Google 新模型号称多项第一，上班族该换吗？我的 AI 模型页为什么先不收 Gemini 4 Argon

10 月 1 日，Google 发表了新模型 Gemini 4 Argon。Demis Hassabis 在 X 上贴出一张比较表，Argon 那一栏大半涂成蓝色，代表那些项目领先。如果你那天刚好滑到这则消息，心里可能闪过一个念头：我每天用 AI 写信、做简报，要不要换？

我自己维护一个追踪 AI 模型的页面，叫 /ai/models，用来比较几个前沿模型的实力。那天上午的例行更新其实漏掉了 Argon，是我后来问起 Gemini 的最新进展才发现，同一天上午补进页面。补进去的是说明文字，比较卡片上没有它。

一个号称多项第一的新模型，为什么在我的页面上只拿到几行字？这个决定背后，其实是三个任何人都用得上的问题。

看到新 AI 模型发表，上班族该先问哪三件事？

我现在用得到吗？这个分数是谁量的？它换了、它错了，我看得出来吗？

这三题听起来平常，但新模型发表时的消息，很少替你回答。下面用 Argon 一题一题走。

第一问：Gemini 4 Argon 现在用得到吗？

用不到。依 Google 的博客，Argon 目前只开放给 Fairwind 计划的成员，也就是政府单位和受信任的资安防御方，他们拿到的是不带资安护栏的版本。之后开给其他人的，会不会是同一个版本，我手上的资料没有写。下一批是付费 API 客户和 Google AI Ultra 订阅者，时程没写。一般人什么时候轮得到，文章没有提。

所以 10 月 1 日那张表再漂亮，对大部分上班族来说都还只是预告。发表和能用，在 Argon 身上已经是两个日期。

第二问：新模型的分数是谁量的？

先看 Hassabis 贴出的那张表。

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

这张表值得多看两眼。蓝底是 Argon 领先，灰底是别家领先。19 列分数里，有 5 列是别家赢，资安那列平手。就算是厂商自己挑项目、自己排版的表，Argon 也不是全赢。

再挑一列来对。表上写 Argon 在 DeepSWE（一套测 AI 写代码能力的测验）拿 77.9%，比第二名高出快 4 个百分点。DeepSWE 自己有公开的成绩资料档，我拿表上这一列四个数字去比，只有 GPT-6 Astra 的 74.1% 查得到。Argon 不在里面，表上的 Fable 5.1 和 Opus 5.5 也不在，资料档里只有它们的上一代。资料档是 9 月 22 日产生的，早于发表，查不到并不奇怪，但也代表这一列的四个数字，有三个目前没有公开资料可以对照。

同一个模型交给第三方 Artificial Analysis（AA）用自己的方法量，出来的是另一张图。AA 的综合指数（这是指数，不是答对率），Argon 拿 53，跟 Fable 5.1、GPT-6 Astra 同分；Opus 5.5 是 58。Argon 真正突出的是幻觉率，也就是会不会一本正经地编出答案。它约 15%，明显低于另外三个前沿模型。

对写信、做简报的人，这一点比任何编程分数都要紧。报告里错一个数字，信里多一个不存在的出处，丢脸的是你，不是 AI。挑工具时，先想清楚你最怕哪一种错，再去找量那种错的数字。

第三问：AI 换了模型、出了错，你看得出来吗？

9 月 28 日，我在自己写代码用的 AI 工具里测了一件小事：平常叫的那个模型名字，现在实际用的是哪一版。结果已经换成新版的 Opus 5.5。名字没变，里面换了，事前没有任何通知。

这件事对我不是小事。这半年模型进步得太快，我的工作流程几乎都跟着模型的演化绑在一起：用哪个模型，会影响工作流程怎么设置，也影响提示词怎么写。模型换了，流程和提示词可能就得重新调整。所以「现在跑的到底是哪一个」，我必须知道。

上班族其实也一样。你习惯的问法，做简报大纲的那套提示词，都是在某个模型上摸出来的。工具背后的模型一换，结果可能变好，也可能让原本顺手的用法出现你没预期的变化。如果你用的工具有显示模型名称，哪天觉得回答方式怪怪的，先看一眼是不是换了，再怀疑自己的提示词。

错了怎么看，比换了怎么看更实际。不管模型新旧、排名高低，信和简报里查得到的东西，像数字和出处，送出去之前自己查一次。幻觉率低的模型也还是会编，只是比较少。

Argon 发表后，我也回头查了自己有没有要跟着换。我平常会请 Google 的 AI 工具帮我做第二轮检查，查下来，能选的模型清单里根本没有 Argon，想换也换不到。就算哪天它出现了，我也会先在自己的工作上试过再说。幻觉率低听起来很吸引人，但那量的是会不会乱编，跟能不能帮我抓出问题是两件事。

我的模型页怎么决定收不收新模型？

我的模型页有几条收录规则，说穿了就是把上面三题写成固定流程。

第一条是能不能用。一般人用不到的模型，分数再好也不放进卡片，只在说明里记下读数。Argon 就卡在这一关，跟先前同样只开放给少数单位的模型一样处理。反过来，新模型只要开放了、有第三方量过，就算目前只有 AA 一份数字，也可以先放进相关的卡片。

第二条是分数从哪里来。每个分数都标明是厂商自己跑的，还是第三方用同一套方法量的，两种不放进同一张表比高低。Google 自报的 DeepSWE 77.9% 就属于前者，DeepSWE 的公开资料档里还没有它，所以不采计。DeepSWE 的分数一律从公开资料档取，不用网络上的转述。这条是踩过坑才加的：以前用转述，曾经把一个已经有成绩的模型，错列成「尚未送测」。

第三条是主动找缺口：每次更新都要搜索这段时间有没有还没上榜的新模型。Argon 这次还是被漏掉，原因是那天上午只照第三方榜的新进者去找，没有对几家大厂各查一次最近有没有发表。

发表会给的分数，能直接拿来比吗？

发表会给的是宣称。能拿来比较的，只有同一把尺量过的数字。

这不代表 Google 的 77.9% 是假的，只是在它出现在公开资料之前，我没办法拿它跟别人的分数放在同一列。上面三个问题，其实都在帮你分辨宣称和量过的差别：宣布是厂商在发表会上做的事；能不能用，要看你的账号在不在开放名单里；量过了，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，有时隔好几周。

企业选 AI 也是同一个道理，AI 剧场落幕那篇写过：要的是经得起验证的价值。换到每天用 AI 的上班族身上，差别只在你验证的是自己的信和简报。会问这三个问题的人，跟只看发表会的人，能力落差会慢慢拉开。

页面上的那几行字

Argon 现在在我的页面上，只有几行字。等它真的开放给一般人用，再看它该进哪张卡片。

想看更多 AI 治理的讨论：AI 与人类秩序 → AI 治理