Google 的 Gemini 4 Argon 发布说明带一张 19 行的评测表。按我们数这张表，Argon 有 13 行明显领先，还有一行打平。它输掉的五行不是随机的。GPT-6 Astra 拿走 FrontierSWE v2、Terminal-Bench Science 和 OSWorld-2.0；Claude Opus 5.5 拿走 Terminal-bench 4.0 和 PostTrainBench。这是两行终端评测、一行 Agent 编码、一行机器学习工程，外加两行电脑操作里的一行：编程小组真正把运行花在上面的，大多是这类工作。这个问题也不再是假设。从 2026 年 10 月 13 日起，Argon 以 gemini-4-argon 在付费 Gemini API 上正式可用。
所以「哪个模型赢了」要看哪一行，答案有三个。对同时跑好几个编程 Agent 的团队，这不是闲话。如果看板上每个 Agent 都跑在同一个运行时上，团队会连同一家实验室的胜利，一起继承它的失败，而每次发布都会把争论重新打开。哪个 Agent 在用什么、什么做完了、什么要审：这些都不该取决于这周谁登顶了一张表。
先说结论
没有一家前沿实验室拥有每一行，哪怕是在它自己的表上。把每次发布当成分流的证据，而不是迁移的理由：保持不止一个运行时连着，把分流规则写下来（一个默认、什么条件把任务派给另一个 Agent、谁来审），再用你自己代码库里的三条任务去试。Astra 走 Codex，Opus 5.5 走 Claude Code，Gemini 模型走带付费密钥的 Gemini CLI。Google 没有说 Gemini CLI 支持 Argon，所以 gemini-4-argon 在接真实任务之前要先做冒烟测试。
Google 的表按任务类型怎么说
对编程 Agent 有用的行，按 Google 自己的分类归在一起：
| 任务类型（Google 的分类） | 行 | Google 表上的领先者 | 限制 |
|---|---|---|---|
| Agent 编码 | DeepSWE v1.1 | Argon 77.9%（Opus 5.5 74.2%，Astra 74.1%） | Argon 为自己计算 |
| Agent 编码 | FrontierSWE v2 | Astra 65.5%（Opus 5.5 62.3%，Argon 55.0%） | Proximal 排行榜 |
| Agent 编码 | Terminal-bench 4.0 | Opus 5.5 66.4%（Astra 58.2%，Argon 57.4%） | Argon 为自己计算 |
| Agent 编码 | Vibe Code Bench | Argon 91.9%（Opus 5.5 90.3%，Astra 89.6%） | 四个模型只差 2.3 个点 |
| 机器学习工程 | PostTrainBench | Opus 5.5 49.3%（Argon 45.3%，Astra 44.3%） | 每个模型都由 Google 自己计算 |
| 科学和数学 | Terminal-Bench Science 0.1 | Astra 68.1%（Opus 5.5 63.3%，Argon 57.6%） | Argon 用了 6 倍的验证器超时 |
| 电脑操作 | OSWorld-2.0，离线子集 | Astra 72.6%（Argon 69.2%） | 没有 Opus 5.5 这一行 |
| 电脑操作 | Agent’s Last Exam | Argon 39.5%（Opus 5.5 38.2%，Astra 34.2%） | Argon 为自己计算 |
| 长上下文 | GraphWalks 256K 到 1M | Argon 84.2%（Astra 71.8%，Opus 5.5 66.8%） | 每个模型都为自己计算 |
单是 Agent 编码这一类就有四行、三个不同的领先者。Argon 扫得很干净的是知识工作、长上下文和多模态那些行。对任务最后要交一份 diff 的小组，这些行没那么要紧。
读的时候打一个折扣：这是 Google 的表。有几行的 Argon 是 Google 自己跑的，对手的数字大多是自报或取自公开排行榜，测试套件也不一样。评测方法给每个格子列了来源。发布之后的独立结果彼此也不一致：Scale AI 的 Humanity’s Sixth Sense 把 Argon 放在第一，55.4%，GPT-6 Astra 是 53.6%；Cursor 称它在 CursorBench 上和 Opus 5.5 相当；Artificial Analysis 在 10 月 15 日把 Argon（High）排在列出的 216 个变体里的第八。
价格也定不了这件事。到 2026 年 11 月 30 日，Argon 是每百万输入 Token 2 美元、每百万输出 Token 10 美元，12 月 1 日起改为 4 和 20。后面这个价格正好是 Opus 5.5。Astra 的标价是 10 和 50。
没有实验室拥有每一行，就不该有实验室拥有整块看板
这个论点是厂商自己的数据做出来的，不是我们的。如果 Google 自己的表，由 Google 做来展示 Google 的模型，仍然把五行交给两家对手，那就没有一个对编程 Agent 单一最好的模型。只有某一类任务、这个季度、在某人的测试套件上最好的模型。
这改变发布日。诱人的动作是一次迁移：换掉默认运行时，重写配置，再训练每个人的习惯。更便宜的动作是把新模型当成候选人，只用在它那些行强的任务上，看板的其余部分不动。最好的编程 Agent 不如你怎么管理工作重要；一张三个模型各赢一些的表，就是这个论点的数字版。
