Gemini 4 Argon实测：便宜70%冲上帕累托前沿，但稳定性成了工程落地的硬伤

Google DeepMind 刚发布的 Gemini 4 Argon，在 Agent Arena 的综合排位里拿到了第八名。

它的账面数据相当亮眼： 单任务运行成本比 GPT-6.1 Sol 便宜了 33%，比 Claude Opus 5.5 便宜了 70%。 单看性能与价格的二维分布，它结结实实冲进了帕累托最优前沿面。

但评测人 Peter Gostev 实际跑了几组生成测试，结果却迅速分成了两截。

第一道测试是金门大桥的 3D 世界生成。 Gemini 4 Argon 给出的结果很惊艳，空间结构严密，桥体与水面的细节连贯，表现甚至略微超过了 Sonnet 5.5。 单看这一个案例，很多人会觉得这颗新模型已经稳稳站在第一梯队。

但紧接着换到第二道庇护所群岛测试，画风急转直下。 岛上的树木被散乱地甩在各处，漂浮群岛的逻辑彻底脱节。 而同场对比的 Sonnet 5.5 与 GPT-6.1 Sol，群岛起伏与建筑分布都保持着极高的整体感。

随后的测试暴露出更多下限问题。 在简单游戏生成中，Gemini 4 编写的控制按键直接失灵，角色卡在角落无法操作； 在巴别塔 3D 场景里，生成的行人们悬空漂在半空，身躯变成了毫无动作逻辑的方形色块； 到了白宫场景，建筑正上方甚至莫名顶着一团奇怪的黑色斑块，道路也彼此错位断开。

比起单一生成的高光，工程落地最在意的往往是跨任务的稳定性。 同一个模型，上一秒能搭出一座近乎完美的 3D 大桥，下一秒就在群岛和建筑里丢失基础的空间常识与指令跟随。

单任务成本便宜三成到七成，在财务预算表里确实极具吸引力。 但如果模型在基础规则上的波动无法预测，原本省下的算力费用，很快就会被工程师补写防御逻辑与人工排错的时间消耗殆尽。

它确实凭着激进的定价策略，在帕累托曲线上抢下了一个位置。 但要把任务真正交给自主 Agent，决定模型能否落地的关键，始终是每次调用都能稳稳守住的底线。