我們以瀏覽器任務對比評測 Gemini 4 Argon 與 Gemini 3.1 Pro Preview

14 分鐘閱讀
用於呈現 Gemini 4 Argon 與 Gemini 3.1 Pro 瀏覽器任務結果及成本的天藍色抽象拼貼

如果你的瀏覽器代理目前使用 Gemini 3.1 Pro Preview,我們建議改用 Gemini 4 Argon。在這次 Gemini 4 Argon 與 Gemini 3.1 Pro 對比評測中,每個模型各執行 15 項瀏覽器任務。這是規模不大、卻相當有挑戰性的測試集。在 15 次嘗試中,Argon 通過 11 次,3.1 Pro 僅通過 5 次。

3.1 Pro 成功的每項任務,Argon 都通過了,而且所需工作量大約只有一半。Argon 平均每項任務使用 23.9 次工具呼叫,3.1 Pro 為 52.1 次。在跨多個網站的長任務中,3.1 Pro 有三次用完 100 步預算,仍未產出結果,Argon 則從未發生。

成本方面,執行相同工作時,兩款模型相近;把失敗嘗試也算進來後,Argon 更便宜。在雙方都通過的 5 項任務上,Argon 平均每項成本為 $0.588,3.1 Pro 為 $0.598。計入全部嘗試後,Argon 每次成功嘗試的支出為 $1.62,3.1 Pro 為 $4.02。不過,Google 對 Argon 的公開定價將於 2026 年 12 月 1 日加倍,需要留意這次調漲。

模型成功率每項任務成本:雙方都通過的 5 項任務每次成功嘗試的成本:全部 15 項任務
Gemini 4 Argon73.3% (11/15)$0.588$1.62
Gemini 3.1 Pro Preview33.3% (5/15)$0.598$4.02

(成本採用 Google 截至 2026 年 11 月 30 日的公開定價)

任務成功情況

在我們的測試集上,Gemini 4 Argon 更可靠。Argon 通過 6 項 3.1 Pro 未通過的任務,而 3.1 Pro 沒有通過任何 Argon 未通過的任務。其餘任務中,兩款模型的結果相同。Argon 表現較好的這 6 項任務,涵蓋多站點資料收集、社群媒體查證與搜尋比較。

兩款模型的失敗方式不同。3.1 Pro 的 10 次失敗嘗試中,有三次是用完 100 步預算後仍未給出答案。這些任務都涉及 9 個或更多網站。另有五次只是產生幻覺或給錯答案。在一項通膨簡報任務中,3.1 Pro 將 324.000 回報為 2025 年全年 CPI 平均值,但這個數字其實是 BLS 表格中的下半年平均值。我們會特別留意這類錯誤:數字確實出現在來源中,因此看似可信,卻沒有回答問題。

Argon 在 ego(lite) 中通過同一項任務,而且在這 15 項任務中從未用完步數。在它的 4 次失敗中,有三次為同一欄位給出兩個數值,因此被判為錯誤答案。在一項查詢開放權重模型資訊的任務中,Argon 給出正確的參數總量 668.95B,接著又提供 664.95B 作為替代值。多給出這個替代值導致任務失敗。如果你的程式碼會讀取代理答案,請確保每個欄位只有一個數值。

成本

截至 11 月,兩款模型的成本大致相同;進入 12 月後,Argon 將漲價。在雙方都通過的 5 項任務上,Argon 平均每項成本為 $0.588,3.1 Pro 為 $0.598。若套用 3.1 Pro 的費率,Argon 在這些任務上的用量會產生 $0.646 的成本。因此,Argon 較低的每 token 單價抵銷了略高的用量。Argon 的 $0.588 成本中,未快取輸入占 $0.421;3.1 Pro 的 $0.598 中,未快取輸入占 $0.212。

較大的成本差異來自失敗嘗試。3.1 Pro 有 3 次嘗試用完步數,平均每次成本為 $3.48,是其他嘗試的 4.3 倍,而且沒有一次產出答案。這 3 次嘗試占 3.1 Pro 總支出的 51.8%。計入全部嘗試後,Argon 每次成功嘗試的支出為 $1.62,3.1 Pro 為 $4.02。

Google 的 Gemini API 價格頁面 列明,自 2026 年 12 月 1 日起,Argon 的價格為每百萬輸入 token $4、每百萬輸出 token $20、每百萬快取 token $0.20,是先前價格的兩倍。3.1 Pro 尚未宣布價格調整。

Gemini 4 Argon,11 月 30 日及以前Gemini 4 Argon,12 月 1 日起Gemini 3.1 Pro Preview
每項任務成本:雙方都通過的 5 項任務$0.588$1.176$0.598
每次成功嘗試的成本:全部 15 項任務$1.62$3.25$4.02

