BenchLeader

Gemini 4 Argon vs Grok 4.20 Multi-Agent

完整资料:Gemini 4 Argon(Google)和 Grok 4.20 Multi-Agent(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,质量上 Gemini 4 Argon 领先 Grok 4.20 Multi-Agent(BenchLeader Index 65.3 比 58.5)。不过,Grok 4.20 Multi-Agent 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.56 比 $4.00)。在两者都有成绩的所有类别中,Gemini 4 Argon 均领先。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,Grok 4.20 Multi-Agent 为 58.5(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)。
  • Grok 4.20 Multi-Agent 每百万 token 混合价格为 $1.56(标价,2026年11月16日)。
  • Grok 4.20 Multi-Agent 比 Gemini 4 Argon 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 8 项基准测试中,Gemini 4 Argon 领先 8 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 64;Arena Coding 1553 比 1509中
数学Gemini 4 Argon类别得分 70 比 63;Arena Maths 1536 比 1455中
推理Gemini 4 Argon类别得分 70 比 65;Arena Hard Prompts 1545 比 1484中
对话质量(人类偏好)Gemini 4 ArgonArena 投票 72 比 66中
成本最低Grok 4.20 Multi-Agent每百万 token 混合价格 $1.56 比 $4.00;智能体编程会话 $0.085 比 $0.160;2026年12月1日 起:$1.56 比 $8.00–
首次回答最快Grok 4.20 Multi-Agent首个回答 token 11.8 秒(Grok 4.20 Multi-Agent)比 45.7 秒(Gemini 4 Argon (high))–
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

  • 质量上 Gemini 4 Argon (high) 领先:65.3 比 58.5。
  • Gemini 4 Argon (high) 在编程、人类偏好、数学、推理方面更强。
  • 截至 2026年11月30日,Grok 4.20 Multi-Agent 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.56 比 $4.00);自 2026年12月1日 起为 $1.56 比 $8.00。
  • Grok 4.20 Multi-Agent 的输出速度是对方的 5.3 倍(349 比 66 token/秒)。

概览

规格Gemini 4 ArgonGrok 4.20 Multi-Agent
提供商GoogleSpaceXAI
发布日期2026年9月30日2026年3月9日
正式发布2026年10月13日2026年3月9日
上下文窗口(token)1,048,5762,000,000
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)Grok 4.20 Multi-Agent
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$1.25 / $2.50 / $0.200
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 IDgemini-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)Grok 4.20 Multi-Agent领先者
推理69.564.7Gemini 4 Argon
编程66.764.3Gemini 4 Argon
智能体与工具58.6–无法比较
数学69.963.4Gemini 4 Argon
知识71.9–无法比较
人类偏好72.165.9Gemini 4 Argon
多模态–59.3无法比较
长上下文64.5–无法比较
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。

2550 avg75推理编程数学人类偏好Gemini 4 Argon, 推理: 69.5Gemini 4 Argon, 编程: 66.7Gemini 4 Argon, 数学: 69.9Gemini 4 Argon, 人类偏好: 72.1Grok 4.20 Multi-Agent, 推理: 64.7Grok 4.20 Multi-Agent, 编程: 64.3Grok 4.20 Multi-Agent, 数学: 63.4Grok 4.20 Multi-Agent, 人类偏好: 65.9

未绘制(测得的模型少于两个):智能体与工具, 知识, 指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 8 项基准测试中,Gemini 4 Argon 领先 8 项,Grok 4.20 Multi-Agent 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 4 Argon 更强。

