Gemini 4 Argon vs GPT-5.4
完整资料:Gemini 4 Argon(Google)和 GPT-5.4(OpenAI),包括全部基准测试、价格和排名。
更新于 · 数据来自 14 个来源
截至 2026年11月16日,Gemini 4 Argon 与 GPT-5.4 的质量不相上下(BenchLeader Index 65.3 比 63.1,在 ±3.7 的误差范围内)。Gemini 4 Argon 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63)。看重知识(72 比 59)、数学(70 比 65)和推理(70 比 66)选 Gemini 4 Argon;看重智能体与工具(63 比 59)和长上下文(66 比 65)选 GPT-5.4。Gemini 4 Argon 的首次回答更快(45.7 秒 比 144.9 秒)。Gemini 4 Argon 的现价有效至 2026年11月30日,之后为 $8.00。
要点(截至 2026年11月16日)
- Gemini 4 Argon 的 BenchLeader Index 为 65.3,GPT-5.4 为 63.1(BenchLeader,2026年11月16日)。
- Gemini 4 Argon 每百万 token 混合价格为 $4.00(截至 2026年11月30日,之后为 $8.00)(https://ai.google.dev/gemini-api/docs/pricing,2026年10月20日 核实)。
- GPT-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
- 在两者都有结果的 29 项基准测试中,Gemini 4 Argon 领先 28 项(BenchLeader,2026年11月16日)。
按用途怎么选
推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。
| 用途 | 推荐 | 理由 | 置信度 |
|---|---|---|---|
| 编程 | Gemini 4 Argon | 类别得分 67 比 65;SciCode 61.8% 比 56.6% | 中 |
| 智能体与工具调用 | GPT-5.4 | 类别得分 63 比 59;GDPval-AA v2.1 1256 比 1634 | 中 |
| 数学 | Gemini 4 Argon | 类别得分 70 比 65;FrontierMath Tiers 1–3 86.0% 比 78.6% | 中 |
| 推理 | Gemini 4 Argon | 类别得分 70 比 66;GPQA Diamond 96.4% 比 93.3% | 中 |
| 知识 | Gemini 4 Argon | 类别得分 72 比 59;SimpleQA Verified 76.0% 比 45.1% | 高 |
| 长文档 | GPT-5.4 | 类别得分 66 比 65;AA-LCR v1.1 82.0% 比 79.7% | 中 |
| 对话质量(人类偏好) | – | 只有 Gemini 4 Argon 有 Arena 评分(类别得分 72) | 无法比较 |
| 成本最低 | Gemini 4 Argon(截至 2026年11月30日) | 每百万 token 混合价格 $4.00 比 $5.63;智能体编程会话 $0.160 比 $0.210;2026年12月1日 起:$8.00 比 $5.63 | – |
| 首次回答最快 | Gemini 4 Argon | 首个回答 token 45.7 秒(Gemini 4 Argon (high))比 144.9 秒(GPT-5.4 (xhigh)) | – |
| 低预算大批量 | 两者都不选 | 通常更小的模型更合适:便宜好用的大模型、最快的大模型 | – |
主要差异
- Gemini 4 Argon (high) 与 GPT-5.4 (xhigh) 的质量不相上下(65.3 比 63.1,在 ±3.7 的误差范围内)。
- Gemini 4 Argon (high) 在编程、知识、数学、推理方面更强。
- GPT-5.4 (xhigh) 在智能体与工具、长上下文方面更强。
- 截至 2026年11月30日,Gemini 4 Argon (high) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63);自 2026年12月1日 起为 $8.00 比 $5.63。
概览
| 规格 | Gemini 4 Argon | GPT-5.4 |
|---|---|---|
| 提供商 | OpenAI | |
| 发布日期 | 2026年9月30日 | 2026年3月5日 |
| 正式发布 | 2026年10月13日 | 2026年3月5日 |
| 上下文窗口(token) | 1,048,576 | 1,050,000 |
| 最大输出(token) | 65,536 (up to 1,048,576 with long decode) | – |
| 输入类型 | 文本、图像、视频、音频、PDF | – |
| 推理强度设置 | low, medium, high | – |
| 对比时的配置 | Gemini 4 Argon (high) | GPT-5.4 (xhigh) |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $2.00 / $10.00 / $0.100 | $2.50 / $15.00 / $0.250 |
| 已公布的价格调整 | 自 2026年12月1日 起为 $4.00 / $20.00 / $0.200 | 暂无公布 |
| API 模型 ID | gemini-4-argon | – |
| 使用渠道 | Gemini API (AI Studio), Gemini Enterprise Agent Platform, Gemini app | – |
上限、可用性和已公布的价格均来自厂商官方页面: ai.google.dev、ai.google.dev 定价页 (2026年10月20日 核实)。其余内容均来自当日数据。
逐类别对比
类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。
| 类别 | Gemini 4 Argon (high) | GPT-5.4 (xhigh) | 领先者 |
|---|---|---|---|
| 推理 | 69.5 | 65.7 | Gemini 4 Argon |
| 编程 | 66.7 | 64.7 | Gemini 4 Argon |
| 智能体与工具 | 58.6 | 63.0 | GPT-5.4 |
| 数学 | 69.9 | 64.8 | Gemini 4 Argon |
| 知识 | 71.9 | 58.6 | Gemini 4 Argon |
| 指令遵循 | – | 72.4 | 无法比较 |
| 人类偏好 | 72.1 | – | 无法比较 |
| 多模态 | – | 60.8 | 无法比较 |
| 长上下文 | 64.5 | 65.7 | GPT-5.4 |
| 综合 | 63.8 | – | 无法比较 |
同一图表对比
各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。