12 月的成本,是將 Google 的新公開定價套用到我們記錄的 token 用量後計算的結果。

從 12 月起,為 Argon 多花的錢換來的是可靠性。如果你的代理任務都是 3.1 Pro 已經能通過的工作,那麼它的每項任務成本較低:依 12 月價格計算,在雙方都通過的全部 5 項任務上,它都比較便宜。如果你的任務包括 3.1 Pro 無法通過的工作,Argon 能通過更多任務,而且每次成功嘗試的成本仍較低,為 $3.25,3.1 Pro 則為 $4.02。

各模型的工作方式

Gemini 4 Argon 常在一條瀏覽器命令中開啟多個網站,3.1 Pro 則一次開一個頁面,再繼續操作。一條瀏覽器命令,是模型傳給 ego-browser 的一段指令碼。在這 15 項任務中,Argon 的 246 條瀏覽器命令有 22.4% 開啟兩個或更多頁面,3.1 Pro 的 489 條命令中,比例為 2.5%。Argon 平均每項任務需要 16.4 條瀏覽器命令,3.1 Pro 需要 32.6 條。

央行任務展示了這種方式對長任務的影響。任務要求查詢 12 家央行各自在 2026 年作出的首次利率決策,包括日期、決定、利率、任何異議,以及下次會議日期。Argon 用 16 條瀏覽器命令完成,其中 14 條命令各自開啟 2 至 7 家央行的頁面。它使用 29 次工具呼叫通過任務,成本為 $1.24。3.1 Pro 傳送 73 條瀏覽器命令,沒有一條開啟超過一個頁面。它用完全部 100 步,在開啟第 9 家央行——韓國央行時停止,沒有產出答案。這次嘗試花了 $3.36。

ego(lite) 中的 Copom 聲明:Selic 利率維持 15.00%,發布於 2026 年 1 月 28 日
ego(lite) 中展示的巴西 2026 年 1 月 28 日 Copom 聲明,指出 Selic 利率維持 15.00%。 檢視原尺寸截圖

兩款模型以同一瀏覽器存取相同網站,因此差異來自每次回覆涵蓋多少工作。這正是 Argon 在需要逐一造訪網站清單的任務中,仍能維持在 100 步預算內的原因。

進一步了解 Gemini 4 Argon

為了探索 Argon 處理更困難任務的能力,我們專門為它另外設計 13 項測試。在總計 28 項瀏覽器操作任務中,涉及的網站越多,成功率越低。

任務規模任務數成功率每項任務成本每項任務工具呼叫次數
一至三個網站1172.7% (8/11)$0.46916.4
九個或更多網站1457.1% (8/14)$2.37735.2

在涉及九個或更多網站的任務中,Argon 通過 14 項中的 8 項。它最多使用了 67 次工具呼叫,允許的上限為 100,從未耗盡預算。這些涉及超過九個網站的任務,Argon 平均每項成本為 $2.377。六次失敗中,有四次是錯誤答案,其中 2 次為同一欄位給出兩個數值,再次出現多給答案的模式。

在涉及一至三個網站的較短任務中,Argon 通過 11 項中的 8 項,平均成本為 $0.469。它的 3 次失敗中,有兩次為同一欄位給出兩個數值,另一次是在網頁應用程式任務中給錯答案。

我們建議依任務規模做規劃。使用 Argon 進行簡短查詢,成本不到五十美分;跨多個網站的長任務則需幾美元,可能執行將近一小時,成功率為 57%。

如何選擇

如果你對 3.1 Pro 目前的成功率不滿意,可以改用 Gemini 4 Argon。成本方面,截至 11 月,它的每項任務成本與 3.1 Pro 相近;即使 12 月調漲後,每次成功嘗試仍比較便宜,因為它能完成工作,而不會浪費 token。

有一種情況適合繼續使用 Gemini 3.1 Pro Preview:從 12 月 1 日起,在它已能通過的工作上,每項任務成本較低。在我們的測試執行中,這部分占 15 項任務中的 5 項。

我們將 Argon 以 gemini-4-argon 的模型識別碼,在 pi 代理執行框架中以 high 思考等級執行,使用 ego-browser 作為瀏覽器。ego-browser 隨 ego(lite) 提供,並將其作為代理的瀏覽器來操作。

常見問題

對瀏覽器代理而言,Gemini 4 Argon 比 Gemini 3.1 Pro 更好嗎? 是的,Gemini 4 Argon 通過 15 次瀏覽器任務嘗試中的 11 次,Gemini 3.1 Pro Preview 通過 5 次。3.1 Pro 通過的每項任務,Argon 都通過了,另外也通過 6 項 3.1 Pro 未通過的任務。進步最大的是跨 9 個或更多網站的工作,3.1 Pro 在這類任務中三次用完 100 步預算。