综合 IndexGemini 4 Argon (high)Grok 4.20 Multi-Agent领先者
BenchLeader Index65.358.5Gemini 4 Argon
Arena Text15221471Gemini 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)Grok 4.20 Multi-Agent
每百万 token 混合价格(截至 2026年11月30日)$4.00$1.56
每百万 token 输入 / 输出$2.00 / $10.00$1.25 / $2.50
自 2026年12月1日 起每百万 token 混合价格$8.00$1.56
自 2026年12月1日 起每百万 token 输入 / 输出$4.00 / $20.00$1.25 / $2.50
每百万 token 缓存输入$0.100$0.200
每项任务价格:聊天回复$0.0038$0.0013
每项任务价格:总结一份 30 页的报告$0.030$0.017
每项任务价格:代码编辑$0.027$0.011
每项任务价格:智能体编程会话$0.160$0.085
每项任务价格:结构化信息提取$0.0060$0.0030
智能体编程会话(输入大多命中缓存)$0.074$0.038
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/s349 tok/s
首次回答时间45.7 秒11.8 秒
完整回答耗时(最近一次测量 2026年11月13日)122.1 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)。Grok 4.20 Multi-Agent 得分 58.5,首个回答 token 需 12 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 152 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)Grok 4.20 Multi-Agent
BenchLeader IndexBenchLeader65.358.5
智能体与工具得分BenchLeader58.6–
编程得分BenchLeader66.764.3
综合得分BenchLeader63.8–
人类偏好得分BenchLeader72.165.9
知识得分BenchLeader71.9–
长上下文得分BenchLeader64.5–
数学得分BenchLeader69.963.4
推理得分BenchLeader69.564.7
多模态得分BenchLeader–59.3
混合价格(美元/百万 token)BenchLeader$4.00$1.56
输出速度BenchLeader66 tok/s349 tok/s
首次回答时间BenchLeader45.7 秒11.8 秒
上下文窗口BenchLeader1,048,576 token2,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.4%–
SimpleBenchSimpleBench91.7%†–
Arena Hard PromptsArena (LMArena)15451484
LiveBench 2.0 ReasoningLiveBench95.1%–
Humanity's Last Exam (AA)Artificial Analysis57.1%–
HLE-Diamond (AA)Artificial Analysis56.7%–
ARC-AGI-1ARC Prize98.5%–
ARC-AGI-2ARC Prize91.3%–
ARC-AGI-3ARC Prize97.3%–
CritPtArtificial Analysis27.1%–
CritPt v2 hard subset (AA)Artificial Analysis52.5%–
MysteryMechanismVals AI45.5%–
HLE-Diamond (Scale)Scale AI SEAL53.2%†–
Arena ExpertArena (LMArena)15491483
Chess PuzzlesEpoch AI Benchmarking Hub59.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub64.0%–
LMCAEpoch AI Benchmarking Hub63.7%–
DTBenchEpoch AI Benchmarking Hub97.3%–
编程
SciCodeSciCode61.8%–
FrontierCodeCognition47.5%†–
Arena CodingArena (LMArena)15531509
Arena WebDevArena (LMArena)1681–
LiveBench 2.0 CodingLiveBench85.7%–
IOIVals AI100.0%–
Code MigrationVals AI68.2%–
显示全部 152 项基准测试
指标发布方Gemini 4 Argon (high)Grok 4.20 Multi-Agent
编程
Code Migration v1.1Vals AI70.8%–
ProgramBenchVals AI2.5%–
SWE-bench MultimodalVals AI56.0%–
Vibe Code Bench 1-100Vals AI21.2%–
Vibe Code Bench v1.1Vals AI91.9%–
SWE Atlas v1.1Scale AI SEAL70.1%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL65.3%†–
SWE Atlas v1.1: Test WritingScale AI SEAL77.8%†–
SWE Atlas v1.1: RefactoringScale AI SEAL67.1%†–
SWE-Bench Pro V2Scale AI SEAL99.2%–
SWE-Bench Pro V2 HARDScale AI SEAL92.2%–
MirrorCodeEpoch AI Benchmarking Hub58.9%–
CursorBenchCursor52.9%–
ALE-BenchEpoch AI Benchmarking Hub2100.1–
FrontierSWEEpoch AI Benchmarking Hub55.0%–
WeirdML v3WeirdML20.3%–
Terminal-Bench 4.0 (AA)Artificial Analysis57.1%–
GameBench 2 OverallDuelLab GameBench 281.7†–
GameBench 2 by reasoning settingDuelLab GameBench 289.2–
Design Arena WebsiteDesign Arena1316†–
FrontierCode 1.1 (AA)Artificial Analysis43.5%–
FrontierCode 2.0 (AA)Artificial Analysis25.7%–
智能体与工具
Terminal-BenchTerminal-Bench55.5%–
Remote Labor IndexScale AI / CAIS17.1%†–
APEX-AgentsMercor82.4%†–
Arena AgentArena (LMArena)10.7–
LiveBench Long AgenticLiveBench58.5%–
LiveBench BrowserLiveBench82.8%–
Terminal-Bench 2.1 (Vals)Vals AI57.7%–
MCP AtlasScale AI SEAL90.7%†–
HiL-BenchScale AI SEAL62.0%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis56.2%–
GDPval-AA v2.1Artificial Analysis1634–
Analyst Agent (AA)Artificial Analysis48.8%–
CUA-benchVals AI4.8%–
CyberBenchVals AI77.9%–
Finance Agent v2Vals AI65.4%–
Finance Agent v2.1Vals AI67.7%–
Harvey's Legal Agent Benchmark v1.1Vals AI27.1%–
Harvey's Legal Agent Benchmark v1Vals AI19.6%–
Legal Research BenchVals AI54.8%–
Robo-benchVals AI0.8%–
SREBenchVals AI44.3%–
Tax Agent BenchVals AI49.2%–
Terminal-Bench 4.0 (Vals)Vals AI57.6%–
Terminal-Bench ScienceVals AI44.3%–
Time Horizon Index: KSPVals AI52.5%–
Arena SearchArena (LMArena)–1207
Arena Agent Task CompletionArena (LMArena)13.2–
PostTrainBenchEpoch AI Benchmarking Hub40.4%–
Vending-Bench 2Andon Labs13718.2†–
AutomationBenchArtificial Analysis77.5%–
GDP.pdf (AA)Artificial Analysis21.8%–
Harvey LAB-AA v1.1Harvey3.9%–
AA-Briefcase v1.1Artificial Analysis1485–
GDPxGDPx by SemiAnalysis7.3%–
Design Arena AgenticDesign Arena1274†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis52.9%–
MKA (AA)Artificial Analysis51.3%–
FACTS SearchGoogle89.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%–
FrontierMath Tier 4Epoch AI Benchmarking Hub78.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI99.0%†–
ArXivMathMathArena84.4%–
BrokenArXivMathArena47.9%–
Arena MathsArena (LMArena)15361455
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub76.0%–
LiveBench 2.0 Data AnalysisLiveBench85.2%–
LiveBench ResearchLiveBench86.8%–
AA-Omniscience v1.1Artificial Analysis46.1–
LegalBenchVals AI88.3%–
PRBench FinanceScale AI SEAL49.9%†–
PRBench LegalScale AI SEAL49.4%†–
BioMysteryBenchVals AI76.3%–
Excel Modeling BenchmarkVals AI75.2%–
Excel Modeling Benchmark v1.1Vals AI74.8%–
MedCodeVals AI58.8%–
MedScribeVals AI87.4%–
Public Benefits Bench v1.1Vals AI69.8%–
Access to Justice BenchmarkVals AI68.5%–
Financial Coaching BenchVals AI73.1%–
Immigration BenchVals AI68.1%–
DrugDiscoveryBenchScale AI SEAL65.4%–
EBR-benchEpoch AI Benchmarking Hub64.8%–
GDP.pdfEpoch AI Benchmarking Hub28.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis48.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis95.7%–
HealthBench Professional (AA)OpenAI55.0%–
FACTS ParametricGoogle72.2%†–
指令遵循
MultiChallengeScale AI SEAL78.7%†–
Arena Instruction FollowingArena (LMArena)15281444
人类偏好
Arena TextArena (LMArena)15221471
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1758†–
Arena Creative WritingArena (LMArena)15231448
Arena Multi-turnArena (LMArena)15451475
Arena Longer QueriesArena (LMArena)15441458
多模态
Arena VisionArena (LMArena)–1259
LiveBench DesignLiveBench69.2%–
MMMU-ProArtificial Analysis88.3%†–
SAGEVals AI89.5%–
AudioMCScale AI SEAL58.4%–
AudioMC (text output)Scale AI SEAL58.4%–
Humanity's Sixth SenseScale AI SEAL55.4%–
Blueprint-Bench 2Epoch AI Benchmarking Hub54.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub72.5%–
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1259–
AA-3DArtificial Analysis1147–
FACTS MultimodalGoogle54.2%†–
长上下文
AA-LCR v1.1Artificial Analysis79.7%–
MLCRArtificial Analysis13.9%–
FACTS GroundingGoogle73.3%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.5†–
LiveBench 2.0LiveBench77.7%–
AA Intelligence Index v5.0.1Artificial Analysis50.4–
AA Intelligence Index v4.3.2Artificial Analysis52.6–
AA Progress Index v1Artificial Analysis341.8–
Vals IndexVals AI69.4–
Vals Finance IndexVals AI66.0%–
Vals RSI IndexVals AI30.6%–
Vals Science IndexVals AI55.4%–
Vals Router IndexVals AI69.2%†–
Vals Legal IndexVals AI76.8%–
安全与诚实
DistressBenchScale AI SEAL68.6%†–

