短的结论：一片冰心在玉壶
基本情况：
Gemini 3.1 Pro 在 8 个月前也曾是一款旗舰模型，纯逻辑和视觉能力即便在 8 个月后的今天也依然不差，只不过 8 个月间其他对手模型的干活水平与日俱增，已经发展到可以组建数万 Agent 集群来攻坚一个目标的程度了。只靠 Flash 和 Lite 模型很难追上头部梯队，最终还是需要姗姗来迟的 3.1 Pro 真正继任者 Gemini 4 Argon 来缩小差距。
Gemini 4 Argon 的逻辑能力和 Agent 水平基本是同步提升，都来到了世界头部，但弱于 GPT 和 Claude 新旗舰的水平。Gemini 系列一向高效推理，这一次也没有拖后腿，平均 Token 开销保持在低位，结合限时折扣，综合任务成本低于对手旗舰。
逻辑成绩：
表格的排序切换为按中位分数降序。
*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。
*2 题目及测试方式，参见：大语言模型-能力横评 26-09 月榜，增加#79、#80。
*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/
Agent 成绩：
-
编程表现：Gemini 4 的编程能力适应性强，在不同类型任务上有几乎相似的水平，优点和缺点也都很一致。由于 Gemini 专属 harness Antigravity 不支持配置三方 API，所以测试使用 OpenCode 进行（之前 Gemini Flash 也如此），以下结果可能会随 harness 不同而浮动，但模型体现的核心能力差异不会变化。
-
优点方面，Gemini 4 拥有极强的任务直觉，大部分任务都可以在一次长思考后，通过少数几次到十几次连续输出完成主要代码的编写。再通过少数几次验证达到交付状态。从结果来看，虽然 Gemini 4 验证很少，但任务完成度也很高，总体基本可用，但也有一些 Bug 是可以通过增加自测来规避的。而即便是有 Bug，Gemini 4 也可以在下一轮任务中完全修复，Bug 定位能力同样很强。
-
缺点方面，在测试的各个任务中，Gemini 4 的 UI 都存在马虎大意，比如使用了 UI 模板，但又没把模板占位删干净，导致控件重叠。又或者贪多，堆砌了大量 UI 元素，但管不好各 UI 的依赖关系等等。在前端审美上存在类似问题，整体风格独特，粗看十分精致，但离头部旗舰还有明显差距。
-
前面提到 Gemini 4 的验证少，而且开发动作干净，这使得 Gemini 4 成为了目前任务效率最高的模型，超过之前的 GPT-6 Astra/Sol，在大部分任务上，都比 GPT 短 30%以上。所以其Agent 任务成本也相当低廉，即便考虑到模型存在的缺陷，算上修复所需的消耗，也要比其他头部旗舰低 60%-90%。如果未来不再打折，也要低约 50%。这个成本虽然无法跟各家的 Flash 模型竞争，但如果是追求直出效果，则几乎别无选择。
-
复杂推理：Gemini 4 的推理能力比 Gemini 3.8 Flash 有显著提升， 与 GPT-6.1 Sol 基本持平，但互有优劣。在多轮连续推理上，GPT 显著更强更稳定。Gemini 则会会在轮次多，上下文上之后逐渐丢失目标和不遵循初始指令。极大解空间求解类问题也是 GPT 的强势领域，Gemini 还差一口气。而到了空间感知这种 Gemini 传统强项，得分就会逆转。但总体上Gemini 4 的推理能力和知识覆盖面都属于第一梯队。
-
幻觉表现：以 GPT 系列为标杆来看，Gemini 4 的综合幻觉水平并不高，但偶尔会有比较明显的硬伤，而且多 Pass 下会犯相同错误。前面 Coding 测试中的少量 UI 问题也和幻觉问题同源。幻觉的出现并不规律，没有明显任务聚集。
-
思维链：北美模型从始至终都是隐藏思维链，只提供浓缩摘要。但从 Gemini 4 起，他的思维链摘要换了风格，不再是对着原始输出，每若干段合并为一句话。变成了针对全文的大范围改写，使得摘要思维链同样具有极高可读性。这种改写式摘要丢弃了大部分试错和验证逻辑，只保留了推理主干和少部分踩坑反思。摘要逻辑连贯，重点突出，更像是模型对自己思考过程做的总结提炼。
赛博史官曰：
对 Google 这家穿越过互联网周期的公司来说，短期的困难并不可怕，路没有走偏，也没有走错，自己的护城河还在，模型的长板也足够长，短板也不算短。虽然追赶需要时间，但时间总是站在犯错少的一边。并不是模型要达到无可争议的第一才有用，有自己的生态位才重要。