Gemini 4 Argon与Opus 5.5打平？每任务成本反高50%

Gemini 4 Argon 来了。Google 称其为全新架构的稀疏混合专家模型，而非旧模型的微调。在 Cursor 的编程基准上，它与 Claude Opus 5.5 几乎打平：默认设置下 52.8% 对 52.5%。但一个反直觉的数据是：Argon 的每百万 token 价格只有 Opus 的一半，完成同一任务的账单却高出约 50%。这背后的逻辑，值得每个用 API 做 agent 的团队重新算一遍账。

Argon 是什么：新架构与三个 API 变化

Argon 是 Google 首个 Gemini 4 系列模型，支持约百万 token 的上下文窗口。Google 未公布其具体参数量，只说明它是稀疏混合专家架构。定价方面，当前为每百万 token 输入 2 美元、输出 10 美元，与 Sonnet 5.5、GPT 6.1 同档；12 月 1 日起将涨至 4.20 美元，与 Opus 对齐。

对开发者影响最大的是三处 API 设计。其一，输入、思考与输出共享约百万 token 的预算，普通调用最多返回约 6.5 万 token，开启后台模式后服务器以 64k 分块持续推进，单次响应上限接近百万 token——代价是延迟，困难提示可能需要数分钟。其二，思考功能常开，可选低、中、高三档，默认中档，温度参数被忽略，且思考 token 按输出计费，Google 明确警告它可能比旧模型消耗更多预算用于思考。其三，显式缓存被移除，依赖创建缓存的 agent 代码必须改造，取而代之的是隐式缓存——只要请求共享前缀，缓存输入可享 95% 折扣。

稀疏混合专家（Sparse Mixture of Experts, MoE）架构的核心是“用多少算多少”：模型内部包含大量专家子网络，但每次前向传播只激活其中一小部分（通常是 top-k 路由），因此总参数量可以很大，而单次推理的计算量远小于同等参数量的稠密模型。这正是 Argon 能在百万级上下文下维持可用延迟的基础。稀疏性也带来工程挑战——专家并行需要跨设备通信，路由不均衡会导致部分专家过载；同时“总参数”与“激活参数”两个数字含义不同，前者影响显存占用，后者才决定推理算力，比较模型时不能只看总参数量。

隐式前缀缓存（implicit prompt caching）与文章提到的显式缓存是两种不同的工程路径。显式缓存要求开发者主动创建缓存对象、管理其生命周期与 TTL，控制精细但代码耦合度高；隐式缓存则由服务端自动识别请求开头的相同前缀，命中即按折扣计费，开发者无需改代码。其代价是“前缀必须逐 token 完全一致”——系统提示词里任何动态内容（时间戳、用户名、随机 ID）出现在前缀中，都会导致后续全部失效。这也是为什么文章强调“缓存 token 始终为零时先修提示词前缀”，以及有测试者见到失效导致成本放大数倍。

Google 的自证与一次独立复现

Google 给出的案例中，最实用的是让其优化自家的 ADK Python agent（约 20 万行代码）。Argon 无人值守运行 11 小时，提出六项优化，两项被采纳并上线，使长会话的准备时间缩短约 40%，另外四项被人审否决。

独立测试则提供了另一面。开发者 Paddo 在生产 monorepo 上重放了六个真实改动，每个模型跑 20 次，用原始测试评分。Argon 有 16 次全部通过，Opus 为 13 次，且 Argon 从未破坏原本通过的测试。但 token 消耗上，Argon 写出的输出 token 是 Opus 的 2.8 倍，账单 58 美元对 46 美元。Cursor 的观察类似：约 2.7 倍 token 换来相同分数。不过结果并不一致——Theo（T3.gg）反馈它在真实编码中“对系统运作方式有严重的幻觉”，而 coding agent Klein 则称 Argon 比 Claude 系模型少用约 30% token。

“思考 token”（reasoning tokens）指模型在给出最终回答前生成的内部推理内容。它们不直接展示给用户，但在 API 计费上通常计入输出侧，因为消耗的是相同的解码算力。思考档位（低/中/高）本质是控制推理链的长度上限：档位越高，模型自我检查与回溯的次数越多，简单任务上这是纯浪费，困难任务上则可能决定成败。这解释了文章中的一个看似矛盾的现象——同样一道题，高档模型分数更高但账单也更贵，而“保留能通过的最低档”正是用通过率换取成本的标准做法。此外，思考常开且忽略温度参数意味着采样随机性被压缩，同一输入多次运行的方差会变小，复现测试时这一点对评分稳定性有直接影响。

排名取决于测试方：没有单一赢家

Google 在发布表中让 Argon 以最高思考档运行，其他模型则混用实验室数据与公开榜单，且遗漏了与 Argon 当前同价的 Sonnet 5.5 和 GPT 6.1。独立榜单补上了这些空白：Val's AI 在统一 agent 下运行 Terminal Bench 4，Argon 得 57.6，Opus 65.2，Sonnet 64.1；Proximal 的 Frontier SWE 每任务给 20 小时，Argon 55，Astra 65.5。但 Argon 在 Val's Index of Professional Work 上排名第一，Artificial Analysis 也将其评为与 GPT 6 Astra 同级。结论是分场景的：长调用与知识工作 Argon 领先，终端类基准 Claude 占优，Frontier SWE 则由 Astra 领跑。

别比每 token 价格，比每个合并 PR 的成本

真正可操作的建议是换一套度量：停止比较每 token 价格，改比“每个合并修复的成本”。具体做法是，挑选团队已合并的 5 到 10 个 PR，在干净快照上逐一重放，用随修复一起提交的测试来评分；Argon 分别以低、中、高三档运行，保留能通过的最低档——这也是 Google 自己的建议；记录通过率、输出 token 与缓存 token。如果缓存 token 始终为零，先修提示词前缀，有测试者见到前缀失效导致成本放大六倍以上。最后用同样的 PR 跑一遍当前模型，赶在 12 月 1 日涨价前完成对比。

Argon 是真正的前沿模型，百万级输出能力也是新东西。但标价是按 token 计的，账单是按任务结的。