未绘制(测得的模型少于两个):指令遵循, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 29 项基准测试中,Gemini 4 Argon 领先 28 项,GPT-5.4 领先 1 项。所有同时评测两者的综合评分都认为 Gemini 4 Argon 更强。
| 综合 Index | Gemini 4 Argon (high) | GPT-5.4 (xhigh) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 65.3 | 63.1 | 不相上下 |
| Arena Text | 1522 | 1475† | Gemini 4 Argon |
各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。
价格、速度与延迟
标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。
| 指标 | Gemini 4 Argon (high) | GPT-5.4 (xhigh) |
|---|---|---|
| 每百万 token 混合价格(截至 2026年11月30日) | $4.00 | $5.63 |
| 每百万 token 输入 / 输出 | $2.00 / $10.00 | $2.50 / $15.00 |
| 自 2026年12月1日 起每百万 token 混合价格 | $8.00 | $5.63 |
| 自 2026年12月1日 起每百万 token 输入 / 输出 | $4.00 / $20.00 | $2.50 / $15.00 |
| 每百万 token 缓存输入 | $0.100 | $0.250 |
| 每项任务价格:聊天回复 | $0.0038 | $0.0055 |
| 每项任务价格:总结一份 30 页的报告 | $0.030 | $0.039 |
| 每项任务价格:代码编辑 | $0.027 | $0.037 |
| 每项任务价格:智能体编程会话 | $0.160 | $0.210 |
| 每项任务价格:结构化信息提取 | $0.0060 | $0.0080 |
| 智能体编程会话(输入大多命中缓存) | $0.074 | $0.109 |
| 每项基准测试任务成本(AA Index) | $4.97 | – |
| 每项任务输出 token(AA Index) | 116k | – |
| 其中推理部分 | 68k | – |
| 每项任务耗时(AA Index) | 29 min | – |
| 输出速度 | 66 tok/s | 73 tok/s |
| 首次回答时间 | 45.7 秒 | 144.9 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 122.1 秒 | 193.1 秒 |
每个模型都按其排名最高的推理强度设置进行对比。Gemini 4 Argon (high) 得分 65.3,首个回答 token 需 46 秒;Gemini 4 Argon 为 64.4(5 秒),Gemini 4 Argon (medium) 为 61.6(13 秒)。GPT-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本
全部基准测试
共 210 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。
| 指标 | 发布方 | Gemini 4 Argon (high) | GPT-5.4 (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 65.3 | 63.1 |
| 智能体与工具得分 | BenchLeader | 58.6 | 63.0 |
| 编程得分 | BenchLeader | 66.7 | 64.7 |
| 综合得分 | BenchLeader | 63.8 | – |
| 人类偏好得分 | BenchLeader | 72.1 | – |
| 知识得分 | BenchLeader | 71.9 | 58.6 |
| 长上下文得分 | BenchLeader | 64.5 | 65.7 |
| 数学得分 | BenchLeader | 69.9 | 64.8 |
| 推理得分 | BenchLeader | 69.5 | 65.7 |
| 指令遵循得分 | BenchLeader | – | 72.4 |
| 多模态得分 | BenchLeader | – | 60.8 |
| 混合价格(美元/百万 token) | BenchLeader | $4.00 | $5.63 |
| 输出速度 | BenchLeader | 66 tok/s | 73 tok/s |
| 首次回答时间 | BenchLeader | 45.7 秒 | 144.9 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,050,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 96.4% | 93.3% |
| Humanity's Last Exam | Scale AI / CAIS | – | 36.2% |
| SimpleBench | SimpleBench | 91.7%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1545 | 1487† |
| LiveBench 2.0 Reasoning | LiveBench | 95.1% | – |
| LiveBench 1.0 Reasoning | LiveBench | – | 88.1% |
| GPQA Diamond (AA) | Artificial Analysis | – | 92.0% |
| Humanity's Last Exam (AA) | Artificial Analysis | 57.1% | 43.7% |
| HLE-Diamond (AA) | Artificial Analysis | 56.7% | – |
| GPQA Diamond (Vals) | Vals AI | – | 91.7% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | – | 63.8%† |
| ARC-AGI-1 | ARC Prize | 98.5% | 93.7% |
| ARC-AGI-2 | ARC Prize | 91.3% | 74.0% |
| ARC-AGI-3 | ARC Prize | 97.3% | 0.2%† |
| CritPt | Artificial Analysis | 27.1% | 23.4% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 52.5% | – |
| MysteryMechanism | Vals AI | 45.5% | – |
| HLE-Diamond (Scale) | Scale AI SEAL | 53.2%† | – |
| Arena Expert | Arena (LMArena) | 1549 | 1491† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 59.0% | 48.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 64.0% | 37.0% |
