Gemini 4 Argon、Claude Opus 5.5、GPT-6.1 Sol：和 Sol 标价相同的 Argon，每道题贵出 2.7 倍，多数人还调不出来

1.2K 0

Endor Labs 让 Codex 把同一套 179 道安全编码题跑了几遍，发票上的数字是：GPT-6 Astra 468 美元，GPT-6 Sol 104 美元。换成 9 月 29 日发布的 GPT-6.1 Sol，Azure 那边还没出账，按标价估算是 70 到 85 美元。能力上，6.1 Sol 的安全解题率 34.1%，Astra 34.6%，差半个点。

花五分之一的钱，拿到几乎一样的分。

我想拿这套题对一下另外两家。结果 Claude Opus 5.5 能跑，按 4 美元输入、20 美元输出的单价，账单好看不了；Gemini 4 Argon 根本调不起来。10 月 1 日有人在 Gemini API 的模型列表里逐个数过，61 个模型，没有一个叫 argon，直接请求返回 404。

所以这篇三方对比里，有一方绝大多数人只能看纸面，我会把实测和发布会表格分开讲。

一张账单上缺了一个名字

三家的发布时间挤在 9 天里：Opus 5.5 是 9 月 22 日，GPT-6.1 Sol 是 9 月 29 日 DevDay，Argon 是 9 月 30 日。

但”发布”在三家嘴里不是一回事。Opus 5.5 当天就进了 API、claude.ai 和 Claude Code，是 Claude Code 现在的默认模型。GPT-6.1 Sol 开放给 Plus 及以上的付费用户，入口却只有 ChatGPT Work 和 Codex，普通的 ChatGPT 聊天界面里暂时选不到它。Argon 的首批用户是美国政府和谷歌 Fairwind 计划里的网络安全防御方，谷歌说下一步给付费 API 客户和 AI Ultra 订阅者，没给日期。月付 99.99 美元的 Ultra 订阅页上，旗舰写的还是 3.1 Pro。

就连能用的那两家也不稳。10 月 3 日起，有人在 Codex 里用 ChatGPT 账号登录、选 gpt-6.1-sol，拿到一条 400 错误，提示”用 ChatGPT 账号时不支持该模型”，套餐明明在资格范围内，原因至今没有官方说法。10 月 6 日轮到 Claude，Opus 5.5 的请求错误率升高，claude.ai、API、Claude Code 一起受影响，当天修复。

今天还有消息在传：谷歌内部在测后续代号 Carbon，员工说它写代码堪比 Opus 5.5，早期 Argon 约等于 Opus 5。我没找到一手出处，只当风向听。真是这样，Argon 还没开放就成了过渡款。

纸面上的 Argon，和第三方量出来的 Argon

谷歌发布会那张表列了 19 项基准，Argon 赢了 14 项、平了 1 项。几个最抢眼的：Vals Index 68.9%，Opus 5.5 是 67.0%；DeepSWE v1.1 是 77.9%，Opus 5.5 是 74.2%；Harvey 的法律代理测试 19.6%，Opus 5.5 只有 3.8%；长上下文的 GraphWalks 256K 到 1M 区间是 84.2%，Opus 5.5 是 66.8%。

小字里有个细节：DeepSWE 那一项，Argon 用的是谷歌自己的 mini-swe 框架，对手分数取自公开榜单和系统卡。脚手架不同，这 3.7 个点的领先不能照单全收。

输的几项反而更说明问题。Terminal-Bench 4.0 上 Argon 57.4%，Opus 5.5 是 66.4%，落后 9 个点；FrontierSWE v2 是 55.0%，GPT-6 Astra 65.5%。都是要在终端里长时间来回操作的编程活。

Artificial Analysis 拿到了测试权限，独立跑了一遍。它的智能指数给 Argon 53 分，排 227 个模型里的第 8；GPT-6.1 Sol 开到 max 是 52 分，第 11；Opus 5.5 是 58 分，排第一。Terminal-Bench 4.0 在它的环境里是 Opus 5.5 60%、Astra 59%、Argon 57%、6.1 Sol 56%，Opus 5.5 的 9 个点领先缩成了 3 个点。

厂商自测放大优势不新鲜，新鲜的是方向：被挤掉水分最多的，是 Opus 5.5 自报的 66.4%，AA 测出 59.6%。

单价一样，按题算差了 2.7 倍

Argon 首发价是每百万 token 输入 2 美元、输出 10 美元，缓存输入便宜 95%，0.10 美元。这串数字和 GPT-6.1 Sol 一模一样，很多人看到这里就以为两家打成了平手。

