Gemini 4 Argon 编程实测：8 个任务，隐藏测试

我们把 Gemini 4 Argon 和 Claude Opus 5.5 放在同样的 8 个任务上，每个任务只调用一次，隐藏测试两边都看不到。在 Python 3.14 上，两个模型都通过 105 项检查。Argon 总用时 139.6 秒，Opus 5.5 是 57.2 秒；按各家标价，Argon 花 $0.042，Opus 5.5 花 $0.112。

8 个任务各跑一次，结论更接近实际使用中的表现。两个模型在正确性上打成平手，差别在时间、费用，以及一个答案需要更新的 Python。Google 说 Argon 从 2026 年 10 月 13 日起正式可用；每百万输入 token $2、每百万输出 token $10 的优惠价到 11 月 30 日，12 月 1 日起翻倍到 $4 和 $20（Google 价格页，2026 年 11 月 4 日核对）。

我们怎么测的

2026 年 11 月 4 日，我们把每个任务发给 gemini-4-argon 和 claude-opus-5-5，每个模型的每个任务只调用一次，不带系统提示词，也不设推理档位。两个模型都跑在各自的默认档位：Argon 是 medium（Google 的思考档位文档，2026 年 11 月 4 日核对），Opus 5.5 也是 medium（Anthropic 的 effort 文档，同一天）。每个任务为每个模型产出一份参与评分的答案。

时间是各家 API 每次调用自己报告的延迟，加总得出，不含我们自己的评分运行。费用按各家标价乘以 API 返回的 token 数。OmniaKey 也卖这两个模型，所以我们用一个 key 跑完全部测试；文中每个价格都是 Google 或 Anthropic 自己的价格。

脚本从每次回复里取出代码块，在独立的 Python 进程里带超时运行，对照一个两个模型都没见过的隐藏 unittest 文件。第一轮用机器自带的系统 Python 3.9.6；随后我们把存下的同一批回复放到 Python 3.14.3 上重新评分，没有新增调用，也没有新增费用。

八个任务

八个都是日常会遇到的 Python 小活：一个 bug 修复、两个小类、一次重构、一个解析器、一个时长格式化、一个排期辅助函数和一个图搜索。每道题的提示词都用平实的文字写清要求的行为，没有一道附带测试。

任务 1：修一个区间合并的 bug

merge_intervals 会排序并合并区间，但把首尾相接的 (1, 3) 和 (3, 5) 留成了两段。改一个比较就能修好。

• Gemini 4 Argon（5.6 秒）：12/12。
• Claude Opus 5.5（2.9 秒）：12/12。

结论：检查项打平。Opus 用时大约一半。

任务 2：写一个令牌桶限流器

TokenBucket(rate_per_second, capacity) 要持续补充令牌，不超过容量，还要处理 now 往回走的情况。

• Gemini 4 Argon（6.6 秒）：10/10。
• Claude Opus 5.5（4.8 秒）：10/10。

结论：打平。两边都处理了时钟倒退。

任务 3：带命中计数的 LRU 缓存

LRUCache 需要正确的淘汰顺序、原地更新、stats() 计数，还要按从最久未用到最近使用列出 key。

• Gemini 4 Argon（7.1 秒）：10/10。
• Claude Opus 5.5（4.1 秒）：10/10。

结论：打平。Opus 快 3 秒。

任务 4：重构而行为不变

模块本来就能跑。答案要保留 slugify 和 slug_counts，并且在 Unicode 字母、标点和重复分隔符上表现一致。

• Gemini 4 Argon（15.9 秒）：12/12。
• Claude Opus 5.5（8.7 秒）：12/12。

结论：打平。两边都保住了每个固定用例。

任务 5：把日志行解析成 dict

一个 key=value 解析器，要处理带引号的值、转义的引号和反斜杠、UTC 时间戳；遇到重复键、空的 key= 和垃圾输入要抛 ValueError。

• Gemini 4 Argon（16.1 秒）：13/13。
• Claude Opus 5.5（10.9 秒）：13/13。

结论：打平。两边第一次就把转义写对了。

任务 6：时长格式化与解析

format_duration 和 parse_duration 要按半数远离零舍入，去掉空位（3601 变成 1h1s），拒绝错误写法，而且每个值都能往返。天数不打印：90000 变成 25h。

