AIGC标识 Gemini 4 Argon 与 Meta Muse Wonder：一份成绩单在仓库里，一份在榜单上

北京时间 10-14 00:00，Google 发布旗舰模型 Gemini 4 Argon 并全球上线；5 个半小时后（10-14 05:27），Arena 补齐 Meta Muse Wonder (Max) 的榜单数据。两条不约而同地占着 AIHOT 热点榜前两位（18 与 17 个信源）。

把两份材料摊开看会发现，"证据材质"完全不同：Google 晒的是一串能点开核对的仓库改动，Meta 晒的是等真人投票收敛的榜单分数。 这不是谁更可信的问题——是"可被独立验证的东西"成本不一样。

这篇把所有公开数字摊在一张表上，再聊两家的暗线其实撞在了同一个地方。

先说结论

  • 两份成绩单的材质不同。 Argon 的案例几乎都落在"有廉价验证器"的场景——编译器、测试、形式化证明、实验室；关键改动进了公开仓库（google/adk-python、xTB、vLLM 上游 PR），今晚就能点开读 diff。Muse Wonder 的信息主体是第三方榜单（Arena + AA），分数要等真人投票收敛。
  • 两家都把"最强形态"搬进了订阅产品。 Google 的 Argon + Antigravity 组合锁在 Ultra 订阅里；Meta 的 Muse Wonder Full 干脆不上 API，只给 Muse Code 订阅者。API 用户能买到的，不是他们最强的那个。
  • 开场价都很有攻击性，但都不便宜地持久。 Argon $2/$10 + 缓存输入 95% 折扣（⚠️ The Verge 称 11 月底翻倍）；Muse Wonder $4/$0.20/$20。$0.20 的缓存输入价和 Argon 的 -95%，打的是同一场仗——缓存命中率才是账单的主战场。
  • 同一个 Arena 榜，两家各占一头： Text Arena 上 Argon (High) 1525 分第 1、Muse Wonder (Max) 1513 分第 2（差 12 分）；但 WebDev 上 Muse Wonder（1651 分第 15）反而低于自家 Muse Spark 1.3 (Max) 的 1659 分（第 12）——"升级"不是全线升级。
  • ⚠️ Argon 的反向实测必须和官方案例一起读：Ethan Mollick 称多智能体工作仍有短板、评测者 indigo 称"追平而未超越"、公众号"数字生命卡兹克"以 $100 Ultra 会员实测后给出负面结论（CUA-bench 4.83%，倒数第二）。
  • 可自查的信号：公开仓库的 diff 今晚就能看；榜单要等收敛；内部效率数字（+35%、-40%）两边都核验不了。三种证据、三种可信度，别混着用。

一、两份材料摊在一张桌上

Gemini 4 Argon Muse Wonder / Wonder Full
发布方 / 北京时间 Google · 10-14 00:00 全球 GA Meta · 10-13 凌晨发布（美国时间 10-12）；Arena 数据 10-14 05:27 补齐
定位 复杂编码、智能体、数学与科学的"深度工作" 个人与专业 agentic 任务
API 价格（每百万 token） $2 输入 / $10 输出；缓存输入 -95%（⚠️ The Verge：11 月底翻倍） $4 输入 / $0.20 缓存输入 / $20 输出；Full 不在 API
上下文 1M 统一输入输出 未披露
AA Intelligence Index v4.3 与 GPT-6 Astra 排名持平；单任务成本为其 60% 52（Wonder）/ 56（Full，第 2，距 Opus 5.5 差 2 分）
Arena Text Arena 第 1（Argon High，1525） Text 第 2（1513）；WebDev 第 15（1651）
权重 ❌ 闭源 ❌ 闭源
"最强形态"怎么拿 Argon + Antigravity 组合仅 Ultra；API 走付费层 Full 仅 Muse Code 订阅；API 只给 Wonder
免费 / 申请通道 科学家 1 万名、6 个月 Antigravity 最高层级；防御者走 Fairwind 未见公开免费通道
证据材质 内部/合作案例 + 已合并进公开仓库的改动 第三方榜单（Arena、AA）