问题在话多。

AA 跑完整套指数，Argon 一共吐出 1.1 亿个输出 token，全部模型的中位数是 8200 万；平均每道题约 6.2 万个输出 token，Astra 只要 2.7 万。摊到每题成本，Argon 首发价 1.99 美元，6.1 Sol 是 0.72 美元，单价相同，实际差 2.7 倍多。谷歌提过它在监控 Argon 的思维链，这会拖慢输出。

首发价还有保质期。谷歌只说之后涨到 4 美元和 20 美元，没说哪天涨，AA 的说法是”至少一个月”。涨完之后每题 3.98 美元，比 GPT-6 Astra 的 3.26 美元还贵。

Opus 5.5 的问题同源，而且更重。AA 页面上它跑一遍指数用掉 2.6 亿个输出 token，每题 5.98 美元，是 6.1 Sol 的 8 倍多。Anthropic 发布时说 Opus 5.5 比 Opus 5 便宜 40%，这个数是在默认档、”典型负载”下算的；AA 在 max 档量到它每题约 11.9 万输出 token，Opus 5 是 7.3 万，单价降了 20%，量涨了 60%，最后每题成本和 Opus 5 持平。

把三家的关键账目放在一起：

	Gemini 4 Argon	Claude Opus 5.5	GPT-6.1 Sol
输入 / 输出（美元/百万 token）	首发 2 / 10，之后 4 / 20	4 / 20	2 / 10
缓存输入	0.10（首发期）	0.20	0.10
长输入加价	未公布	1M 内不加价	超 27.2 万整单按 4 / 15
单次最大输出	1M	128K	128K
AA 智能指数	53	58	52（max）
AA 每题成本	1.99（首发价）	5.98	0.72
AA 输出速度	未公布	96.4 tok/s	55.6 tok/s（max）

表里最容易漏看的是长输入那一行。

GPT-6.1 Sol 的输入一旦超过 27.2 万 token，第三方价格表的写法是整个请求都按长上下文价收：输入 4 美元、输出 15 美元，不是只对超出的部分加价。往一个 30 万 token 的代码仓库里问一句话，输入费直接翻倍。Opus 5.5 在 1M 窗口内不分档，同样塞 30 万 token，它和 Sol 的输入单价就打平了。Argon 在这件事上什么都没公布，要等真开放了再看。

缓存这一行也变过。上一代 GPT-6 Sol 缓存读取是 0.20 美元，和 Opus 5.5 一样；6.1 Sol 砍到 0.10 美元。Endor Labs 那次测试里，6.1 Sol 约 94% 的输入命中缓存，编程代理的账单主要由缓存价决定，这一刀砍在了要害上。

10 月 8 日 OpenAI 又给 6.1 Sol 加了 Ultrafast 档，最快每秒 300 个 token，API 价格是标准档的 6 倍：输入 12 美元、输出 60 美元，缓存输入 0.60 美元，缓存写入 15 美元；输入超过 27.2 万 token 时变成 24 美元和 90 美元。输出单价因此是 Opus 5.5 的 3 倍，而在 Codex 里只有每月 500 美元的 Pro 档能开。

安全这件事，三家走到了三个方向

这是我觉得这一轮最有意思、也最少人提的地方。

谷歌把 Argon 先给了网络安全防御方。它在 CWE-bench v1 上 68%，跟 Astra 并列第一，Opus 5.5 是 67%；谷歌还说内部用它把 Fuchsia 的 Zircon 内核 80 多万行 C/C++ 迁到了 Rust。最强的模型，第一批用户就是做安全的。

Anthropic 反过来。Opus 5.5 的生物和网络安全能力被评到了和 Mythos 级模型同档，所以上了同一套防护：写漏洞利用、扫二进制漏洞、做渗透测试这类请求，被分类器识别出来后会回落给 Opus 4.8 处理。官方用的词是”透明”回落，调用方未必知道这一轮是谁答的。分类器看的也不只是你那条消息，读进来的文件、搜索结果、记忆都算，上下文里有一段 PoC 代码就可能触发。

做安全产品的团队用 Opus 5.5，花的是 Opus 5.5 的钱，拿到的可能是上上代的能力。修普通 bug、扫源码漏洞不受影响，这条线卡在”进攻性”三个字上。

OpenAI 是第三种。原定 10 月和 6.1 Sol 一起发的 GPT-6.1 Astra 被撤了，华尔街日报的说法是内部测试里它欺骗倾向更高、更容易不问用户就往下做。上线的 6.1 Sol 在”绕过明确限制”这项压力测试里是 23.5%，比上一代 GPT-6 Sol 的 64.4% 好了一大截，但仍比 Astra 的 17.4% 松。

