BenchLeader

Gemini 4 Argon vs o3

完整资料:Gemini 4 Argon(Google)和 o3(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 21 个来源

截至 2026年11月16日,质量上 Gemini 4 Argon 领先 o3(BenchLeader Index 65.3 比 60.4)。两者价格相近(每百万 token 混合价格 $4.00 比 $3.50)。看重知识(72 比 56)、人类偏好(72 比 61)和推理(70 比 61)选 Gemini 4 Argon;看重智能体与工具(70 比 59)选 o3。o3 的首次回答更快(5.2 秒 比 45.7 秒)。o3 的输出更快(约 1.5 倍)。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,o3 为 60.4(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)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • o3 比 Gemini 4 Argon 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 12 项基准测试中,Gemini 4 Argon 领先 12 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 60;Arena Coding 1553 比 1460中
智能体与工具调用o3类别得分 70 比 59高
数学均可类别得分 70 比 71;Arena Maths 1536 比 1448均可
推理Gemini 4 Argon类别得分 70 比 61;Arena Hard Prompts 1545 比 1441高
知识Gemini 4 Argon类别得分 72 比 56高
长文档Gemini 4 Argon类别得分 65 比 62;AA-LCR v1.1 79.7% 比 74.7%中
对话质量(人类偏好)Gemini 4 ArgonArena 投票 72 比 61高
成本最低均可每百万 token 混合价格 $4.00 比 $3.50;智能体编程会话 $0.160 比 $0.152;2026年12月1日 起:$8.00 比 $3.50–
首次回答最快o3首个回答 token 5.2 秒(o3)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 60.4。
  • Gemini 4 Argon (high) 在编程、人类偏好、知识、长上下文、推理方面更强。
  • o3 在智能体与工具、数学方面更强。
  • 截至 2026年11月30日,两者价格相近(每百万 token 混合价格 $3.50);自 2026年12月1日 起为 $3.50 比 $8.00。
  • o3 的输出速度是对方的 2.0 倍(131 比 66 token/秒)。

概览

规格Gemini 4 Argono3
提供商GoogleOpenAI
发布日期2026年9月30日2025年4月16日
正式发布2026年10月13日2025年4月16日
上下文窗口(token)1,048,576200,000
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)o3
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$2.00 / $8.00 / $0.500
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)o3领先者
推理69.560.9Gemini 4 Argon
编程66.759.8Gemini 4 Argon
智能体与工具58.670.3o3
数学69.970.6持平
知识71.956.2Gemini 4 Argon
指令遵循–65.2无法比较
人类偏好72.161.0Gemini 4 Argon
多模态–52.8无法比较
长上下文64.561.9Gemini 4 Argon
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推理编程智能体与工具数学知识长上下文人类偏好Gemini 4 Argon, 推理: 69.5Gemini 4 Argon, 编程: 66.7Gemini 4 Argon, 智能体与工具: 58.6Gemini 4 Argon, 数学: 69.9Gemini 4 Argon, 知识: 71.9Gemini 4 Argon, 长上下文: 64.5Gemini 4 Argon, 人类偏好: 72.1o3, 推理: 60.9o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2o3, 长上下文: 61.9o3, 人类偏好: 61.0