我應該從 Gemini 3.1 Pro 改用 Gemini 4 Argon 嗎? 若你的代理需要完成更多任務,可以改用:Gemini 4 Argon 通過 15 次嘗試中的 11 次,Gemini 3.1 Pro Preview 通過 5 次。截至 2026 年 11 月 30 日,在雙方都通過的工作上,兩者平均每項任務成本都約為 $0.59 至 $0.60。從 12 月 1 日起,Argon 的公開定價加倍,因此,在 3.1 Pro 已能通過的任務上,它的成本較低。

Gemini 4 Argon 比 Gemini 3.1 Pro 便宜嗎? 依截至 2026 年 11 月 30 日的價格,在雙方都通過的 5 項任務上,Gemini 4 Argon 平均每項成本為 $0.588,Gemini 3.1 Pro Preview 為 $0.598。計入失敗嘗試後,Argon 每次成功嘗試的支出為 $1.62,3.1 Pro 為 $4.02。3.1 Pro 的失敗代價較高,因為它的 3 次步數耗盡嘗試,平均每次成本為 $3.48。

2026 年 12 月 1 日之後,Gemini 4 Argon 的成本是多少? Google 列明,自 2026 年 12 月 1 日起,Gemini 4 Argon 的價格為每百萬輸入 token $4、每百萬輸出 token $20、每百萬快取 token $0.20。依這些價格計算,在雙方都通過的 5 項任務上,我們的測試執行平均每項成本會是 $1.176,Gemini 3.1 Pro Preview 則為 $0.598。依每次成功嘗試計算,Argon 的成本會是 $3.25,3.1 Pro 為 $4.02。

Gemini 4 Argon 比 Gemini 3.1 Pro 使用更少步驟嗎? 是的,在相同的 15 項任務中,Gemini 4 Argon 平均每項使用 23.9 次工具呼叫,Gemini 3.1 Pro Preview 使用 52.1 次。Argon 的瀏覽器命令中,有 22.4% 開啟兩個或更多頁面,3.1 Pro 的比例為 2.5%。Argon 最長的任務在 100 步預算下使用了 67 次工具呼叫。

為什麼 Gemini 3.1 Pro 會在瀏覽器任務中用完步數? Gemini 3.1 Pro Preview 在 15 項任務中的 3 項用完 100 步預算,它們都涉及 9 個或更多網站。它每條瀏覽器命令只開啟一個頁面,因此,涉及 12 家央行的任務所需回覆次數超出預算。在同一瀏覽器執行相同任務時,Gemini 4 Argon 用 29 次工具呼叫完成。

Gemini 4 Argon 處理多站點資料收集的表現如何? 在它執行的、跨九個或更多網站的 14 項任務中,Gemini 4 Argon 通過 8 項。它在這些任務中從未用完步數,但有 2 次嘗試達到一小時時限,仍未給出答案。這類任務平均每項成本為 $2.377。

Gemini 4 Argon 還會犯哪些錯誤? Gemini 4 Argon 在 15 次共同任務嘗試中失敗 4 次,其中 3 次為同一欄位給出兩個數值。在一項任務中,它回報正確的參數量 668.95B,接著又提供 664.95B 作為替代值。Gemini 3.1 Pro Preview 也在它的 2 次失敗中出現相同情況,因此,要檢查答案中的每個欄位是否只有一個數值。

Gemini 3.1 Pro 還值得使用嗎? Gemini 3.1 Pro Preview 通過 15 次嘗試中的 5 次。從 2026 年 12 月 1 日起,在這 5 項任務上,它比 Gemini 4 Argon 成本更低。依 12 月價格計算,這全部 5 項都較便宜。對於它尚未通過的工作,Argon 通過更多任務,每次成功嘗試的支出也較低。

Gemini 4 Argon 能搭配 ego-browser 執行瀏覽器代理嗎? 可以。我們在 pi 代理執行框架中,以 high 思考等級執行 Gemini 4 Argon,搭配 ego-browser,通過 15 次嘗試中的 11 次。模型透過代理的 bash 工具撰寫 ego-browser 指令碼,並讀取每段指令碼傳回的頁面文字。它最長的任務在 100 步預算下使用了 67 次工具呼叫。

測試方法

我們對比了 Gemini 4 Argon(google/gemini-4-argon)與 Gemini 3.1 Pro Preview(gemini-3.1-pro-preview),兩者都使用 high 思考等級。它們都在 macOS 上,透過 pi 代理執行框架 1.5.0 版本,在 ego(lite) 中使用同一 ego-browser 建置版本執行。模型收到 ego-browser skill 檔案後,透過 bash 工具撰寫瀏覽器指令碼,並讀取每段指令碼傳回的頁面文字。Argon 透過 ZenMux 呼叫,3.1 Pro 透過 Google 的 Gemini API 呼叫。Argon 的執行日期為 2026 年 11 月 4 日,3.1 Pro 為 2026 年 11 月 5 日。

