9 月 30 日，Google 发布了 Gemini 4 Argon。这次最该看的是法律那一行：在 Harvey 的 Legal Agent Benchmark 上，Google 自己列的表里 Argon 得 19.6%，被拿来比的几款对手在 3.8% 到 6.7% 之间。最好的对手也只有它的三分之一，最差的不到它的五分之一。
不过先说一个限制：Argon 现在还不能随便用。目前只通过 Google 的 Fairwind 计划发给经过审核的网络安全防御方，发布文章说付费 API 客户和 Google AI Ultra 订阅用户随后跟上，没给日期。
表里的数字
这些分数是 Google 自己摆出来的对比，当作厂商公布的成绩看，不是第三方审计的结果。VentureBeat 对这张表的解读是：GPT-6 Astra 在 Harvey 测试上得 5.4%，Claude Opus 5.5 得 3.8%，最高的对手是 6.7%。
做业务流程的 AutomationBench 上，Argon 是 51.3%，对手在 31.4% 到 42.5% 之间。长程编码的 DeepSWE v1.1，77.9% 对 67.4% 到 74.2%。修安全漏洞的 CWE-bench v1，Argon 得 68%，并列第一。Google 还说它在 Vals Finance Agent v2 上达到了当前最好水平，这一项我们没能打开具体分数。
要看的是差距，不是分数本身。法律这一行，满分 100，第一名只有 19.6%，离做完还很远。Google 的表也没写单个任务怎么打分，所以这个数更适合当排名看，别当成「一个律师的活干掉了多少」。9 月 30 日变的是第一名和第二名之间的距离。
它输在哪
这张表不是全胜。据 TechMyMoney 的整理，Argon 在 Terminal-Bench 4.0 上是 57.4%，Opus 5.5 是 66.4%；FrontierSWE v2 上是 55.0%，Astra 是 65.5%。差距分别是 9 分和 10.5 分，方向反过来。
第三方评测还有一层。Engadget 报道，Artificial Analysis 测出 Argon 的幻觉率是主流模型里最低的，15%。TechMyMoney 的整理补了一句：它的准确率是 50%，Astra 是 63%。放在一起看，就是这个模型更愿意说「我不知道」，而不是硬猜。法律和金融的活里，如果有人在后面复核，这是优点；如果没有人复核，这就是成本。
它多少钱
Argon 的推广期价格是每百万 token 输入 2 美元、输出 10 美元，缓存输入打 95% 折扣。推广期结束后涨到 4 美元和 20 美元，和 Opus 5.5 的价格一样。VentureBeat 列的 Astra 是 10 美元和 50 美元。所以眼下它的输出价是 Opus 的一半，Astra 的五分之一。
再对照 Anthropic 9 月 28 日发布的 Sonnet 5.5：同样是每百万 token 2 美元和 10 美元，GDPval-AA 比 Opus 只低 2 分。两天之内，两家公司都拿中档价格卖声称旗舰水平的成绩。Google 这个数字前面挂着「推广期」三个字，值得盯。目前没有任何公开信息说这段时间有多长。
跟前面几篇放在一起看
9 月 9 日，Harvey 披露 Am Law 100 里已有 80% 在用它的产品，我们当时判断同一天推出的 Legal Agent Benchmark 才是更重要的一步：有了分数，「活干得好不好」就能写进采购文件。这次 Argon 把这个测试放进了 Google 自己的对比表，法律这一行成了旗舰模型发布的一部分，不再是厂商的副业。
半个月前，Gemini 3.8 Live 在语音榜上拿了第一，却只完成了 35.1% 的 Sierra 银行通话。套路是一样的：厂商赢下通用榜单，细分行业那一行才告诉你这份工作还剩什么。9 月 10 日 OpenAI 围绕初级分析师做了一套银行家工作台，产品范围就是第一年的日程。Argon 的卖点则把法律、金融和业务流程放进了同一句话。
谁在这张表里
按 Google 自己表里的顺序，有四类人。
法律检索和初稿，也就是初级律师和律师助理这一层，是 Harvey 分数指向的地方。业务流程协调员和运营后台，是 AutomationBench 想替代的对象。做重复性代理式工作的金融分析师，站在 Vals Finance Agent 那个说法后面。修已知类型漏洞的安全工程师对应 CWE-bench，他们也是目前唯一真正拿到这个模型的人。
时间上不会马上到。审核过的防御方能用、付费客户还不能用的模型，现在碰不到任何一张招聘需求单。但价格和成绩表已经公开，下个季度的工具选型会拿它们来比。
接下来盯什么
三件事。付费 API 什么时候开放，2 美元和 10 美元的价格撑不撑得过去。Harvey 自己会不会公布排行榜条目，因为厂商挑的表和测试作者的表是两份不同的文件。还有，当律所拿自己的案卷而不是测试集去跑这个模型时，19.6% 会不会动。
