我们用浏览器任务对比评测了 Gemini 4 Argon 与 Gemini 3.1 Pro Preview

14 分钟阅读
用于呈现 Gemini 4 Argon 与 Gemini 3.1 Pro 浏览器任务结果和成本的天蓝色抽象拼贴

如果你的浏览器智能体目前运行的是 Gemini 3.1 Pro Preview,我们建议切换到 Gemini 4 Argon。在这次 Gemini 4 Argon 与 Gemini 3.1 Pro 对比评测中,每个模型都运行了 15 项浏览器任务。这是一个规模较小、但颇具挑战的测试集。在这 15 次尝试中,Argon 通过了 11 次,3.1 Pro 仅通过 5 次。

3.1 Pro 成功完成的每项任务,Argon 都通过了,而且所需工作量大约只有一半。Argon 平均每项任务使用 23.9 次工具调用,3.1 Pro 为 52.1 次。在跨多个网站的长任务中,3.1 Pro 有三次耗尽了 100 步预算,仍未产出结果,Argon 则从未出现这种情况。

成本方面,在相同工作上,两款模型相近;把失败尝试也计入后,Argon 更便宜。在双方都通过的 5 项任务上,Argon 平均每项成本为 $0.588,3.1 Pro 为 $0.598。计入全部尝试后,Argon 每次成功尝试的支出为 $1.62,3.1 Pro 为 $4.02。不过,Google 对 Argon 的公开标价将于 2026 年 12 月 1 日翻倍,需要留意这次涨价。

模型成功率每项任务成本:双方都通过的 5 项任务每次成功尝试的成本:全部 15 项任务
Gemini 4 Argon73.3% (11/15)$0.588$1.62
Gemini 3.1 Pro Preview33.3% (5/15)$0.598$4.02

(成本采用 Google 截至 2026 年 11 月 30 日的公开定价)

任务成功情况

在我们的测试集上,Gemini 4 Argon 更可靠。Argon 通过了 6 项 3.1 Pro 未通过的任务,而 3.1 Pro 没有通过任何 Argon 未通过的任务。其余任务中,两款模型的结果相同。Argon 表现更好的这 6 项任务,包括多站点数据收集、社交媒体核验和搜索比较。

两款模型的失败方式不同。3.1 Pro 的 10 次失败尝试中,有三次是耗尽 100 步预算后仍未给出答案。这些任务都涉及 9 个或更多网站。另有五次只是产生了幻觉或给出了错误答案。在一项通胀简报任务中,3.1 Pro 将 324.000 报告为 2025 年全年 CPI 平均值,但这个数字实际上是 BLS 表格中的下半年平均值。我们会对这类错误格外谨慎:数字确实存在于来源中,因此看似可信,却没有回答问题。

Argon 在 ego(lite) 中通过了同一项任务,而且在这 15 项任务中从未耗尽步数。在它的 4 次失败中,有三次为同一字段给出了两个数值,因此被判为错误答案。在一项查询开放权重模型信息的任务中,Argon 给出了正确的参数总量 668.95B,随后又提供了 664.95B 作为备选值。多给出这个备选值导致任务失败。如果你的代码会读取智能体答案,请确保每个字段只有一个数值。

成本

截至 11 月,两款模型的成本大致相同;进入 12 月后,Argon 将涨价。在双方都通过的 5 项任务上,Argon 平均每项成本为 $0.588,3.1 Pro 为 $0.598。如果按 3.1 Pro 的费率计算,Argon 在这些任务上的用量会产生 $0.646 的成本。因此,Argon 较低的每 token 单价抵消了略高的用量。在 Argon 的 $0.588 成本中,未缓存输入占 $0.421;在 3.1 Pro 的 $0.598 中,未缓存输入占 $0.212。

更大的成本差异来自失败尝试。3.1 Pro 有 3 次尝试耗尽了步数,平均每次成本为 $3.48,是其余尝试的 4.3 倍,而且没有一次给出答案。这 3 次尝试占 3.1 Pro 总支出的 51.8%。计入全部尝试后,Argon 每次成功尝试的支出为 $1.62,3.1 Pro 为 $4.02。

Google 的 Gemini API 价格页面 列明,自 2026 年 12 月 1 日起,Argon 的价格为每百万输入 token $4、每百万输出 token $20、每百万缓存 token $0.20,是此前价格的两倍。3.1 Pro 尚未宣布价格调整。

Gemini 4 Argon,11 月 30 日及之前Gemini 4 Argon,12 月 1 日起Gemini 3.1 Pro Preview
每项任务成本:双方都通过的 5 项任务$0.588$1.176$0.598
每次成功尝试的成本:全部 15 项任务$1.62$3.25$4.02