一句话概括：Google 卖"深度工作 + 能核验的工程证据"，Meta 卖"agentic 任务 + 第三方名次"；两家都把最强组合锁进了订阅制产品。

二、Argon：Google 这次晒的不是分数，是仓库

2.1 能点开核对的：改动都在公共仓库里

这部分是整条发布里最"硬"的，因为它们不依赖你相信谁——打开就是：

  • google/adk-python：团队把 .agents/skills 规则手册和一段话目标交给 Argon，要求在不破坏现有应用的前提下消除框架开销。Argon 在夜间无人值守工作，提出多项优化，其中合并进主干的把长会话内存准备时间降了 40%、冷启动导入快了 21%。Google Developers Blog 另给出了筛选口径：无人值守跑了 11 小时、共提 6 项优化，人工审查后合并 2 项。
  • xTB（量子化学开源包）：预测分子结构速度最高 2.3 倍、构象搜索 1.8 倍，改动已贡献至官方 xTB 仓库。
  • vLLM 上游 PR（Gemma 4 E2B，A100）：端到端推理加速 2.85 倍，吞吐从约 37,900 提升到 108,000+ tokens/秒，token 完全一致、质量零下降，几天完成（通常需要数月）；优化从注意力调优一路到投机解码。
  • AlphaQubit：把内部量子纠错解码器转写成单一高度优化的硬件内核，推理吞吐几乎翻倍。
  • 量子子程序 arcsin：Argon 编写并在 Lean 中形式化验证的实现，与已发表的量子 CORDIC 基线相比，时空成本降低 100 倍以上。

⚠️ 但要注意能核验的边界：仓库只能证明"改动存在"，证明不了"多少是模型的功劳"——一个晚上 6 提 2 合的合并率，本身就说明人工审查还占着关键位置。

2.2 不能核验的：内部效率与"第一次"案例

另外半张成绩单是发布叙事，只能按厂商及其合作方口径读：

  • Chrome：把核心网页处理逻辑从 Chromium 4000 万行代码库中一个约 600 万行的遗留浏览器功能目录里分离出来，横跨数百个文件的架构重构，把数月工作压到数周；收益方向是标签页/侧边栏/浮动窗口间无缝移动、消除一整类浏览器崩溃。
  • Antigravity 内部口径：智能体代码提交量 +35%、代码回滚 -33%（Google 自报，无第三方复核）。
  • Wiz（合作方）：帮助联邦机构修复敏感数据与基础设施暴露漏洞；在医疗基础设施上串联复杂漏洞，发现公开文件下载绕过漏洞（曾暴露主密钥、影响数十万患者记录）。
  • 科学侧：Gamow Labs 用去标识化基因组定位一处"常规软件多年遗漏"的染色体重排，在私有评测 RareBench（57%）与 LabBench（52.2%）上居首；酶设计数小时内产出 5 个经实验室验证有催化活性的新颖设计；与 Landreman 教授合作找到更广泛的一类 Grad 猜想反例（1967 年以来的长期假设）；机器人侧 Apollo 看人类玩沙包视频→自建仿真代码→真实世界连中 7 球，ERQA 纯推理得分 87%。
  • 官方口径的排名：称其在 Vals Index（金融、编码、法律、税务等关键经济领域的表现）上排名第一。

2.3 定价与门槛：一张分层图

  • API：$2/百万输入、$10/百万输出，缓存输入享 95% 折扣；1M 统一输入输出 token 上限。⚠️ The Verge 称价格将在 11 月底翻倍，官方原文只说这是"入门价"。
  • 访问分层：Antigravity（把上面所有案例串起来的智能体 IDE）仅 Ultra 可用；Gemini 应用与搜索 AI Mode 要 Ultra/Pro；开发者走 API 付费层；企业走 Gemini for business。The Verge 称其何时或是否向 Plus 与免费用户开放尚不清楚。
  • 免费通道：1 万名科学家可申请 Antigravity 最高使用层级 6 个月；网络安全防御者走 Fairwind Program（本次扩到数百家合作伙伴）。
  • 官方自己定调："Gemini 4 Argon 只是开始"——Gemini 4 系列其余成员还在后面。

三、Muse Wonder：真第三方的分数，和一个"不发布的 API 版"

3.1 Arena 三组数字，最有信息量的是"和自家的对比"

  • Text Arena：Muse Wonder (Max) 1513 分第 2，较自家 Muse Spark 1.3 (Max) 的 1494 分提升 19 分、上升 9 位；距离第 1 的 Gemini 4 Argon (High)（1525 分）差 12 分。
  • Code Arena: WebDev：1651 分第 15。⚠️ 这个分数低于自家 Muse Spark 1.3 (Max) 的 1659 分（第 12）；与第 14 的 Kimi K3 (Max)（1655）差 4 分，比第 16 的 Grok 4.7 (xHigh)（1640）高 11 分。
  • AA Intelligence Index v4.3：Wonder 52 / Full 56（最大推理量口径）；Full 排第 2，距榜首 Claude Opus 5.5 仅 2 分；相比六周前 Muse Spark 1.3 的 48 分有明显提升。