说得诚实的一对决定：
- 保持一个默认运行时，当大多数任务长得一样、而且一个人审所有结果。第二个运行时意味着第二套要维护的配置、第二张账单、第二组失败方式。
- 跑两个或三个运行时，当任务分成终端很重的工作、界面验证，以及阅读大型代码库。表上裂开的地方，正好就是这里。
把分流规则写下来
分流规则如果只在一个工程师脑子里，那是习惯。习惯熬不过一个新人或一个发布周。把它写在团队能读到的地方：
分流规则 v1（每次前沿模型发布后重测）
默认
当前默认运行时上的 Agent，直到你自己的对比另有结论。
下面的情况，把任务派给 Claude Code Agent（Claude Code 里设成 Opus 5.5）：
- 大部分工作发生在终端：构建、修 CI、安装 [Terminal-bench 4.0]
- 模型流水线的训练或评测管道 [PostTrainBench]
下面的情况，把任务派给 Codex Agent（Codex 里设成 GPT-6 Astra）：
- 改动必须靠驱动桌面或浏览器界面来验证 [OSWorld-2.0]
- 主要在终端里做的科学或数据工作 [Terminal-Bench Science]
下面的情况，把任务派给 Gemini CLI Agent（gemini-4-argon）：
- 需要一次读完很大的代码库或日志 [GraphWalks]
- 注意：100 万窗口由输入、思考和输出共用，
Gemini CLI 的支持尚未被官方确认。这条开始分流之前先做冒烟测试。
升级
如果一次运行的验收检查失败两次，按本规则把任务改派给下一个 Agent。
失败的运行留在任务上当证据。
审阅
由另一个运行时上的 Agent 阅读 diff 和证据。人验收结果。
每个条件都写明它背后的那一行，以及你认得出的任务形状。审阅那一行最重要：一个模型去看它没写过的 diff，是便宜的第二意见，验收仍然留在人这里。
规则写在哪，取决于谁在分流。如果人来选受理人，它属于空间里写下来的约定。如果小组队长在分流，它属于小组指令。无论哪种，结果都回到同一条任务，对比历史就留在一个地方。哪类编码任务配哪个模型，还可以再往下拆，这里先把规则本身写清楚。
相信这条规则之前，先在你自己的代码库上试
评测的一行，只是把一类任务放进候选名单；默认由你的仓库决定。在自己的代码库上比较编程 Agent，而不是只看排行榜，和这张表很配，因为表已经告诉你该挑哪三条任务：
- 一条终端很重的任务，例如一个坏掉的 CI。
- 一条必须通过界面来检查改动的任务。
- 一个需要把仓库的很大一部分放进上下文的问题。
给每个 Agent 同样的任务描述和验收标准，工作目录用创建临时目录，这样每次运行有自己的 worktree。然后给回到任务上的东西打分，不给 Agent 自己的说法打分：diff、检查和结果、问过的问题，以及一个人花了多久才验收。
Argon 现在可以进这场对比，前提是你的 Gemini CLI 里一句 gemini-4-argon 冒烟提示通过了。在改任何别的东西之前，先用同样的三条任务跑它。默认运行时之间按「每条完成的任务花多少」来比，是同一决定的成本那一面。
截至 2026 年 10 月 15 日，每个模型跑在哪
| 模型 | 运行时 | 在一台电脑上需要什么 | 每百万 Token 标价（输入 / 输出） |
|---|---|---|---|
| GPT-6 Astra | Codex | Codex 配好 Astra，以及有权限的账号或密钥 | 10 / 50 美元 |
| Claude Opus 5.5 | Claude Code | Claude Code 配好 Opus 5.5，以及有权限的账号或密钥 | 4 / 20 美元 |
| Gemini 4 Argon | Gemini CLI，尚未被官方确认 | 一把付费 Gemini API 密钥，模型设为 gemini-4-argon，并且冒烟提示通过 | 到 11 月 30 日 2 / 10，之后 4 / 20 |
| 其他 Gemini 模型 | Gemini CLI | 付费 Gemini API 密钥、Gemini Enterprise Agent Platform 密钥，或 Code Assist Standard / Enterprise 许可证 | 随模型变化 |
Gemini 这几行有个陷阱。从 2026 年 6 月 18 日起，Gemini CLI 不再服务 Google AI Pro、Ultra，以及个人的免费 Code Assist 账号，见 Google 的 迁移说明。Pro 和 Ultra 在 Gemini 应用里包含 Argon，但订阅不是 API 密钥，Argon 也没有免费 API 档。
在 HiFox 里，Agent 默认跟随所选运行时的模型。模型行可以从运行时上报的列表里另选；运行时在启动参数里固定了模型时，这一行只读。列表里没有目标模型时，在 Agent 或运行时的自定义参数里指定，或写在电脑上这个工具自己的配置里。所以分流规则里的「Codex Agent」，指的是一个 Codex 运行时上、配置成使用 Astra 的 Agent。步骤见 Agent 帮助文档。Gemini CLI 怎么配、怎么换成 Argon，先在你自己的电脑上做冒烟测试，再让那一行开始接任务。
表会变，看板不该跟着变
下一次发布会重画这张表。该留在原地的是模型周围的一切：分流规则、任务、每次运行交回的证据，以及验收结果的那个人。Agent 负责调研、执行、测试和汇报。人定方向、授予权限，并验收结果。
如果你想继续同时用多个编程 Agent，而不是绑进一家生态，HiFox 就是围着这个问题做的。
HiFox