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)。
  • 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。
  • Gemini 4 Argon (high):4 项分数修订。
  • Gemini 4 Argon (high):1 项分数修订。
  • Gemini 4 Argon (high):价格 $7.68/M → $9.95/M。
  • Gemini 4 Argon (high):1 项分数修订。

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 Grok 4.20 Multi-Agent:常见问题

Gemini 4 Argon 比 Grok 4.20 Multi-Agent 更好吗?
质量上 Gemini 4 Argon (high) 领先:65.3 比 58.5。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 4 Argon (high) 总体领先,但请结合你的用途查看各类别得分。
Gemini 4 Argon 和 Grok 4.20 Multi-Agent 哪个更便宜?价格会变吗?
目前 Grok 4.20 Multi-Agent 更便宜:每百万 token $1.56 比 $4.00(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 Grok 4.20 Multi-Agent 更好?
Gemini 4 Argon 在编程方面得分更高(类别得分 67 比 64,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,Gemini 4 Argon 为 1553,Grok 4.20 Multi-Agent 为 1509。
Gemini 4 Argon 和 Grok 4.20 Multi-Agent 哪个更快?
Grok 4.20 Multi-Agent 输出更快(3 倍以上;输出 349 比 66 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
Grok 4.20 Multi-Agent 支持更长的上下文:2,000,000 token,Gemini 4 Argon 为 1,048,576 token。
更多问题(3)
哪个延迟更低?
Grok 4.20 Multi-Agent 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 11.8 秒比 45.7 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 Grok 4.20 Multi-Agent 的看法一致吗?
在两者都有结果的 8 项基准测试中,Gemini 4 Argon 领先 8 项,Grok 4.20 Multi-Agent 领先 0 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。