• Gemini 4 Argon（60.9 秒）：Python 3.9 上 0/14，3.14 上 14/14。
• Claude Opus 5.5（14.0 秒）：两个版本都是 14/14。

结论：3.14 上打平。3.9 上 Argon 的答案根本没能导入，下一节细说。

任务 7：找出空闲的会议室时段

free_slots 要把预订裁剪到工作时间内，合并首尾相接的预订，丢掉不足 15 分钟的空档，并拒绝错误输入。

• Gemini 4 Argon（18.9 秒）：17/17。
• Claude Opus 5.5（5.0 秒）：17/17。

结论：检查项打平。Argon 用时接近四倍。

任务 8：带平局规则的最短路径

shortest_path 要用 Dijkstra，在等长路径里取字典序最小的那条，还要处理平行边、自环和无路可走的情况。

• Gemini 4 Argon（8.5 秒）：17/17。
• Claude Opus 5.5（6.8 秒）：17/17。

结论：打平。八道题里最接近的一次。

结果：通过数、时间和费用

在 Python 3.14 上，两个模型都通过了全部 105 项检查。在 Python 3.9.6 上，Argon 通过 91 项，因为有一个答案无法导入。

Opus 5.5 在每个任务上都更快。差距最小的是图搜索那道（8.5 秒对 6.8 秒），最大的是时长那道（60.9 秒对 14.0 秒）。

按标价，八个任务在 Argon 上花 $0.042，在 Opus 5.5 上花 $0.112，约 2.7 倍。Argon 的回复共用 3,346 个输入 token 和 3,525 个输出 token；Opus 5.5 用了 4,419 和 4,692。两个 API 每次调用都报告 0 个思考 token，思考部分没有产生费用。

Google 的标价是每百万输入 token $2、每百万输出 token $10，到 2026 年 11 月 30 日为止，之后是 $4 和 $20（Gemini API 价格，2026 年 11 月 4 日核对）。Anthropic 给 Opus 5.5 的标价是 $4 和 $20（Anthropic 价格，同一天）。从 12 月 1 日起，同样的 token 在 Argon 上要花两倍的钱，两者的差距就缩小了。两个模型的价格都在价格页上。

八个任务分不出两个前沿模型的质量高下。挑的时候看速度、价格，以及你的测试跑在哪个 Python 版本上。

用过的人怎么说

公开评论里也能看到这种分化。在 Hacker News，10 月 31 日 的讨论里，A_D_E_P_T 写道：“Gemini 4-Argon is very good at coding. I prefer Opus 5.5 -- in large part because I've grown accustomed to Claude Code -- but Argon is undeniably strong.”在 10 月 28 日 的讨论里，seizethecheese 谈本地编程 agent 时说：“Argon is really bad. Literally the worst model in our initial ranking”，并把 Opus 5.5 排在第一。在 10 月 13 日 的讨论里，ariwilson 说 Argon 把他们自己项目里“10 of 11”个小 bug 修好了。

这些都是用户针对自己的环境写的，条件各不相同。那条负面评论来自一位在测 agent 框架的人，他的调用方式和直接请求 API 不一样。

唯一一次失败：Python 3.9 无法导入 Argon 的答案

Argon 的时长答案在一个辅助函数上加了 float | int | Decimal 的类型标注。Python 3.9 在导入时无法计算这个写法，模块直接抛出 TypeError: unsupported operand type(s) for |: 'type' and 'type'，14 个测试一个都没跑起来。

逻辑本身没有错。同一个文件在 Python 3.14.3 上正常导入，14 项全过。这种联合类型写法需要 Python 3.10 或更新版本。

分数取决于解释器：在机器自带的 Python 3.9.6 上，Argon 完成 105 项中的 91 项，Opus 5.5 完成 105 项。在 3.14 上两者都是 105 项。

