Google 新模型號稱多項第一，上班族該換嗎？我的 AI 模型頁為什麼先不收 Gemini 4 Argon

10 月 1 日，Google 發表了新模型 Gemini 4 Argon。Demis Hassabis 在 X 上貼出一張比較表，Argon 那一欄大半塗成藍色，代表那些項目領先。如果你那天剛好滑到這則消息，心裡可能閃過一個念頭：我每天用 AI 寫信、做簡報，要不要換？

我自己維護一個追蹤 AI 模型的頁面，叫 /ai/models，用來比較幾個前沿模型的實力。那天上午的例行更新其實漏掉了 Argon，是我後來問起 Gemini 的最新進展才發現，同一天上午補進頁面。補進去的是說明文字，比較卡片上沒有它。

一個號稱多項第一的新模型，為什麼在我的頁面上只拿到幾行字？這個決定背後，其實是三個任何人都用得上的問題。

看到新 AI 模型發表，上班族該先問哪三件事？

我現在用得到嗎？這個分數是誰量的？它換了、它錯了，我看得出來嗎？

這三題聽起來平常，但新模型發表時的消息，很少替你回答。下面用 Argon 一題一題走。

第一問：Gemini 4 Argon 現在用得到嗎？

用不到。依 Google 的部落格，Argon 目前只開放給 Fairwind 計畫的成員，也就是政府單位和受信任的資安防禦方，他們拿到的是不帶資安護欄的版本。之後開給其他人的，會不會是同一個版本，我手上的資料沒有寫。下一批是付費 API 客戶和 Google AI Ultra 訂閱者，時程沒寫。一般人什麼時候輪得到，文章沒有提。

所以 10 月 1 日那張表再漂亮，對大部分上班族來說都還只是預告。發表和能用，在 Argon 身上已經是兩個日期。

第二問：新模型的分數是誰量的？

先看 Hassabis 貼出的那張表。

Demis Hassabis 的 X 貼文截圖（2026-10-01）。表格由 Google 提供。

這張表值得多看兩眼。藍底是 Argon 領先，灰底是別家領先。19 列分數裡，有 5 列是別家贏，資安那列平手。就算是廠商自己挑項目、自己排版的表，Argon 也不是全贏。

再挑一列來對。表上寫 Argon 在 DeepSWE（一套測 AI 寫程式能力的測驗）拿 77.9%，比第二名高出快 4 個百分點。DeepSWE 自己有公開的成績資料檔，我拿表上這一列四個數字去比，只有 GPT-6 Astra 的 74.1% 查得到。Argon 不在裡面，表上的 Fable 5.1 和 Opus 5.5 也不在，資料檔裡只有它們的上一代。資料檔是 9 月 22 日產生的，早於發表，查不到並不奇怪，但也代表這一列的四個數字，有三個目前沒有公開資料可以對照。

同一個模型交給第三方 Artificial Analysis（AA）用自己的方法量，出來的是另一張圖。AA 的綜合指數（這是指數，不是答對率），Argon 拿 53，跟 Fable 5.1、GPT-6 Astra 同分；Opus 5.5 是 58。Argon 真正突出的是幻覺率，也就是會不會一本正經地編出答案。它約 15%，明顯低於另外三個前沿模型。

對寫信、做簡報的人，這一點比任何程式分數都要緊。報告裡錯一個數字，信裡多一個不存在的出處，丟臉的是你，不是 AI。挑工具時，先想清楚你最怕哪一種錯，再去找量那種錯的數字。

第三問：AI 換了模型、出了錯，你看得出來嗎？

9 月 28 日，我在自己寫程式用的 AI 工具裡測了一件小事：平常叫的那個模型名字，現在實際用的是哪一版。結果已經換成新版的 Opus 5.5。名字沒變，裡面換了，事前沒有任何通知。

這件事對我不是小事。這半年模型進步得太快，我的工作流程幾乎都跟著模型的演化綁在一起：用哪個模型，會影響工作流程怎麼設計，也影響提示詞怎麼寫。模型換了，流程和提示詞可能就得重新調整。所以「現在跑的到底是哪一個」，我必須知道。

上班族其實也一樣。你習慣的問法，做簡報大綱的那套提示詞，都是在某個模型上摸出來的。工具背後的模型一換，結果可能變好，也可能讓原本順手的用法出現你沒預期的變化。如果你用的工具有顯示模型名稱，哪天覺得回答方式怪怪的，先看一眼是不是換了，再懷疑自己的提示詞。

錯了怎麼看，比換了怎麼看更實際。不管模型新舊、排名高低，信和簡報裡查得到的東西，像數字和出處，送出去之前自己查一次。幻覺率低的模型也還是會編，只是比較少。

Argon 發表後，我也回頭查了自己有沒有要跟著換。我平常會請 Google 的 AI 工具幫我做第二輪檢查，查下來，能選的模型清單裡根本沒有 Argon，想換也換不到。就算哪天它出現了，我也會先在自己的工作上試過再說。幻覺率低聽起來很吸引人，但那量的是會不會亂編，跟能不能幫我抓出問題是兩件事。

我的模型頁怎麼決定收不收新模型？

我的模型頁有幾條收錄規則，說穿了就是把上面三題寫成固定流程。

第一條是能不能用。一般人用不到的模型，分數再好也不放進卡片，只在說明裡記下讀數。Argon 就卡在這一關，跟先前同樣只開放給少數單位的模型一樣處理。反過來，新模型只要開放了、有第三方量過，就算目前只有 AA 一份數字，也可以先放進相關的卡片。

第二條是分數從哪裡來。每個分數都標明是廠商自己跑的，還是第三方用同一套方法量的，兩種不放進同一張表比高低。Google 自報的 DeepSWE 77.9% 就屬於前者，DeepSWE 的公開資料檔裡還沒有它，所以不採計。DeepSWE 的分數一律從公開資料檔取，不用網路上的轉述。這條是踩過坑才加的：以前用轉述，曾經把一個已經有成績的模型，錯列成「尚未送測」。

第三條是主動找缺口：每次更新都要搜尋這段時間有沒有還沒上榜的新模型。Argon 這次還是被漏掉，原因是那天上午只照第三方榜的新進者去找，沒有對幾家大廠各查一次最近有沒有發表。

發表會給的分數，能直接拿來比嗎？

發表會給的是宣稱。能拿來比較的，只有同一把尺量過的數字。

這不代表 Google 的 77.9% 是假的，只是在它出現在公開資料之前，我沒辦法拿它跟別人的分數放在同一列。上面三個問題，其實都在幫你分辨宣稱和量過的差別：宣布是廠商在發表會上做的事；能不能用，要看你的帳號在不在開放名單裡；量過了，得等第三方用同一套方法跑完。三件事常常落在不同的日子，有時隔好幾週。

企業選 AI 也是同一個道理，AI 劇場落幕那篇寫過：要的是經得起驗證的價值。換到每天用 AI 的上班族身上，差別只在你驗證的是自己的信和簡報。會問這三個問題的人，跟只看發表會的人，能力落差會慢慢拉開。

頁面上的那幾行字

Argon 現在在我的頁面上，只有幾行字。等它真的開放給一般人用，再看它該進哪張卡片。

想看更多 AI 治理的討論：AI 與人類秩序 → AI 治理