Gray Swan 的间接提示注入测试里，Argon 被攻破 0.7%，Opus 5.5 是 1.0%，Astra 8.5%。6.1 Sol 不在名单上，我不替它下结论。

一个和主流看法相左的判断放在这里：都说 Opus 5.5 是安全研究的首选，我觉得眼下恰恰相反。做防守方漏洞分析、需要让模型真去写 exploit 验证的，Opus 5.5 的回落机制会让结果不可复现，同一个任务这次是 5.5 答、下次是 4.8 答。等 Argon 对付费 API 开放，这类活大概率会先流走一批。

15% 的幻觉率，换来的是少答对的题

Argon 在 AA-Omniscience 上的幻觉率只有 15%，Astra 是 51%，6.1 Sol 是 54%。Hacker News 发布帖 1200 多分、近 800 条评论，这个数字是被夸得最多的一处。

另一半很少有人转：Argon 的准确率是 50%，Astra 是 63%。它少编，是因为它更常说”不知道”，不是因为它知道得更多。

这对两类人意味着不同的东西。做客服知识库、法规问答，答错比不答代价大，这种性格是优点；做调研初稿、头脑风暴，它的保守会让你多跑几轮。同一个帖子里也有人泼冷水：在 AA 上比 Opus 5.5 低 5 分，还发一个大家用不了的模型。

三家各自栽过的跟头

Opus 5.5 的跟头摔在”想太多”。Simon Willison 试过一次 max 档任务，模型一路思考直到撞上 128K 的输出上限，任务没完成，2.56 美元花掉了。思考关不掉、按输出计费，max 档又爱想，长任务里这种空跑不算罕见。系统卡里还有一处不好看的：Toolathlon Verified 上 Opus 5.5 是 77.8%，低于上一代 Opus 5 的 80.6%，”每项都更强”的说法只覆盖了 Anthropic 自己挑的那张能力表。

GPT-6.1 Sol 的短板在硬上限。Endor Labs 那套题里它的功能通过率 77.7%，Astra 82.1%，差 4.5 个点，折合 8 道题；碰到真难的，Sol 还是会漏。AutomationBench 上它约 36%，被 Claude Sonnet 5.5 的 44.7% 甩开，而后者的标价和它一模一样。还有个容易忽略的：它在 AA 上开 max 档的输出速度只有每秒 55.6 个 token，比 Opus 5.5 的 96.4 慢了四成，想快就得掏 6 倍价开 Ultrafast。

它的长处也实在：同一套题中位每题 7.9 分钟做完，Astra 要 11.6 分钟，超时 9 次对 13 次。

Argon 的跟头还没机会摔，这本身就是它最大的短板。除此之外，纸面上能看到的弱项集中在终端类编程：Terminal-Bench 4.0 落后 Opus 5.5 9 个点、FrontierSWE 落后 Astra 10.5 个点、科学版 Terminal-Bench 57.6% 对 Astra 68.1%。

它有一项别人短期追不上：单次输出上限 1M，是上一代 64K 的 16 倍。

接下来一个月会改写这张表的几件事

这道选择题我更愿意按”什么时候会变”来答。三个日期都还悬着。

第一个是 Argon 什么时候对付费 API 开放，以及首发价哪天结束。如果开放的那天首发价已经快到期，开发者实际面对的就是 4 美元和 20 美元，每题成本比 Opus 5.5 便宜三成多，是 6.1 Sol 的 5.5 倍，定位会尴尬地卡在中间。

第二个是 GPT-6.1 Astra 有没有新的发布日期。OpenAI 眼下没有比 Astra 更新的顶配，6.1 Sol 在 DeepSWE 上 75.2% 和 Astra 打平，所以它被当成了”便宜的 Astra”来卖；Astra 一更新，这个定位就没了。

第三个是 Anthropic 的网络安全验证计划。官方说要给通过验证的安全从业者放开 Opus 5.5，帮助文档另一处却写着它目前不在计划里。哪句先兑现，决定安全团队还留不留它。

在这三件事落地之前，我手上的分工是这样的：写代码和长时间终端代理用 Opus 5.5，档位停在 medium 或 high，不开 max；跑批、工单、需要大量缓存命中的编程代理用 6.1 Sol，盯住 27.2 万 token 那道线，别把整个仓库一次塞进去；Argon 先排队，拿到权限后用自己的数据重测幻觉率和准确率，再等 4 美元那天。