每個模型都執行效率任務集中的 28 項任務,其中 15 項由雙方共同執行。對比採用這 15 項共同任務,每個模型對每項任務嘗試一次。一次嘗試是一個模型對一項任務的一次執行。「任務規模」一節採用 Argon 的全部 28 項任務。共同任務分為五組,每項任務只屬於一組。分組包括:從多個官方網站收集相同欄位、將 X 貼文與官方頁面核對、在一至三個網站查詢、探索性研究,以及業務網頁應用程式。

每次嘗試的預算為 100 步與一小時。一步是模型的一次回覆,通常包含一次工具呼叫。一次工具呼叫,是模型透過代理傳送的一條命令。瀏覽器命令,是執行 ego-browser 指令碼的一次工具呼叫;我們依指令碼中的頁面導覽,統計一條命令是否開啟兩個或更多頁面。只有最終答案符合任務標準答案中的每一項要求,嘗試才算通過;同一欄位給出兩個數值的答案會被判為失敗。

成本是將每次嘗試的 token 用量,依 Google 截至 2026 年 11 月 30 日的 Gemini API 公開定價計算。Argon 的價格為每百萬輸入 token $2、每百萬輸出 token $10、每百萬快取 token $0.10。3.1 Pro Preview 的價格,在每條提示詞不超過 200,000 token 時,依序為 $2、$12 和 $0.20;超過門檻後,依序為 $4、$18 和 $0.40。每項任務成本取雙方都通過的 5 項任務的平均值。每次成功嘗試的成本,則以全部 15 次嘗試的成本除以成功嘗試次數。

完整結果

每個儲存格顯示一次嘗試的結果,以及依截至 2026 年 11 月 30 日的公開定價計算的成本。「步數耗盡」表示用完 100 步預算仍未給出答案;「時間耗盡」表示達到一小時時限仍未給出答案。

任務分組Gemini 4 ArgonGemini 3.1 Pro Preview
12 家央行的利率決策多個官方網站通過,$1.243未通過,步數耗盡,$3.356
9 個開放權重模型多個官方網站未通過,$3.548未通過,步數耗盡,$4.324
9 個司法管轄區的最低工資多個官方網站通過,$3.269未通過,步數耗盡,$2.745
9 家 SaaS 供應商的合規情況多個官方網站通過,$2.590未通過,$1.176
8 個開放原始碼專案的安全性發布資訊:將 X 貼文與安全通報核對X 貼文通過,$1.490通過,$1.564
8 項產品發表:將 X 貼文與新聞稿核對X 貼文通過,$1.211未通過,$1.005
將 SpaceX 在 X 上的發射貼文與 Wikipedia 核對X 貼文通過,$0.483通過,$0.325
四家英國公司的 KYC 資料快照一至三個網站未通過,$0.525未通過,$0.955
將臨床試驗與藥品仿單核對一至三個網站未通過,$1.203未通過,$0.831
以 FRED 為基礎、並與 BLS 核對的通膨簡報一至三個網站通過,$0.248未通過,$0.267
MDN 與 Can I use 上的網頁功能一至三個網站通過,$0.560未通過,$0.967
以講座、程式碼與論文整理的學習筆記一至三個網站通過,$0.283通過,$0.403
超過歐盟運算量門檻的模型探索性研究通過,$0.300通過,$0.287
追溯 Wikipedia 表格的來源探索性研究未通過,$0.528未通過,$1.495
依標準調整服務監控項業務網頁應用程式通過,$0.384通過,$0.412

Gemini 4 Argon 的另外 13 項任務,用於「任務規模」一節。每個儲存格代表一次嘗試。

任務網站數Gemini 4 Argon
9 款桌面瀏覽器的最新穩定版本13通過,$0.726
9 項 CI 服務的免費方案9未通過,時間耗盡,$3.393
8 份開發者調查8未通過,$4.987
9 家機構對同一場地震的記錄9未通過,$4.039
8 個分級機構對同一款遊戲的評級8未通過,$4.180
10 個博物館館藏中的同一幅版畫10通過,$3.296
9 個套件登錄庫中的 protobuf 執行階段9未通過,$0.856
9 項標準的現行版本9通過,$2.143
8 筆俱樂部簽約:將 X 貼文與俱樂部官網核對16未通過,時間耗盡,$4.947
查核一篇 AI 週報中的 10 項說法7通過,$1.316
承運商準時表現檢查與警示規則1未通過,$0.769
依休假安排待命值班代班1通過,$0.182
申領每日餐費津貼1通過,$0.217

更新記錄:首次發布於 2026 年 11 月 9 日。測試執行日期為 2026 年 11 月 4 日與 5 日。