一个值得记住的密度：WebDev 榜第 12—16 名只差 19 分。 这个区间里的名次更像抽签误差，别把 4 分差距当作能力结论写进选型文档。

3.2 最关键的商业动作：Full 不上 API

Muse Wonder 走 Meta Model API + Muse Code（也已上 OpenRouter）；Muse Wonder Full 仅面向 Muse Code 订阅用户、不在 API 提供，按 token 定价未公布。

也就是说：AA 指数排第 2 的那个版本，API 用户连门都摸不到。 官方给 Wonder 配了两个 agentic 特性——Active Memory（跨对话保留上下文）与 Active Focus（受阻后持续尝试），并称对对抗性指令与隐私信息做过专门训练；定位是"个人与专业 agentic 任务"，后续将驱动其个人智能体产品 Muse。

⚠️ 两条第三方口径要标注清楚："Full 在 14 项公开基准中 8 项超过 Opus 5.5"来自评测者汇总，非官方结论；Agent Arena 已上架，但分数当时尚未公布。

四、两条暗线撞在一起

暗线一：最强形态 = 订阅产品，API = 第二梯队

Google 把"Argon + Antigravity"这对组合限定在 Ultra；Meta 把 Full 版限定在 Muse Code。模型不再作为商品单独出售，而是作为订阅产品的挂件。 同方向的动作还有不少：xAI 的 The X Subscription 把 Grok、Cursor 与 X Premium 打包在一起。

对开发者的含义很直接：你评估 API 上那个模型时，评估的可能不是厂商心里"最强"的那个。 如果产品线里出现显著更强的版本，它未必会进入 API 定价表。

暗线二：这些模型"真好用"的地方，都是验证便宜的地方

把 Argon 的案例按"验证成本"排一遍：vLLM 优化靠 token 一致性对拍、xTB 靠基准跑分、量子子程序靠 Lean 内核做二值核验、酶设计靠实验室湿实验——每一条都有廉价、二值的验证器。而反向实测集中翻车的地方（Mollick 的多智能体工作、卡兹克的 CUA-bench 4.83%）恰恰是验证最模糊的地方。

这不是巧合：当前沿模型在"对错可判"的任务上收益最明确时，评价它们的方式也应该以"你的任务和哪个验证器同形"为准。 发布会和榜单都不会替你做这一步。

五、落到选型

你的场景 先看 依据（均为公开口径）
大型代码库重构 / 性能工程，改动可回滚可审查 Argon（API 付费层） adk-python / xTB / vLLM 三个案例的验证结构最完整；1M 上下文
已在用智能体 IDE 工作流 Argon + Antigravity ⚠️ 仅 Ultra；内部口径 +35% 提交 / -33% 回滚未经第三方复核
API 上要文本 / agentic 前沿，在意缓存成本 Muse Wonder（$4/$0.20/$20） Text Arena 第 2；$0.20 缓存输入价激进
想要 Meta 最强（Full） 只能订阅 Muse Code Full 不在 API；无 token 定价
前端 / WebDev 有硬指标 两边都先自测 Wonder 在 WebDev 微降于自家上代；榜单第 12—16 名只差 19 分
科研 / 网络安全防御 Argon 免费通道 科学家 1 万名额 6 个月；Fairwind Program

一句话：先确认"厂商最强版本在哪个 SKU 里"，再确认"你的任务有没有廉价验证器"。这两步做完，再比分数。

几个容易被追问的点（口径与边界）

  1. 所有内部案例（Chrome、+35%、Wiz、Gamow Labs、Apollo）均为 Google 或其合作方口径，无第三方复现；公开仓库只能核验"改动存在"，核验不了归属比例。
  2. 两个 AA 读数不是同一时点（Muse 的 52/56 发布于 10-13 窗口，Argon 的"持平 Astra、成本 60%"发布于 10-14 窗口），横向比较仅用于定位，不构成排序结论。
  3. Arena 分数会随真人投票收敛，当前名次（尤其 WebDev 密集区间）只宜作参考。
  4. "8/14 基准超过 Opus 5.5"是评测者汇总口径，官方未确认。
  5. Argon 的 $2/$10 是"入门价"，"11 月底翻倍"为 The Verge 报道口径；官方未给出后续价目。
  6. 卡兹克的实测是单人单环境（$100 Ultra 会员），但"额度消耗快、前端不及 GPT-6 Astra、CUA-bench 4.83%"这类具体信号，值得与官方案例并列阅读。
  7. Muse Wonder Full 无 token 定价、无 API，任何"Full vs Opus 5.5"的成本比较目前都做不了。

数据来源（AIHOT 站内页）：

所有分数、价格、成本数据为评测方/厂商披露口径；本文仅为技术分析，不含投资建议。引用具体数字请回原始评测页核对。

posted on 2026-10-14 09:23  fox_charon  阅读(3)  评论(0)    收藏  举报

导航