基准像刷出来的，Gemini 4 写字为什么意外能用？

基准发布的时候，Every 的主持人准备讨厌 Gemini 4 Argon。几周前的榜单让它看起来几乎每项都第一，他的第一反应是榜被做上去了。团队上手一周之后，结论收成五条，好和坏都很具体。

原始来源：We Tested Gemini 4 Argon For A Week! It's Surprisingly Good。中文深度整理，非逐字翻译。本文依据视频英文字幕，是一个人的动手印象，并指向 Every 全队的 vibe check，不是公开榜单复现。

它会把一个没有标准答案的问题摊开

他的固定测试，是拿一本自己喜欢的书问一个不好打分的问题。这次是 Annie Dillard 的 For the Time Being：达芬奇一段早年记忆在书里反复出现，它在页面上做什么。左边是 Gemini 4，右边是 Opus 5.5。

Gemini 4 把答案拆成能接上的几段：这段梦其实是什么，Dillard 怎样把它种进页面，它为什么在第 203 和 204 页回来。主持人认为这种“展开但不压过人”对模型很难。难的不是写长，是下一段真的接得上上一段。Claude 经常揉成一团，段和段之间不搭。Astra 更紧、更短，细节不如 Gemini。他要的是一份长、细、仍然读得下去的回答。

第二条是写作时会主动说明“为什么这和你有关”。他用职位说明当业务写作的代理。模型没被要求，也会写出这个角色是什么、它为什么连着公司策略。加粗和编号让人知道自己在哪一段。这是他愿意拿去给客户或用户解释信息的那种输出。

重写代码库没有做完，壳子还在拦人

坏的部分同样具体。他们的高级工程师基准，是让模型从头重写一个代码库。他没能让 Argon 从头到尾做完，所以没有分数。

另一个问题不在模型里，在 Antigravity。他承认，自己肯打开这个壳，已经说明模型有拉力。壳子缺少按类自动放行的开关，基本任务也要不停点“始终允许”。他更可能把模型当成别的智能体的一次命令行调用，而不是住在 Antigravity 里。住不进去，就用不到更重的那一层。

第三家回来，不等于换成每天的默认

他认为这是一次被低估的发布。AI 竞赛头几年，Every 对内给客户上生产 AI，转的是 Google 的模型，因为价格、能力和速度的比例最好。之后大约一年，Google 从他们的日常里消失了。这是他第一次觉得对方可能回来。

他的用法很窄：需要把一块密的信息摊开、讲清楚的时候用 Gemini；要把它变成一个夸张的三维游戏或视频，再丢给 Claude。Gemini 做不了后一半。已经深在 Codex 或 Claude 里的人，他不觉得 Argon 会马上变成每日驱动。值得试的是阅读、写作、向别人解释。

职位说明只是代理。他用它代表商业里大量要写、又没有唯一正确答案的东西。模型自己补上“这和公司策略有什么关系”，比多写一段形容词更有用。

他把这说成生态里重新有了第三家。价格、速度和能力曾经让 Every 把对客户的生产流量放在 Google 上，后来大约一年几乎不用。Argon 没有把那一年补成“什么都第一”。它补上的是一块：把密的材料摊开，讲给同事、客户或用户。三维和视频仍交给别人。壳子若继续要人逐项放行，这条能力就只能以命令行的方式被别的智能体调用，用到的会比模型本身更浅。

全队的更长记录在 every.to。同一批人用了几周，写作、阅读、设计和写代码都有。这条视频只是他的五条。高级工程师那项没有分数，他选择写出来，而不是换成一个看起来完整的排名。