| CL-bench | Epoch AI Benchmarking Hub | – | 27.9% |
| CL-bench Life | Epoch AI Benchmarking Hub | – | 21.7% |
| LMCA | Epoch AI Benchmarking Hub | 63.7% | 52.0% |
| DTBench | Epoch AI Benchmarking Hub | 97.3% | 94.4% |
显示全部 210 项基准测试
| 指标 | 发布方 | Gemini 4 Argon (high) | GPT-5.4 (xhigh) |
|---|---|---|---|
| 推理 | |||
| ForecastBench | ForecastBench | – | 63.0%† |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | – | 76.9%† |
| SciCode | SciCode | 61.8% | 56.6% |
| WeirdML | WeirdML | – | 77.7% |
| FrontierCode | Cognition | 47.5%† | – |
| GSO-Bench | GSO-Bench | – | 31.4% |
| Arena Coding | Arena (LMArena) | 1553 | 1511† |
| Arena WebDev | Arena (LMArena) | 1681 | 1400† |
| LiveBench 2.0 Coding | LiveBench | 85.7% | – |
| LiveBench 1.0 Coding | LiveBench | – | 77.5% |
| SciCode (AA) | Artificial Analysis | 61.8% | – |
| LiveCodeBench | Vals AI | – | 84.1% |
| IOI | Vals AI | 100.0% | – |
| SWE-bench (Vals) | Vals AI | – | 78.2% |
| SWE-Bench Pro | Scale AI SEAL | – | 59.1% |
| Code Migration | Vals AI | 68.2% | 35.0% |
| Code Migration v1.1 | Vals AI | 70.8% | – |
| ProgramBench | Vals AI | 2.5% | 0.0% |
| SWE-bench Multimodal | Vals AI | 56.0% | – |
| Vibe Code Bench 1-100 | Vals AI | 21.2% | – |
| Vibe Code Bench v1.1 | Vals AI | 91.9% | 67.4% |
| SWE-Bench Pro (private) | Scale AI SEAL | – | 43.4% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 40.8% |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | – | 44.3% |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 44.4% |
| SWE Atlas v1.1 | Scale AI SEAL | 70.1%† | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 65.3%† | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 77.8%† | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 67.1%† | – |
| SWE-Bench Pro V2 | Scale AI SEAL | 99.2% | – |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | 92.2% | – |
| MirrorCode | Epoch AI Benchmarking Hub | 58.9% | 23.3% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 51.8% |
| CursorBench | Cursor | 52.9% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 2100.1 | 1607† |
| AlgoTune | AlgoTune | – | 1.9† |
| FrontierSWE | Epoch AI Benchmarking Hub | 55.0% | – |
| WeirdML v3 | WeirdML | 20.3% | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 57.1% | – |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 78.3% |
| GameBench 2 Overall | DuelLab GameBench 2 | 81.7† | 53.4† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 89.2 | 62.1 |
| Design Arena Website | Design Arena | 1316† | 1190† |
| FrontierCode 1.1 (AA) | Artificial Analysis | 43.5% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 25.7% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 55.5% | 81.8%† |
| Remote Labor Index | Scale AI / CAIS | 17.1%† | – |
| APEX-Agents | Mercor | 82.4%† | 52.4%† |
| Arena Agent | Arena (LMArena) | 10.7 | – |
| LiveBench Long Agentic | LiveBench | 58.5% | – |
| LiveBench Browser | LiveBench | 82.8% | – |
| LiveBench Agentic Coding | LiveBench | – | 53.8% |
| Terminal-Bench Hard | Artificial Analysis | – | 57.6% |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 87.1% |
| Terminal-Bench 2.1 (Vals) | Vals AI | 57.7% | – |
| MCP Atlas | Scale AI SEAL | 90.7%† | 70.6% |
