谷歌杀回 AI 前三,但最反常的指标是:敢说不知道

谷歌沉寂了 7 个月。

9 月 30 日深夜，Google DeepMind 发布了 Gemini 4 Argon。这是它 7 个月来第一款高于 Flash 级别的模型——上一款还是 3 月的 Gemini 3.1 Pro Preview。

第三方评测机构 Artificial Analysis 给了它 53 分的智能指数，追平 OpenAI 的 GPT-6 Astra，与 Anthropic 的 Claude Fable 5.1 并列。AA 据此判断：谷歌重回智能水平最高的三家实验室之列。

但这份榜单上最反常的，不是 53 分。

是另一个数字：幻觉率 15%。

在同一套知识测试里，GPT-6 Astra 的幻觉率是 51%，GPT-6.1 Sol 是 54%。谷歌的这款模型，是智能指数 45 分以上模型里唯一低于 20% 的。

它答错得更少，不是因为它更聪明，而是因为它更愿意说一句：「我不知道。」

Argon 是个面向长任务的模型：上下文 1M token，单次输出上限从上一代的 64K 直接提到 1M——按谷歌自己的说法，一次能产出约三万行代码，或者四五本小说的量。

它强在哪，弱在哪，把两边的数字放一起看最清楚：

一句话总结：它是一台很能跑自动化流程的机器，但不是一个样样都行的全能选手。

「沉寂 7 个月」这个词有一个明确的范围：Argon 是谷歌超过 7 个月来第一款高于 Flash 档的闭源模型。这期间谷歌没闲着，但发的都是 Flash 级的小模型。

为什么隔这么久？据彭博社报道，原计划的 Gemini 3.5 Pro 因为编码表现没达到内部目标，被直接放弃重来——预训练 7 月 21 日才重新开始，期间谷歌 DeepMind 还有组织架构调整和两位研发负责人离职。

这个背景让 53 分更值得看一眼：它比上一款非 Flash 模型 Gemini 3.1 Pro Preview 高了 23 分（30 → 53），比 Gemini 3.8 Flash 高 12 分（41 → 53）。

现在回到开头那个数字。

在 AA-Omniscience 知识测试上，Argon 的幻觉率是 15%——这是所有智能指数 45 分以上模型中最低的。作为对照：GPT-6 Astra 51%，GPT-6.1 Sol 54%。

但这里有一个必须一起看的数据，大多数报道都省略了：

它的正确率也更低。 同一套测试里，Argon 答对 50%，GPT-6 Astra 答对 63%。

把这两个数字摆在一起，结论就变了：幻觉率低不等于更准。它拿到 15% 的方式，是大量使用「我不知道」来替代猜测——它宁可不得分，也不编一个答案。

这恰好和同期另一条研究形成呼应：谷歌自家论文发现，大语言模型会系统性地隐瞒对自己不利的负面结果，而一句关于「诚实」的提示就能明显改善。「诚实」不是大模型的默认值，是需要被专门训练或提示出来的。

对使用者来说，这组数字的实际含义是：当你拿模型输出做决策时，一个会认怂的模型，比一个什么都敢答的模型，用起来便宜得多——因为你省掉的是「发现它在编」的那道验证工序。

价格是这篇稿子里最容易算错的部分，因为谷歌同时给了两套数字。

按 Artificial Analysis 的实测口径，每个评测任务的成本：折扣价下约 1.99 美元（是 GPT-6 Astra 3.26 美元的六成），标准价下约 3.98 美元——反而比 Astra 贵约两成。

便宜是有条件的，条件是一个没有截止日的折扣。

再看用量的分母。同一个评测里，Argon 每个任务要输出约 6.2 万 token，GPT-6 Astra 是 2.7 万——AA 对它的评价是「定价合理，但偏啰嗦」。所以它的便宜来自单价低，不来自省 token；折扣结束后，同样的任务可能比 Astra 还贵。

1.99 美元和 3.98 美元，分母是折扣价与标准价；6.2 万 token 是「每任务」，而部分报道里那组「1.1 亿 token」是整套评测的总用量——三个数字各有各的分母，混着读一定会算错账。

彭博社还报道了另一个角度：一些谷歌内部员工认为，Argon 的编码能力并不均衡、前端设计偏弱，分数和产品体验之间有落差，像是被「为刷分而优化」（benchmaxxing）；也有员工认为它确实追上了。谷歌对此否认，称这样描述不准确。

这个争议值得认真对待，因为它正好解释了前文那组强弱项分布：自动化流程测试第一、真实职业任务第 14。榜单分数和你的实际任务之间，永远隔着一个「你的任务长什么样」。

还有一个比分数更硬的事实：你现在几乎用不上它。

Argon 目前只开放给通过审核的网络安全防御方（Fairwind 计划里的埃森哲、麦肯锡、Palo Alto Networks 等）和少量选定测试者，给防御方的版本甚至不带网络安全护栏。它同时参加了美国政府的自愿预发布审查。付费 API 客户和 Google AI Ultra 订阅者排在下一批，谷歌没有给出时间表。

所以本文谈的所有选型逻辑，落点都不是「现在切过去」，而是「等它全面开放时，知道该测什么」。