Gemini 4 Argon 实测：105 个真实 Bug 仅修复 33 个，落后 GPT-6 Astra

PawelHuryn · x · 2026-10-14

Pawel Huryn 用自建的 Bug Hunt Bench(两个真实仓库、105 个前沿模型漏掉的已植入 Bug)实测了 Gemini 4 Argon:

• GPT-6 Astra (max):45
• Fable 5.1 (max):43
• Opus 5.5 (max):41.7
• Gemini 4 Argon (high,其最高档):33
• Muse Spark 1.3 (max):32.2
• Grok 4.7 (xhigh):29

结论:Gemini 4 Argon 比上一代 Gemini 3.8 Flash 强很多,但仍明显落后第一梯队;历史数据误差约 2-3 分。作者称「Google 回来了」但榜单显示其与 OpenAI/Anthropic 旗舰仍有约 10 分差距。完整排行榜还显示 Sonnet 5.5 (max) 以 51.3 分居首,但耗时 287 分钟、成本 $154。

原文链接 →

「模型」频道最新

• Claude Fable 5.1 对阵 Muse Wonder 1.0 评测引发热议 — alexandr_wang · 2026-10-14
• 团队弃用订阅改走 API 后账单暴涨 30 倍，智能折扣并不便宜 — RexDouglass · 2026-10-14
• 网传 Google 推出 Gemini 4 Argon，覆盖 API、Antigravity 与 App — shrutirij · 2026-10-14
• 一句提示词显著改善 Claude 写作：告诉它不必证明聪明 — annetgriffin · 2026-10-14
• Neel Nanda 公布 Gemini 4 Argon 可监控性评估报告全文 — NeelNanda5 · 2026-10-14
• Neel Nanda 评测 Gemini 4 Argon：一半情况下能躲过 CoT 监控搞破坏 — NeelNanda5 · 2026-10-14

更多「模型」频道 AI 资讯 →