Gemini 4 Argon, Sonnet 5.5 and What Models You Should Be Using Right Now

Google 发布 Gemini 4 Argon，VAULT 知识工作基准 68.9% 反超 Opus 5.5，却以网络安全为由暂不开放。

Google 被唱衰一整年，这周 Gemini 4 在多个基准重回第一梯队，但发布当天没人能用——官方说它在网络安全测试上得分太高，怕被滥用。更尴尬的是 Bloomberg 爆料内部员工嫌它写代码不行。这期把"基准分数"和"真实体验"之间的裂缝摊开给你看。

Gemini 4 Argon 是 Google 六个多月来第一个前沿模型，数据漂亮，可发布当天普通用户碰不到它。

• 知识工作基准领先：VAULT 指数 68.9%，超过 Fable 5.1 和 GPT-6 Astra，比此前领先者 Opus 5.5 高几个百分点；Harvey 法律 Agent 基准 19.6%，是 Fable 5.1 的三倍多。
• 编程仍是短板：Terminal Bench 4.0 只拿 57.4%，比 Opus 5.5 低 9 个百分点，排末尾；Frontier Suite 55%，落后 Astra 10 分。
• 不开放的理由是网络安全：CWE bench 拿到 68%，与 Grok 4.7、GPT-6 Astra 持平，Google 只向"可信网络防御者"开放，之后再扩到 API 和 Ultra 订阅。

Google 说模型内部大规模测过，但 Bloomberg 的报道给出相反画面。

• 员工说它写代码不行：Bloomberg 报道称模型基准好，员工实际用时"难以处理某些编程任务"；Google 否认，另有信源称抱怨者是少数。
• Google 有前科：Gemini 3.1 Pro 发布时官方基准"全面碾压 Opus 4.6"，结果口碑翻车，所以这次 X 上"Google is so back"下面质疑声同样密集。
• Logan Kilpatrick 的回应：他说 Google 现在让新模型先在数千名工程师手里跑几周再发布，想以此缩小基准和现实的差距。

Peter Yang 一句话点破：模型好只是入场券，harness 和产品体验才是现在的战场。

• Anthropic 的 Sonnet 5.5 是反例：Terminal Bench 4.0 从 Sonnet 5 的 10.3% 跳到 70.6%，超过 Opus 5.5 的 66.4%，但 Artificial Analysis 实测它每任务花 7.60 美元，比 Opus 5.5 贵 27%，因为太能吃 token。
• Muse 证明产品体验的价值：上线三周多，周活 300 万、日活 100 万，Codex 花了约三个月才到 300 万周活；但用户 Sina 已抱怨底层模型"不够聪明、经常出错"。
• DoorDash 自己下场做 Agent：用户发短信"把我常点的蛋白碗送到办公室"，Agent 自动匹配手机号、查历史订单和地址、完成支付；DoorDash 称 Agent 下单的杂货客单价高出 50%。

"作为一个消费者，我的忠诚不属于任何一家。如果 OpenAI 用他们的模型做出 Muse，我就用最好的那个。智能仍然是护城河。"

• 评估模型别只看发布基准，去查 Artificial Analysis 这类第三方实测的每任务成本和 token 消耗——Sonnet 5.5 官方说便宜 30%，实测却比 Opus 5.5 贵 27%，差距全在 token 用量。
• 做 Agent 产品可借鉴 DoorDash 的双轨策略：既对第三方 Agent 开放，又自建平台内 Agent 抓住用户关系，因为自建 Agent 的客单价能高出 50%。