Gemini 4 Argon vs GPT-6 Astra：同样的任务，速度和 API 费用差多少

2026 年 10 月 23 日，我们把同样的三道题交给 Gemini 4 Argon 和 GPT-6 Astra：修一个账单 bug、就一份 306 行的日志回答五个问题、把一封邮件线程转成 JSON。Argon 全部答对。Astra 三道题里有两道更快，但按标价每道题的费用是 Argon 的 3.4 到 4.9 倍，还两次数错了日志里的报错数。

两个模型现在都能在 API 上直接调用。Argon 的优惠价到 11 月 30 日结束，12 月 1 日起翻倍，到那时，Astra 每道题的费用仍然大约是 Argon 的两倍。

表里的价格都是每百万 token 的标价，Argon 用的是 11 月 30 日前的优惠价。两个模型都在 OmniaKey 上：Gemini 4 Argon 和 GPT-6 Astra。

现在能调用 Gemini 4 Argon 和 GPT-6 Astra 吗？

能。Argon 从 2026 年 10 月 13 日起在付费的 Gemini API 上正式可用。Astra 从 2026 年 9 月 3 日起在 OpenAI API 上可用。

有些发布当周写的文章还说 Argon 用不了。2026 年 9 月 30 日 Google 发布它时，只开放给 Fairwind 计划里的网络安全团队。10 月 13 日之后就不一样了。

两个模型都不在各自厂商的免费 API 额度里。Google AI Ultra 和 Pro 订阅用户也能在 Gemini 应用里用 Argon。

Argon 的窗口由输入、思考和输出共用。它的“long decode”模式能把输出提到最多 1,048,576 token。Argon 接收文字、图片、视频、音频和 PDF，Astra 接收文字和图片。

Astra 的推理档位是 low、medium、high、xhigh 和 max，没有“none”。要用工具调用，必须走 OpenAI 的 Responses API。

通过 OmniaKey，用一个 Key 就能调用这两个模型，地址是 https://api.omniakey.com/v1，模型 ID 用上表里的。价格看 Gemini 4 Argon 页面 和 GPT-6 Astra 页面。

我们怎么测的

• 模型：Gemini 4 Argon（gemini-4-argon）和 GPT-6 Astra（gpt-6-astra）。
• 2026 年 10 月 23 日通过 OmniaKey 的 OpenAI 兼容 Chat Completions 接口调用，开流式输出。不设推理或思考参数，两个模型都用自己默认的档位，Google 写明 Argon 默认是 medium。
• 两个模型用同一份提示词。修 bug 和日志题各跑两次，JSON 题跑一次，一共 10 个答案。
• 时间从发出请求算到最后一个 token，在我们这边测，含网络。
• 用脚本判分，不靠感觉。每个修 bug 的答案都在独立的 Python 进程里跑 12 个模型没见过的测试。日志答案对照生成脚本的答案键，JSON 逐字段对照答案键。唯一一道开放题（日志最可能的原因）由我们人工判断。
• 成本：提示词和答案的 token，乘以各家标价，只算第一次运行（还没有缓存）。
• OmniaKey 本身就在卖这两个模型的 API，所以测试是通过它跑的。这里每个价格都是 Google 或 OpenAI 自己的标价，不是我们的。
• 价格、上限和日期都来自 Google 和 OpenAI 自己的页面。它们列在最后的来源里，2026 年 10 月 23 日核对。

每道题只跑了一到两次，把这些结果当成两个模型行为的例子，不要当成跑分。

同样的三道题，结果怎样？

两个模型都修好了 bug，也都正确填了 JSON。分开它们的是那份长日志，三道题里 Astra 有两道更快。

测试 1：修一个 Python 账单 bug

模型能不能改对一个小文件里所有坏掉的规则，而不只是那三个没过的测试？

提示词：

You're fixing a bug report in our billing service. Below are billing.py, its test file and the test output. Three tests fail.

Fix billing.py so it follows every rule in its docstring, not only the failing tests. Keep the function names and signatures, and use only the Python standard library.

