sapi（https://4sapi.com）同一端点可以直接跑 Argon 与对照模型的 A/B，账用数据算。欢迎在评论区聊聊：手里哪类任务已经切到了 Argon，省了多少？