谷歌员工自己都看不下去了。
 
Gemini 4 Argon在基准测试榜上横扫一切，Vals Index排第一，68.9%的成绩碾压GPT-6 Astra和Claude Opus 5.5。但彭博社爆料，谷歌内部员工把它扔进真实工作流之后，表现大打折扣，编程任务频频“卡壳”。跑分登顶和实战翻车之间的裂缝，到底藏着什么？
 
说得直白一点，这不是谷歌一家的问题，这是整个AI行业正在集体经历的信任崩塌。
 
先把谷歌官方宣传的亮眼成绩摆出来，Vals Index 68.9%排名第一，DeepSWE v1.1拿到77.9%，网络安全漏洞修复测试并列第一68%。
 
谷歌DeepMind负责人卡武库奥卢公开表示对团队抱有十足信心。从数据上看，这确实是一款无可挑剔的旗舰模型。
 
但彭博社的报道撕开了一道口子，几位直接参与该项目的知情人士透露，当谷歌员工真正把Argon投入实际工作时，表现远不如基准测试那么亮眼。该模型处理部分代码任务时明显吃力，前端设计方面的能力尤其薄弱。跑分是跑分，干活是干活，两回事。
 
更耐人寻味的是谷歌内部的撕裂态度，一部分员工认为Anthropic的Fable和OpenAI的Astra迭代速度已经超过Gemini，即便Argon发挥最佳水准，部分领域依旧落后。
 
另一部分员工则坚称Argon已经追上领先实验室，同一家公司，同一款模型，评价两极分化到这种地步。
 
真正的问题不在于Argon到底行不行，而在于基准测试本身已经失去了公信力。2026年以来，Meta的Llama 4被图灵奖得主勒昆亲口承认“测试结果被修饰了一点”，OpenAI的GPT-6 Astra频繁修改成绩引发刷榜质疑，谷歌Gemini 3.8 Flash被分析机构点名“刷榜痕迹最明显”。整个行业的基准测试正在沦为营销工具。
 
学术界已经注意到了这个问题，有论文明确指出，API基准分数并不能可靠地转化为聊天机器人界面的实际表现，两者之间存在系统性偏差。当一个模型的跑分跟真实体验脱节，这个分数对开发者还有什么参考价值。
 
谷歌的处境比表面上更紧迫，Gemini系列支撑着谷歌几乎所有产品，从搜索顶部的AI回答到地图、Gmail和Chrome，每一款用户规模都超过十亿。原本计划六月发布的Gemini 3.5 Pro被直接搁置，Argon承载着谷歌在AI竞赛中翻盘的希望。跑分必须好看，这个压力可以理解。
 
但压力不能成为粉饰问题的理由，谷歌回应称“Gemini 4在编程等领域表现不佳的说法并不准确”，这种官方表态跟内部员工的匿名爆料形成了鲜明对比。公司越是急着否认，外界对那份彭博社报道的信任度反而越高。
 
与此同时，微软走了一条完全不同的路，微软基于阿里Qwen3.5-9B后训练推出了Decision-1决策模型，每百万输入Token只要0.042美元，输出免费。这个模型不做对话不写文章，只做一件事：在固定选项里给出概率判断。Xbox团队已经用它处理超过一万条玩家反馈，速度是GPT-6 Sol的35倍，成本暴降200倍。
 
一个在追求全能冠军的光环，一个在踏踏实实做垂直场景的效率工具。谷歌在基准测试榜上争第一的时候，微软已经悄悄把中国开源模型变成了自己产品线的底层能力。
 
回到开篇那句话，谷歌员工看不下去了，不是因为Argon一无是处，而是因为公司把跑分当成了遮羞布，把基准测试当成了公关工具。当工程师自己都不相信自己产品在实战中的表现，再漂亮的榜单数字也只是一层薄薄的窗户纸。
 
这层纸，正在被从内部捅破。谷歌最强AI模型上线专攻复杂现实任务