Reply with the complete corrected billing.py in one ```python code block, then at most three short bullets on what you changed.

提示词后面贴了 34 行的 billing.py、它的四个测试和测试输出：3 个失败，1 个通过。文件里有四个 bug：

1. round() 按银行家舍入，而规则要求四舍五入。
2. 数量折扣从 11 和 51 件开始，应该是 10 和 50 件。
3. 优惠券在计税之后才扣。
4. 没有检查优惠券是否在 0 到 100 之间。

每个修法都用 12 个模型没见过的测试判分。

• Gemini 4 Argon（10.8 秒、10.6 秒）：两个修法都是 12/12，都用了 Python 的 decimal 做四舍五入。第一个用了类型标注（float | Decimal），需要 Python 3.10 以上。
• GPT-6 Astra（17.3 秒、6.4 秒）：两个修法都是 12/12。第一个用精确分数，也是 Astra 唯一报告了推理 token 的答案（185 个），同时是这道题里最慢的答案。

判分之后，我们又对四个修法试了三个更刁钻的用例。Astra 的第二个修法在两个用例上差了一分钱：它对优惠后的价格取整，而不是对优惠券本身取整。所以 1,001 分的订单打 5 折，减掉的是 500 分，不是 501 分。

结论：我们的测试里打平。两个模型都修好了四个 bug。Argon 的两个答案还过了所有额外用例，每次花费不到一美分，Astra 每次 3 到 5 美分。

测试 2：在 306 行日志里找出原因

模型能不能在一段长文本里数数、查找、推理，而不出错？

提示词：

Below is a 20-minute slice of our API gateway's access log. Answer five questions using only this log.

Q1. When did the first 503 happen? Give the timestamp, the request ID and the upstream.

Q2. How many requests returned 503 in total, and which upstream or upstreams served them?

Q3. Which request was the slowest? Give its request ID, path and rt_ms.

Q4. List every request made by user u_4471, in order, as time method path status.

Q5. In one or two sentences: what most likely caused the 503s, and what would you check first?

Start each answer with Q1: to Q5:. No preamble.

下面贴了 306 行（43 KB）的模拟网关日志，覆盖 20 分钟。里面埋了坑：一个把 u_4471 后两位对调的用户 ID（u_4417），一个扫描器在扫不存在的页面。

还有一个慢搜索请求（9,214 ms），离最慢的那个（9,871 ms）差得不多。日志和答案键都由脚本生成。

• Gemini 4 Argon（9.5 秒、10.0 秒）：两次都是 5/5，503 也数对了：14 个，全部来自 payments-1。它说的原因：payments-1 在 14:07:12 到 14:09:55 之间快速失败（2–9 ms，回复都是同样的 162 字节），同时 payments-2 一直正常。
• GPT-6 Astra（5.7 秒、5.4 秒）：两次都是 4/5。它先数成 16 个，又数成 15 个，实际是 14 个。其他都对，原因也一样。

结论：Argon。日志里数错数，只有自己去核对才会发现，而 Astra 两次都错了。Astra 的用时大约只有一半。

用这两个模型读日志时，让模型给出数字的同时列出对应的日志行，几秒钟就能核对。

测试 3：把邮件线程变成 JSON

模型能不能从杂乱文字里取出准确的字段，并且严格照格式输出？

提示词：

Turn this support email thread into one JSON object for our ticketing system.

Schema (every key is required):

• "order_id": string
• "customer_email": string, the From address of the customer's most recent message
• "items": array of objects with "sku" (string) and "quantity" (integer), only the items in the customer's latest request
• "requested_action": one of "refund", "replacement", "other"
• "refund_amount_cents": integer, or null if no refund is requested
• "deadline": "YYYY-MM-DD", or null if none is given; resolve relative dates against the Date header of the message they appear in
• "escalation_risk": boolean, true if the customer threatens a chargeback, a bank dispute or legal action

If the customer changed their mind, use the latest request. Return only the JSON object: no code fences, no comments, no extra keys.