未绘制(测得的模型少于两个):指令遵循, 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 12 项基准测试中,Gemini 4 Argon 领先 12 项,o3 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)o3领先者
BenchLeader Index65.360.4Gemini 4 Argon
Arena Text15221432Gemini 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)o3
每百万 token 混合价格(截至 2026年11月30日)$4.00$3.50
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $8.00
自 2026年12月1日 起每百万 token 混合价格$8.00$3.50
自 2026年12月1日 起每百万 token 输入 / 输出$4.00 / $20.00$2.00 / $8.00
每百万 token 缓存输入$0.100$0.500
每项任务价格:聊天回复$0.0038$0.0032
每项任务价格:总结一份 30 页的报告$0.030$0.029
每项任务价格:代码编辑$0.027$0.024
每项任务价格:智能体编程会话$0.160$0.152
每项任务价格:结构化信息提取$0.0060$0.0056
智能体编程会话(输入大多命中缓存)$0.074$0.085
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/s131 tok/s
首次回答时间45.7 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)122.1 秒17.3 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)。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 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 206 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)o3
BenchLeader IndexBenchLeader65.360.4
智能体与工具得分BenchLeader58.670.3
编程得分BenchLeader66.759.8
综合得分BenchLeader63.8–
人类偏好得分BenchLeader72.161.0
知识得分BenchLeader71.956.2
长上下文得分BenchLeader64.561.9
数学得分BenchLeader69.970.6
推理得分BenchLeader69.560.9
指令遵循得分BenchLeader–65.2
多模态得分BenchLeader–52.8
混合价格(美元/百万 token)BenchLeader$4.00$3.50
输出速度BenchLeader66 tok/s131 tok/s
首次回答时间BenchLeader45.7 秒5.2 秒
上下文窗口BenchLeader1,048,576 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.4%81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench91.7%†53.1%†
Arena Hard PromptsArena (LMArena)15451441
LiveBench 2.0 ReasoningLiveBench95.1%–
GPQA Diamond (AA)Artificial Analysis–82.7%
Humanity's Last Exam (AA)Artificial Analysis57.1%20.1%
HLE-Diamond (AA)Artificial Analysis56.7%–
GPQA Diamond (Vals)Vals AI–84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize98.5%60.8%†
ARC-AGI-2ARC Prize91.3%6.5%†
ARC-AGI-3ARC Prize97.3%–
CritPtArtificial Analysis27.1%1.1%
CritPt v2 hard subset (AA)Artificial Analysis52.5%–
MysteryMechanismVals AI45.5%–
SciPredictScale AI SEAL–17.9%
HLE-Diamond (Scale)Scale AI SEAL53.2%†–
Arena ExpertArena (LMArena)15491448
Chess PuzzlesEpoch AI Benchmarking Hub59.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub64.0%29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub63.7%39.7%†
DTBenchEpoch AI Benchmarking Hub97.3%84.8%†
显示全部 206 项基准测试
指标发布方Gemini 4 Argon (high)o3
推理
ForecastBenchForecastBench–64.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode61.8%–
WeirdMLWeirdML–52.4%†
FrontierCodeCognition47.5%†–
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)15531460
Arena WebDevArena (LMArena)1681–
LiveBench 2.0 CodingLiveBench85.7%–
LiveCodeBenchVals AI–83.9%†
IOIVals AI100.0%–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Code MigrationVals AI68.2%–
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%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
CursorBenchCursor52.9%–
ALE-BenchEpoch AI Benchmarking Hub2100.1933.5†
FrontierSWEEpoch AI Benchmarking Hub55.0%–
WeirdML v3WeirdML20.3%–
Terminal-Bench 4.0 (AA)Artificial Analysis57.1%–
GameBench 2 OverallDuelLab GameBench 281.7†34.1
GameBench 2 by reasoning settingDuelLab GameBench 289.230.4†
Design Arena WebsiteDesign Arena1316†1028
FrontierCode 1.1 (AA)Artificial Analysis43.5%–
FrontierCode 2.0 (AA)Artificial Analysis25.7%–
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench55.5%–
GDPvalOpenAI–30.8%†
Remote Labor IndexScale AI / CAIS17.1%†–
APEX-AgentsMercor82.4%†–
Arena AgentArena (LMArena)10.7–
LiveBench Long AgenticLiveBench58.5%–
LiveBench BrowserLiveBench82.8%–
Terminal-Bench HardArtificial Analysis–37.1%
τ²-Bench Telecom (AA)Artificial Analysis–80.7%
Terminal-Bench 2.1 (Vals)Vals AI57.7%–
MCP AtlasScale AI SEAL90.7%†–
HiL-BenchScale AI SEAL62.0%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
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)–1197
Arena Agent Task CompletionArena (LMArena)13.2–
DeepResearch BenchDeepResearch Bench–45.2%†
PostTrainBenchEpoch AI Benchmarking Hub40.4%–
METR Time HorizonsMETR–63.6%
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%–
BrowseComp-PlusBrowseComp-Plus–50.5%
FACTS SearchGoogle89.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub78.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI99.0%†–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
ArXivMathMathArena84.4%–
BrokenArXivMathArena47.9%–
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)15361448
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub76.0%49.4%†
LiveBench 2.0 Data AnalysisLiveBench85.2%–
LiveBench ResearchLiveBench86.8%–
AA-Omniscience v1.1Artificial Analysis46.1–
MMLU-ProVals AI–85.6%†
LegalBenchVals AI88.3%83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL49.9%†47.7%
PRBench LegalScale AI SEAL49.4%†48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
BioMysteryBenchVals AI76.3%–
Excel Modeling BenchmarkVals AI75.2%–
Excel Modeling Benchmark v1.1Vals AI74.8%–
MedCodeVals AI58.8%47.3%†
MedScribeVals AI87.4%76.7%†
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
IFBenchArtificial Analysis–71.4%
MultiChallengeScale AI SEAL78.7%†56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)15281403
人类偏好
Arena TextArena (LMArena)15221432
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1758†1675
Arena Creative WritingArena (LMArena)15231383
Arena Multi-turnArena (LMArena)15451420
Arena Longer QueriesArena (LMArena)15441411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)–1214
LiveBench DesignLiveBench69.2%–
MMMU-ProArtificial Analysis88.3%†70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
SAGEVals AI89.5%–
AudioMCScale AI SEAL58.4%–
AudioMC (text output)Scale AI SEAL58.4%–
Humanity's Sixth SenseScale AI SEAL55.4%–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
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
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis79.7%74.7%
MLCRArtificial Analysis13.9%–
FACTS GroundingGoogle73.3%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.5†147.1
LiveBench 2.0LiveBench77.7%–
AA Intelligence Index v5.0.1Artificial Analysis50.4–
AA Intelligence Index v4.3.2Artificial Analysis52.620.2
AA Progress Index v1Artificial Analysis341.8258.3
Vals IndexVals AI69.4–
HELM Capabilities meanHELM Capabilities–81.1%
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
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL68.6%†–
元数据
AA Openness IndexArtificial Analysis–5.6

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)。
  • o3:BenchLeader Index 61.2 → 60.4。
  • Gemini 4 Argon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • o3:1 项分数修订。
  • 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。

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 o3:常见问题

Gemini 4 Argon 比 o3 更好吗?
质量上 Gemini 4 Argon (high) 领先:65.3 比 60.4。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 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 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 o3 更好?
Gemini 4 Argon 在编程方面得分更高(类别得分 67 比 60,50 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,o3 为 1460。
Gemini 4 Argon 和 o3 哪个更快?
o3 输出更快(约 1.5 倍;输出 131 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 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 比 59,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Gemini 4 Argon 在长上下文基准测试上得分更高(65 比 62)。Gemini 4 Argon 支持更长的上下文:1,048,576 token,o3 为 200,000 token。
哪个延迟更低?
o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.2 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 o3 的看法一致吗?
在两者都有结果的 12 项基准测试中,Gemini 4 Argon 领先 12 项,o3 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。