12 月的成本是将 Google 的新公开定价套用到我们记录的 token 用量上计算的结果。

从 12 月起,为 Argon 多花的钱换来的是可靠性。如果你的智能体任务都是 3.1 Pro 已经能够通过的工作,那么它的每项任务成本更低:按 12 月价格计算,在双方都通过的全部 5 项任务上,它都更便宜。如果你的任务包括 3.1 Pro 无法通过的工作,Argon 能通过更多任务,而且每次成功尝试的成本仍更低,为 $3.25,而 3.1 Pro 为 $4.02。

各模型的工作方式

Gemini 4 Argon 经常在一条浏览器命令中打开多个网站,而 3.1 Pro 每次打开一个页面,再继续操作。一条浏览器命令,是模型发送给 ego-browser 的一段脚本。在这 15 项任务中,Argon 的 246 条浏览器命令有 22.4% 打开了两个或更多页面,3.1 Pro 的 489 条命令中,这一比例为 2.5%。Argon 平均每项任务需要 16.4 条浏览器命令,3.1 Pro 需要 32.6 条。

央行任务展示了这种方式对长任务的影响。任务要求查询 12 家央行各自在 2026 年作出的首次利率决定,包括日期、决定、利率、任何异议以及下次会议日期。Argon 用 16 条浏览器命令完成,其中 14 条命令各自打开了 2 至 7 家央行的页面。它使用 29 次工具调用通过任务,成本为 $1.24。3.1 Pro 发送了 73 条浏览器命令,没有一条打开超过一个页面。它用完全部 100 步,在打开第 9 家央行——韩国央行时停止,没有给出答案。这次尝试的成本为 $3.36。

ego(lite) 中的 Copom 声明:Selic 利率维持 15.00%,发布于 2026 年 1 月 28 日
ego(lite) 中展示的巴西 2026 年 1 月 28 日 Copom 声明,显示 Selic 利率维持在 15.00%。 查看原尺寸截图

两款模型使用同一浏览器访问相同网站,因此差异来自每次回复涵盖多少工作。这正是 Argon 在需要逐一访问网站列表的任务中,仍能控制在 100 步预算内的原因。

进一步了解 Gemini 4 Argon

为了探索 Argon 处理更困难任务的能力,我们专门为它设计了另外 13 项测试。在总计 28 项浏览器操作任务中,涉及的网站越多,成功率越低。

任务规模任务数成功率每项任务成本每项任务工具调用次数
一至三个网站1172.7% (8/11)$0.46916.4
九个或更多网站1457.1% (8/14)$2.37735.2

在涉及九个或更多网站的任务中,Argon 通过了 14 项中的 8 项。它最多使用了 67 次工具调用,允许的上限为 100,从未耗尽预算。这些涉及超过九个网站的任务,Argon 平均每项成本为 $2.377。六次失败中,有四次是错误答案,其中 2 次为一个字段给出了两个数值,再次出现多给答案的模式。

在涉及一至三个网站的较短任务中,Argon 通过了 11 项中的 8 项,平均成本为 $0.469。它的 3 次失败中,有两次为一个字段给出了两个数值,另一次是在网页应用任务中给出了错误答案。

我们的建议是根据任务规模做规划。使用 Argon 进行简短查询,成本不到五十美分;跨多个网站的长任务则要花几美元,可能运行接近一小时,成功率为 57%。

如何选择

如果你对 3.1 Pro 目前的成功率不满意,可以切换到 Gemini 4 Argon。成本方面,截至 11 月,它的每项任务成本与 3.1 Pro 相近;即使 12 月涨价后,每次成功尝试仍更便宜,因为它能完成任务,而不会浪费 token。

有一种情况适合继续使用 Gemini 3.1 Pro Preview:从 12 月 1 日起,在它已经能够通过的任务上,每项成本更低。在我们的测试运行中,这部分占 15 项任务中的 5 项。

我们将 Argon 以 gemini-4-argon 的模型标识,在 pi 智能体运行框架中以 high 思考级别运行,使用 ego-browser 作为浏览器。ego-browser 随 ego(lite) 提供,并将其作为智能体的浏览器来操控。

常见问题

对于浏览器智能体,Gemini 4 Argon 比 Gemini 3.1 Pro 更好吗? 是的,Gemini 4 Argon 通过了 15 次浏览器任务尝试中的 11 次,Gemini 3.1 Pro Preview 通过 5 次。3.1 Pro 通过的每项任务,Argon 都通过了,另外还通过 6 项 3.1 Pro 未通过的任务。提升最大的是跨 9 个或更多网站的工作,3.1 Pro 在这类任务中三次耗尽了 100 步预算。