这封线程里有同一个客户的两封信。周一，客户用工作邮箱要求换两盏灯。

周三，客户改用私人邮箱，改了主意：退两盏灯和一个充电器，一共 $157.50，要在“这周五”之前办好，否则就向银行申请拒付。线程里还提到一个更早的订单，那个没有问题。

• Gemini 4 Argon（6.8 秒）：七个字段全对，JSON 合法，没有多余内容：退款 15750 分、私人邮箱、两件商品，“这周五”解析成 2026-10-16。
• GPT-6 Astra（3.9 秒）：一样，逐字段相同。

结论：准确率打平。Astra 用时大约一半，Argon 花了 $0.003，Astra 是 $0.013。

速度上，Astra 开口更早：除了那条推理过的答案（9.4 秒），第一个 token 都在 3.1 到 3.8 秒之间。

Argon 的第一个 token 要 5.1 到 6.8 秒，连很短的 JSON 题也一样。五个答案报告的思考 token 都是 0。

所以回复要快，Astra 占优；数字和查找必须准，这次 Argon 做得更好。

公开跑分怎么说？

在 Google 自己的表里，Argon 十项赢六项，Astra 赢三项，一项打平。独立跑分网站 Artificial Analysis 给两个模型的分数一样。

这些是 Google 在 Gemini 4 Argon 模型卡里给出的数字，结果截至 2026 年 10 月。

Astra 赢的是 Agent 那几项：FrontierSWE v2（65.5% 对 55.0%）、Terminal-bench 4.0 和 OSWorld-2.0，测的是在终端里写代码和操作电脑。

Argon 领先最多的是知识工作：Harvey 的法律 Agent 测试（19.6% 对 5.4%）、AutomationBench 和 Vals Index。

Artificial Analysis 的 Intelligence Index 给两个模型都是 53，但 Argon 是按 high 推理档测的，Astra 是 max。

在这个设置下，Argon 每道题输出的 token 大约是 Astra 的两倍（36k 对 17k），每道题的成本却更低（$1.99 对 $3.26）。

它还测到，开始输出以后 Argon 生成得更快：每秒 82 对 56 个 token。

OpenAI 公布 Astra 在 FrontierMath Tier 4 上是 98%，在 ARC-AGI-3 上是 99.9%。Google 的表里没有这两项，所以没有 Argon 的数字可以放在旁边。

所以做终端 Agent 和电脑操作，连 Google 自己的数字都偏向 Astra；做文档密集的知识工作，偏向 Argon。

每道题各花多少钱？

按标价，我们的测试里 Astra 每道题是 Argon 的 3.4 到 4.9 倍。12 月 1 日 Argon 价格翻倍后，Astra 仍然是 1.7 到 2.4 倍。

价格来自 Google 的 Gemini API 价格页和 OpenAI 的 GPT-6 Astra 模型页，2026 年 10 月 23 日核对。

Batch 和 Flex 在两个模型上都只收标价的一半。Astra 输入超过 272K token 时，整次请求的输入和缓存按 2 倍、输出按 1.5 倍收费。Google 的价格页没有给 Argon 列长输入加价。

放大来看：像我们这样的日志题跑 1,000 次，Argon 在 11 月 30 日前约 $60，12 月 1 日起约 $120，Astra 约 $205。

差距比标价上的 5 倍小，原因有两个。Argon 写得更长（日志题输出 401 对 218 个 token），而同一份 43 KB 的日志，Google 算出的输入 token 比 OpenAI 多。

两分钟后再问同一份日志，两边的输入大部分都按缓存价计费。我们第二次跑日志题，Argon 花约 $0.011，Astra 约 $0.033，比第一次少大约 80%。

OpenAI 有一条规则要知道：GPT-6 模型的默认缓存模式，写入缓存的提示 token 按输入价的 1.25 倍计费。所以第一次日志调用可能花约 $0.25，而不是 $0.205。

该选哪个？

长文档、日志和大批量选 Argon；回复要快，或者 Agent 在终端和电脑上干活，选 Astra。

12 月 1 日 Argon 的价格翻倍到每百万 token $4 和 $20，仍然是 Astra 标价的 40%，所以上面的选择不变。两个模型跑在同一个 API 上，用一个 Key 就能混着用。