如果服务器镜像或 CI 机器还在用 3.9，坑就在这里。两个习惯可以避开：在提示词里写明 Python 版本，以及在你支持的最老版本上评分。目标版本是 3.9 时，就要求用 Union[float, int]，或者在文件顶部写 from __future__ import annotations。

Google 自己的跑分怎么说

Google 给 Argon 的模型卡（2026 年 11 月 4 日核对）在编程和安全两部分里列了五项带 Opus 5.5 数字的测试。Argon 领先三项，落后两项。

这些数字的日期是 2026 年 10 月；这几行的 Notes 一列是空的，思考档位、agent 框架和尝试次数都没有写。这些测试也比我们的小函数更偏向 agent 场景。

Google 在 10 月 13 日的发布文章里称 Argon 在包含编程项的 Vals Index 上排第一，并说 Antigravity 里的 agent 代码提交量增长了 35% 以上。这两个都是 Google 自己的数字。

我们 10 月 23 日的和 GPT-6 Astra 的三任务对比里，Argon 在一个账单 bug 修复上通过了全部 12 项隐藏测试。那道题和这次的任务 1，Argon 都全过，这次的新结果和它一致。

自己怎么跑同样的测试

每个任务一个提示词文件，原样发给两个模型，整套设置就这些。我们用的端点是 https://api.omniakey.com/v1；两个模型分别在 Gemini 4 Argon 和 Claude Opus 5.5 模型页。

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.omniakey.com/v1",
    api_key=os.environ["OMNIAKEY_API_KEY"],
)
prompt = open("task6-duration.md").read()

for model in ("gemini-4-argon", "claude-opus-5-5"):
    reply = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        max_tokens=8000,
    )
    open(f"{model}.md", "w").write(reply.choices[0].message.content)

1. 把每个任务存成单独的提示词文件，原样发送，不带系统提示词，让两个模型拿到同样的文字。
2. 每个提示词在每个模型上只发一次，用默认思考档位，并记下模型 ID、耗时和 token 数。
3. 从每次回复里切出代码块，存成测试要导入的模块。
4. 在独立进程里带超时运行隐藏测试，把通过数和总数一起打印出来。
5. 在你支持的最老 Python 上重跑一遍评分。Argon 唯一那次失误就出现在 3.9 那一轮。
6. 用返回的 token 数和各家标价算出费用。

常见问题

Gemini 4 Argon 写代码好用吗？

在我们的 8 个任务上，它在 Python 3.14 上通过了全部 105 项隐藏测试，Opus 5.5 也一样。Google 自己的表里，Argon 五排领先三排，落后两排。

Gemini 4 Argon 写代码要多少钱？

Google 每百万输入 token 收 $2、每百万输出 token 收 $10，到 2026 年 11 月 30 日为止，之后是 $4 和 $20。我们的 8 个任务按优惠价算下来是 $0.042。Opus 5.5 按 Anthropic 的 $4 和 $20 算，是 $0.112。

Gemini 4 Argon 比 Claude Opus 5.5 快吗？

不快。这次测试里 Opus 5.5 在 8 个任务上都更快，总用时 57.2 秒，Argon 是 139.6 秒。差得最多的是时长那道题，14.0 秒对 60.9 秒。

Argon 为什么有一道题没过？

它没过的是导入，逻辑部分是对的。时长答案用了 float | int | Decimal 标注，Python 3.9 在导入时无法计算，14 个测试都没跑起来。同一个文件在 Python 3.14 上 14 项全过。

来源

• Gemini 4 Argon 模型页
• Gemini API 价格
• Gemini API 思考档位
• Gemini 4 Argon 模型卡
• Gemini 4 Argon 发布文章
• Vertex AI 上的 Gemini 4 Argon
• Anthropic API 价格
• Claude Opus 5.5 概览
• Anthropic effort 设置

以上链接都在 2026 年 11 月 4 日核对过。

更新记录

• 2026 年 11 月 4 日：首次发布。测试在 11 月 4 日运行，先在 Python 3.9.6 上评分，再在 3.14.3 上评分。