| HiL-Bench | Scale AI SEAL | 62.0%† | 9.7%† |
| τ³-bench Banking | τ²-bench | – | 39.4% |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 56.2% | – |
| GDPval-AA v2.1 | Artificial Analysis | 1634 | 1256 |
| τ³-Banking (AA) | Artificial Analysis | – | 39.6% |
| Analyst Agent (AA) | Artificial Analysis | 48.8% | – |
| APEX-Agents (AA) | Artificial Analysis | – | 33.3% |
| CUA-bench | Vals AI | 4.8% | – |
| CyberBench | Vals AI | 77.9% | – |
| Finance Agent v2 | Vals AI | 65.4% | – |
| Finance Agent v2.1 | Vals AI | 67.7% | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 27.1% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 19.6% | 0.0% |
| Legal Research Bench | Vals AI | 54.8% | – |
| Robo-bench | Vals AI | 0.8% | – |
| SkillsBench | Vals AI | – | 51.7% |
| SREBench | Vals AI | 44.3% | – |
| Tax Agent Bench | Vals AI | 49.2% | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 58.4%† |
| Terminal-Bench 4.0 (Vals) | Vals AI | 57.6% | – |
| Terminal-Bench Science | Vals AI | 44.3% | – |
| Time Horizon Index: KSP | Vals AI | 52.5% | – |
| Arena Search | Arena (LMArena) | – | 1196† |
| Arena Agent Task Completion | Arena (LMArena) | 13.2 | – |
| DeepResearch Bench | DeepResearch Bench | – | 35.1%† |
| PostTrainBench | Epoch AI Benchmarking Hub | 40.4% | 17.8%† |
| METR Time Horizons | METR | – | 74.3% |
| GBAEval | Epoch AI Benchmarking Hub | – | 45.1%† |
| Vending-Bench 2 | Andon Labs | 13718.2† | 6144.2† |
| AutomationBench | Artificial Analysis | 77.5% | – |
| GDP.pdf (AA) | Artificial Analysis | 21.8% | – |
| Harvey LAB-AA v1.1 | Harvey | 3.9% | – |
| AA-Briefcase v1.1 | Artificial Analysis | 1485 | – |
| GDPx | GDPx by SemiAnalysis | 7.3% | – |
| Design Arena Agentic | Design Arena | 1274† | 1042† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 52.9% | – |
| MKA (AA) | Artificial Analysis | 51.3% | – |
| DeepSearchQA | – | 63.7%† | |
| FACTS Search | 89.9%† | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 86.0% | 78.6% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 78.0% | 49.0% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 100.0% | 95.3% |
| ProofBench | Vals AI | 99.0%† | 56.0% |
| LiveBench Mathematics | LiveBench | – | 94.2% |
| AIME (Vals) | Vals AI | – | 96.7% |
| AIME 2026 | MathArena | – | 99.2% |
| HMMT February 2026 | MathArena | – | 97.7% |
| USAMO 2026 | MathArena | – | 95.2% |
| MathArena Apex | MathArena | – | 54.2% |
| ArXivMath | MathArena | 84.4% | – |
| BrokenArXiv | MathArena | 47.9% | – |
| Arena Maths | Arena (LMArena) | 1536 | 1459† |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | 1.5% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 76.0% | 45.1% |
| LiveBench 2.0 Data Analysis | LiveBench | 85.2% | – |
| LiveBench Research | LiveBench | 86.8% | – |
| LiveBench 1.0 Data Analysis | LiveBench | – | 79.3% |
| AA-Omniscience v1.1 | Artificial Analysis | 46.1 | – |
| MMLU-Pro | Vals AI | – | 87.5% |
| LegalBench | Vals AI | 88.3% | 86.0% |
| CorpFin | Vals AI | – | 65.3% |
| TaxEval | Vals AI | – | 74.0% |
| MedQA | Vals AI | – | 96.1% |
| PRBench Finance | Scale AI SEAL | 49.9%† | 45.6%† |
| PRBench Legal | Scale AI SEAL | 49.4%† | 44.4%† |
| MultiNRC | Scale AI SEAL | – | 58.3%† |