我应该从 Gemini 3.1 Pro 切换到 Gemini 4 Argon 吗? 如果你的智能体需要完成更多任务,可以切换:Gemini 4 Argon 通过了 15 次尝试中的 11 次,Gemini 3.1 Pro Preview 通过 5 次。截至 2026 年 11 月 30 日,在双方都通过的工作上,两者平均每项任务成本都约为 $0.59 至 $0.60。从 12 月 1 日起,Argon 的公开标价翻倍,因此,在 3.1 Pro 已能通过的任务上,它的成本更低。

Gemini 4 Argon 比 Gemini 3.1 Pro 更便宜吗? 按截至 2026 年 11 月 30 日的价格,在双方都通过的 5 项任务上,Gemini 4 Argon 平均每项成本为 $0.588,Gemini 3.1 Pro Preview 为 $0.598。计入失败尝试后,Argon 每次成功尝试的支出为 $1.62,3.1 Pro 为 $4.02。3.1 Pro 的失败代价较高,因为它的 3 次步数耗尽尝试,平均每次成本为 $3.48。

2026 年 12 月 1 日之后,Gemini 4 Argon 的成本是多少? Google 列明,自 2026 年 12 月 1 日起,Gemini 4 Argon 的价格为每百万输入 token $4、每百万输出 token $20、每百万缓存 token $0.20。按这些价格计算,在双方都通过的 5 项任务上,我们的测试运行平均每项成本会为 $1.176,Gemini 3.1 Pro Preview 则为 $0.598。按每次成功尝试计算,Argon 的成本会为 $3.25,3.1 Pro 为 $4.02。

Gemini 4 Argon 比 Gemini 3.1 Pro 使用更少的步骤吗? 是的,在相同的 15 项任务中,Gemini 4 Argon 平均每项使用 23.9 次工具调用,Gemini 3.1 Pro Preview 使用 52.1 次。Argon 的浏览器命令中,有 22.4% 打开了两个或更多页面,3.1 Pro 这一比例为 2.5%。Argon 最长的任务在 100 步预算下使用了 67 次工具调用。

为什么 Gemini 3.1 Pro 会在浏览器任务中耗尽步数? Gemini 3.1 Pro Preview 在 15 项任务中的 3 项耗尽了 100 步预算,它们都涉及 9 个或更多网站。它每条浏览器命令只打开一个页面,因此,一项涉及 12 家央行的任务需要的回复次数超出了预算。在同一浏览器中执行同一任务时,Gemini 4 Argon 用 29 次工具调用完成。

Gemini 4 Argon 处理多站点数据收集的表现如何? 在它执行的、跨九个或更多网站的 14 项任务中,Gemini 4 Argon 通过了 8 项。它在这些任务中从未耗尽步数,但有 2 次尝试达到一小时时限,仍未给出答案。这类任务平均每项成本为 $2.377。

Gemini 4 Argon 还会犯哪些错误? Gemini 4 Argon 在 15 次共同任务尝试中失败了 4 次,其中 3 次为同一字段给出两个数值。在一项任务中,它报告了正确的参数量 668.95B,随后又提供 664.95B 作为备选值。Gemini 3.1 Pro Preview 也在它的 2 次失败中出现同样情况,因此,要检查答案中的每个字段是否只有一个数值。

Gemini 3.1 Pro 还值得使用吗? Gemini 3.1 Pro Preview 通过了 15 次尝试中的 5 次。从 2026 年 12 月 1 日起,在这 5 项任务上,它比 Gemini 4 Argon 成本更低。按 12 月价格计算,这全部 5 项都更便宜。对于它尚未通过的工作,Argon 通过了更多任务,每次成功尝试的支出也更低。

Gemini 4 Argon 能搭配 ego-browser 运行浏览器智能体吗? 可以。我们在 pi 智能体运行框架中,以 high 思考级别运行 Gemini 4 Argon,搭配 ego-browser,通过了 15 次尝试中的 11 次。模型经由智能体的 bash 工具编写 ego-browser 脚本,并读取每段脚本返回的页面文本。它最长的任务在 100 步预算下使用了 67 次工具调用。

测试方法

我们对比了 Gemini 4 Argon(google/gemini-4-argon)与 Gemini 3.1 Pro Preview(gemini-3.1-pro-preview),两者均使用 high 思考级别。它们都在 macOS 上,通过 pi 智能体运行框架 1.5.0 版本,在 ego(lite) 中使用同一 ego-browser 构建版本运行。模型收到 ego-browser skill 文件后,经由 bash 工具编写浏览器脚本,并读取每段脚本返回的页面文本。Argon 通过 ZenMux 调用,3.1 Pro 通过 Google 的 Gemini API 调用。Argon 的运行日期为 2026 年 11 月 4 日,3.1 Pro 为 2026 年 11 月 5 日。