一种简单的分法：数字错了代价大的地方用 Argon，回复慢了会误事的地方用 Astra。可以先看 OmniaKey 上的 Gemini 4 Argon 和 GPT-6 Astra。

国内怎么用

在国内可以直接用 OmniaKey 调用这两个模型：人民币充值（支付宝、微信支付），一个 API Key 同时调用 Gemini 和 OpenAI 的模型，接口与 OpenAI 兼容。

模型页在这里：Gemini 4 Argon、GPT-6 Astra。

怎么用一个 API Key 跑同样的测试？

把 OpenAI 的 Python SDK 指向 OmniaKey，改一个字符串就能换模型。这段代码我们在 2026 年 10 月 23 日跑过。

import os
import time

from openai import OpenAI

client = OpenAI(
    base_url="https://api.omniakey.com/v1",
    api_key=os.environ["OMNIAKEY_API_KEY"],
)

model = "gemini-4-argon"  # change to "gpt-6-astra" to compare
prompt = open("ticket-prompt.md").read()  # the support-ticket task from Test 3

start = time.perf_counter()
response = client.chat.completions.create(
    model=model,
    messages=[{"role": "user", "content": prompt}],
)
print(response.choices[0].message.content)
print(f"{time.perf_counter() - start:.1f} s", response.usage)

1. 在 OmniaKey 创建一个 Key，设置成 OMNIAKEY_API_KEY。
2. 装 SDK：pip install openai。
3. 把提示词存成 ticket-prompt.md，比如测试 3 的说明加上你自己的一封邮件线程。
4. 运行脚本。它会打印答案、时间和 token 用量。
5. 把 model 改成 "gpt-6-astra" 再运行一次。

我们用这段代码让 Argon 跑了测试 3 的提示词：7.1 秒返回了正确的 JSON，输入 634 个 token，输出 152 个。

常见问题

Gemini 4 Argon 比 GPT-6 Astra 更好吗？

我们的三道题里，Argon 每次都答对而且更便宜，Astra 有两道更快。Google 的表里 Argon 十项赢六项，Artificial Analysis 给两个模型都是 53，打平。

所有人都能用 Gemini 4 Argon 吗？

从 2026 年 10 月 13 日起它在付费的 Gemini API 上可用，免费额度里没有。Gemini 应用里的 Google AI Ultra 和 Pro 订阅用户也能用。

Gemini 4 Argon 比 GPT-6 Astra 便宜多少？

11 月 30 日前，它的标价是 Astra 的五分之一：$2 和 $10 对 $10 和 $50（每百万 token）。我们的测试里，Astra 每道题的费用是 Argon 的 3.4 到 4.9 倍。12 月 1 日起，Argon 的标价是 Astra 的 40%：$4 和 $20 对 $10 和 $50。

写代码选哪个？

两个模型都修好了我们的 bug，都过了 12 个测试。Google 的表里 Argon 在 DeepSWE v1.1 领先（77.9% 对 74.1%）。Astra 在 FrontierSWE v2（65.5% 对 55.0%）和 Terminal-bench 4.0（58.2% 对 57.4%）领先。

Gemini 4 Argon 默认会思考吗？

会，默认 medium。我们的三道题它报告 0 个思考 token，但在一个更难的数数题上用了 471 个，并且答对了。所以任务需要时，它会思考。

来源

• Google：Gemini 4 Argon 发布公告（2026 年 9 月 30 日）、正式可用公告（2026 年 10 月 13 日）、Gemini API 更新日志、模型页、价格、思考档位、模型卡
• OpenAI：GPT-6 Astra 发布公告、模型页、价格、提示缓存、更新日志
• Artificial Analysis：对比页

以上都在 2026 年 10 月 23 日核对过。

更新记录

• 2026 年 10 月 23 日：首次发布。测试在 10 月 23 日通过 OmniaKey 的 API 完成。