| BioMysteryBench | Vals AI | 76.3% | – |
| CaseLaw v2 | Vals AI | – | 63.8% |
| Excel Modeling Benchmark | Vals AI | 75.2% | – |
| Excel Modeling Benchmark v1.1 | Vals AI | 74.8% | – |
| MedCode | Vals AI | 58.8% | 41.3% |
| MedScribe | Vals AI | 87.4% | 77.5% |
| Public Benefits Bench v1.1 | Vals AI | 69.8% | – |
| Access to Justice Benchmark | Vals AI | 68.5% | – |
| Financial Coaching Bench | Vals AI | 73.1% | – |
| Immigration Bench | Vals AI | 68.1% | – |
| DrugDiscoveryBench | Scale AI SEAL | 65.4% | – |
| EBR-bench | Epoch AI Benchmarking Hub | 64.8% | 25.4% |
| GDP.pdf | Epoch AI Benchmarking Hub | 28.4% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 48.3% | – |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 95.7% | – |
| HealthBench Professional (AA) | OpenAI | 55.0% | – |
| FACTS Parametric | 72.2%† | – | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 82.6% |
| LiveBench Instruction Following | LiveBench | – | 70.2% |
| IFBench | Artificial Analysis | – | 74.0% |
| MultiChallenge | Scale AI SEAL | 78.7%† | – |
| Arena Instruction Following | Arena (LMArena) | 1528 | 1460† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1522 | 1465† |
| EQ-Bench 4 | EQ-Bench | 1236† | 1258† |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1758† | 1841† |
| Arena Creative Writing | Arena (LMArena) | 1523 | 1433† |
| Arena Multi-turn | Arena (LMArena) | 1545 | 1480† |
| Arena Longer Queries | Arena (LMArena) | 1544 | 1477† |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | – | 1292† |
| LiveBench Design | LiveBench | 69.2% | – |
| MMMU-Pro | Artificial Analysis | 88.3%† | 78.4% |
| VISTA | Scale AI SEAL | – | 50.9%† |
| MMMU-Pro (Vals) | Vals AI | – | 87.5% |
| MortgageTax | Vals AI | – | 68.3% |
| SAGE | Vals AI | 89.5% | – |
| AudioMC | Scale AI SEAL | 58.4% | – |
| AudioMC (text output) | Scale AI SEAL | 58.4% | – |
| Humanity's Sixth Sense | Scale AI SEAL | 55.4% | – |
| VTB | Scale AI SEAL | – | 29.2%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 54.5%† | 27.1%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | 72.5% | 37.5% |
| VIALS-AA | Handshake AI | 59.6% | – |
| Code2Video-AA | Artificial Analysis | 1259 | – |
| AA-3D | Artificial Analysis | 1147 | – |
| FACTS Multimodal | 54.2%† | – | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 79.7% | 82.0% |
| Arena Document | Arena (LMArena) | – | 1471† |
| MLCR | Artificial Analysis | 13.9% | – |
| FACTS Grounding | 73.3%† | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 166.5† | 157.8† |
| LiveBench 2.0 | LiveBench | 77.7% | – |
| LiveBench 1.0 | LiveBench | – | 78.0% |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 50.4 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 52.6 | 39.0 |
| AA Progress Index v1 | Artificial Analysis | 341.8 | 311.6 |
| Vals Index | Vals AI | 69.4 | – |
| Vals Finance Index | Vals AI | 66.0% | – |
| Vals RSI Index | Vals AI | 30.6% | 15.5% |
| Vals Science Index | Vals AI | 55.4% | – |
| Vals Router Index | Vals AI | 69.2%† | – |
| Vals Legal Index | Vals AI | 76.8% | – |
| 安全与诚实 | |||
| MASK | Scale AI SEAL | – | 89.7%† |
| DistressBench | Scale AI SEAL | 68.6%† | – |
数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。
DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.