每个模型都运行了效率任务集中的 28 项任务,其中 15 项由双方共同运行。对比采用这 15 项共同任务,每个模型对每项任务尝试一次。一次尝试是一个模型对一项任务的一次运行。“任务规模”一节采用 Argon 的全部 28 项任务。共同任务分为五组,每项任务只属于一组。这些分组是:从多个官方网站收集相同字段、将 X 帖子与官方页面核对、在一至三个网站上查询、探索性研究,以及业务网页应用。

每次尝试的预算为 100 步和一小时。一步是模型的一次回复,通常包含一次工具调用。一次工具调用,是模型经由智能体发送的一条命令。浏览器命令,是执行 ego-browser 脚本的一次工具调用;我们根据脚本中的页面导航,统计一条命令是否打开了两个或更多页面。只有最终答案满足任务标准答案中的每一项要求,尝试才算通过;一个字段给出两个数值的答案会被判为失败。

成本是将每次尝试的 token 用量,按 Google 截至 2026 年 11 月 30 日的 Gemini API 公开定价计算。Argon 的价格为每百万输入 token $2、每百万输出 token $10、每百万缓存 token $0.10。3.1 Pro Preview 的价格,在每条提示词不超过 200,000 token 时,分别为 $2、$12 和 $0.20;超过该门槛后,分别为 $4、$18 和 $0.40。每项任务成本取双方都通过的 5 项任务的平均值。每次成功尝试的成本,则用全部 15 次尝试的成本除以成功尝试次数。

完整结果

每个单元格显示一次尝试的结果,以及按截至 2026 年 11 月 30 日的公开定价计算的成本。“步数耗尽”表示用完 100 步预算仍未给出答案;“时间耗尽”表示达到一小时时限仍未给出答案。

任务分组Gemini 4 ArgonGemini 3.1 Pro Preview
12 家央行的利率决定多个官方网站通过,$1.243未通过,步数耗尽,$3.356
9 个开放权重模型多个官方网站未通过,$3.548未通过,步数耗尽,$4.324
9 个司法辖区的最低工资多个官方网站通过,$3.269未通过,步数耗尽,$2.745
9 家 SaaS 供应商的合规情况多个官方网站通过,$2.590未通过,$1.176
8 个开源项目的安全发布:将 X 帖子与安全通告核对X 帖子通过,$1.490通过,$1.564
8 项产品发布:将 X 帖子与新闻稿核对X 帖子通过,$1.211未通过,$1.005
将 SpaceX 在 X 上的发射帖子与 Wikipedia 核对X 帖子通过,$0.483通过,$0.325
四家英国公司的 KYC 信息快照一至三个网站未通过,$0.525未通过,$0.955
将临床试验与药品说明书核对一至三个网站未通过,$1.203未通过,$0.831
基于 FRED、并与 BLS 核对的通胀简报一至三个网站通过,$0.248未通过,$0.267
MDN 与 Can I use 上的网页功能一至三个网站通过,$0.560未通过,$0.967
基于讲座、代码和论文的学习笔记一至三个网站通过,$0.283通过,$0.403
超过欧盟计算量门槛的模型探索性研究通过,$0.300通过,$0.287
追溯 Wikipedia 表格的来源探索性研究未通过,$0.528未通过,$1.495
按标准调整服务监控项业务网页应用通过,$0.384通过,$0.412

Gemini 4 Argon 的另外 13 项任务,用于“任务规模”一节。每个单元格代表一次尝试。

任务网站数Gemini 4 Argon
9 款桌面浏览器的最新稳定版本13通过,$0.726
9 项 CI 服务的免费方案9未通过,时间耗尽,$3.393
8 份开发者调查8未通过,$4.987
9 家机构对同一场地震的记录9未通过,$4.039
8 个分级机构对同一款游戏的评级8未通过,$4.180
10 个博物馆馆藏中的同一幅版画10通过,$3.296
9 个软件包注册表中的 protobuf 运行时9未通过,$0.856
9 项标准的现行版本9通过,$2.143
8 笔俱乐部签约:将 X 帖子与俱乐部官网核对16未通过,时间耗尽,$4.947
核查一篇 AI 周报中的 10 项说法7通过,$1.316
承运商准时表现检查与告警规则1未通过,$0.769
根据休假安排值班补位1通过,$0.182
申领每日餐费补助1通过,$0.217

更新记录:首次发布于 2026 年 11 月 9 日。测试运行日期为 2026 年 11 月 4 日和 5 日。