Gemini 4 Argon

Google DeepMind / Gemini · 2026-10-13 · 类别未确认

Gemini 4 Argon

Google DeepMind 的前沿模型 Gemini 4 Argon 于 2026-10-13 正式向公众开放，官方定位为「解决最困难问题」。本页收录的评测覆盖具身推理（ERQA 87%）、罕见病诊断与湿实验推理（RareBench 57%、LabBench 52.2%）以及提示注入防御（Gray Swan IPI 攻击成功率 0.7%）；官方另称其在 Vals Index 排名第一。

输入模态: 文本 / 图像
上下文: 1M 统一输入输出 token 上限
参数: 官方资料未说明
价格（每百万 tokens）: USD 输入 2 / 输出 10 · 2026-10-13 至 2026-11-30 为开放期价格（缓存输入按 95% 折扣）；期后调整为每百万输入 $4 / 输出 $20

本变体的评测证据

erqa 87% 模型 gemini-4-argon · 版本未说明 · 指标 accuracy · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-20 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Unlocking robot control with Argon · row: Embodied Reasoning (ERQA) · quote_snippet: Relying on pure reasoning, Argon outperforms all other frontier models, with an 87% score.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

erqa 实体已存在（具身推理问答：空间关系与世界知识 400 道多选，指标 accuracy），本批沿用其 id。同一数字在同日的《Gemini 4 Argon for Robotics》官方博客中复述为「Using pure reasoning, Argon scores 87%」。

打开官方来源

rarebench 57% 模型 gemini-4-argon · 版本未说明 · 指标 accuracy · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-20 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Rare disease research · row: RareBench (assistance with rare-disease diagnosis) · quote_snippet: On private Gamow Labs evals derived from real clinical and lab data, Argon topped on RareBench (57% on assistance with rare-disease diagnosis) and LabBench (52.2% on wet-lab reasoning).

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: RareBench 衡量模型在罕见病诊断上的辅助能力（公开基准）。注意官方口径：该数值出自「Gamow Labs 基于真实临床与实验室数据自建的私有评测」，并非公开榜单读数。

打开官方来源

lab-bench 52.2% 模型 gemini-4-argon · 版本 wet-lab reasoning · 指标 accuracy · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-20 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Rare disease research · row: LabBench (wet-lab reasoning) · quote_snippet: On private Gamow Labs evals derived from real clinical and lab data, Argon topped on RareBench (57% on assistance with rare-disease diagnosis) and LabBench (52.2% on wet-lab reasoning).

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: LabBench 的 wet-lab reasoning 子集（湿实验推理）。账本既有 lab-bench id 对应 ProtocolQA 子集（见 muse-glimmer-30b 等），本行以 benchmark_variant 区分不同子集。官方口径同 RareBench：数值出自 Gamow Labs 私有评测，非公开榜单读数。

打开官方来源

gray-swan-ipi 0.7% 模型 gemini-4-argon · 版本未说明 · 指标 attack_success_rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-20 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Prompt injection resistance · row: Gray Swan's Indirect Prompt Injection (IPI) benchmark, attack success across 15 adaptive attempts · quote_snippet: Argon leads in prompt injection robustness on Gray Swan's Indirect Prompt Injection (IPI) benchmark, cutting attack success across 15 adaptive attempts to 0.7%.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: Gray Swan 的间接提示注入（IPI）基准，统计自适应攻击下的攻击成功率，比例越低越好。官方称 Argon 在该基准上领先。同日《Developing Gemini 4 Argon responsibly and safely》一文复述同一数字。

打开官方来源

google-bio-jailbreak-redteam-unlock 该来源尚无可读数值 模型 gemini-4-argon · 版本未说明 · 指标 unlocked_subtask_rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-20 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Safety and security defenses · row: External bio jailbreak red teaming, unlocked bio sub-tasks · quote_snippet: external bio red teaming could only unlock less than 1% of bio sub-tasks we test for.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: 外部生物安全越狱红队解锁率，统计红队能解锁的生物子任务比例，比例越低越好。官方只给出上界（less than 1%），未给精确数值，故 reported_score.value 记 null、score_status 记 not_extracted，display 保留页面原文「<1%」。同日《Developing Gemini 4 Argon responsibly and safely》一文复述同一表述。

打开官方来源

google-agent-shortcut-attempts 2% 模型 gemini-4-argon · 版本未说明 · 指标 shortcut_attempt_rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-20 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Agent alignment & real-time monitoring · row: Shortcut or cheat attempts on coding benchmarks · quote_snippet: On coding benchmarks where models have no incentive to hold back, attempts to take a shortcut or cheat on the task dropped to just 2% on Gemini 4 Argon, our best performance for recent Gemini models.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: 在「模型没有偷懒动机」的编码基准上，试图走捷径或作弊的比例，比例越低越好。官方称这是近几代 Gemini 模型中的最好表现。同日《Developing Gemini 4 Argon responsibly and safely》一文复述同一数字。

打开官方来源