变化
- Gemini 4 Argon:标价将调整为每百万 token 输入 $4.00 / 输出 $20.00(已公布)。
- Gemini 4 Argon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
- Gemini 4 Argon (high):1 项新结果(Terminal-Bench)。
- GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
- Gemini 4 Argon (high):1 项分数修订。
- Gemini 4 Argon (high):BenchLeader Index 65.9 → 65.3。
- Gemini 4 Argon (high):1 项新结果(PostTrainBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $9.95/M → $4.97/M。
- GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
- Gemini 4 Argon (high):4 项分数修订。
- Gemini 4 Argon (high):1 项分数修订。
相关对比
- Gemini 4 Argon vs Claude Fable 5.2
- Gemini 4 Argon vs Gemini 4 Carbon
- Gemini 4 Argon vs Claude Opus 5.5
- GPT-5.4 vs Claude Fable 5.2
- GPT-5.4 vs Gemini 4 Carbon
- GPT-5.4 vs Claude Opus 5.5
- GPT-5.4 vs GPT-6 Astra
- Gemini 4 Argon vs GPT-5.4 Pro
排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型
Gemini 4 Argon vs GPT-5.4:常见问题
- Gemini 4 Argon 比 GPT-5.4 更好吗?
- Gemini 4 Argon (high) 与 GPT-5.4 (xhigh) 的质量不相上下(65.3 比 63.1,在 ±3.7 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
- Gemini 4 Argon 和 GPT-5.4 哪个更便宜?价格会变吗?
- 目前 Gemini 4 Argon 更便宜:每百万 token $4.00 比 $5.63(按每 1 个输出 token 对应 3 个输入 token 混合计算)。Gemini 4 Argon 的现价有效至 2026年11月30日,之后为 $8.00。
- 编程用 Gemini 4 Argon 还是 GPT-5.4 更好?
- Gemini 4 Argon 在编程方面得分更高(类别得分 67 比 65,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Gemini 4 Argon 为 61.8%,GPT-5.4 为 56.6%。
- Gemini 4 Argon 和 GPT-5.4 哪个更快?
- GPT-5.4 输出更快(输出 73 比 66 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 Gemini 4 Argon 还是 GPT-5.4 更好?
- GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 59,50 为平均水平)。
更多问题(4)
- 处理长文档哪个更好?
- GPT-5.4 在长上下文基准测试上得分更高(66 比 65)。两者都约为 1.1M token(Gemini 4 Argon 为 1,048,576,GPT-5.4 为 1,050,000)。
- 哪个延迟更低?
- Gemini 4 Argon 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 45.7 秒比 144.9 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
- 第三方基准测试对 Gemini 4 Argon 和 GPT-5.4 的看法一致吗?
- 在两者都有结果的 29 项基准测试中,Gemini 4 Argon 领先 28 项,GPT-5.4 领先 1 项。所有同时评测两者的综合评分都认为 Gemini 4 Argon 更强。
- Gemini 4 Argon 是什么时候发布的?
- Gemini 4 Argon 于 2026年9月30日 首次亮相,并于 2026年10月13日 正式发布。