Gemini 4 Argon 上诗韵榜：控律第一，98.6 分接近满分
2026-10-14 · 二〇二六年十月榜
Gemini 4 Argon 9 月 30 日发布时只对受邀用户开放，10 月 13 日起在 Gemini API 全面开放。十月榜 10 月 9 日已经发布，Google 这一席当时由 Gemini 3.8 Flash 应考。我们按规矩做同门升级复测：Argon 开放当天就考完十月卷的四张榜：题目、题面、评分标准、思考档位都和十月榜一样，只换考生。对照的是同门旧版 3.8 Flash。
四榜总览：新席、旧席、该榜榜首
对照口径固定：新席｜同门旧席｜该榜当期榜首。方括号是 95% 置信区间。升降一律按配对比较的差值区间判：两家答同一批题（诗才是同题同体、诗评是同一批作品），重抽题目时两家一起抽，题目难易的共同波动相互抵消；差值区间不含 0 才称升或降，含 0 一律写「统计并列」。
| Gemini 4 Argon顶替后重算 | Gemini 3.8 Flash同门旧版 · 10-09 发布版 | 该榜榜首 | |
|---|---|---|---|
| 判律榜综合分 · 七类判定 F1 统计并列 | 88.9#4 · [86.2, 91.3] 有效 225 题 | 89.2#4 · [86.6, 91.5] 有效 229 题 | 90.0Qwen3.8-Max #1 [87.3, 92.4] |
| 控律榜控律分 · 实证权 显著提升 | 98.6#1 · [96.4, 100.0] 160 首 | 90.2#2 · [85.6, 94.6] 160 首 | 本席居首第二 Qwen3.8-Max 92.5 [88.2, 96.4] |
| 诗才榜诗才分 · 双盲互评 显著提升 | 81.7#3 · [79.5, 83.8] 24 首 | 75.7#6 · [73.0, 78.2] 24 首 | 87.7Opus 5.5 #1 [86.5, 88.7] |
| 诗评榜与共识偏差 · 越小越准 统计并列 | 6.81#8 · [6.27, 7.35] 240 份 | 6.36#7 · [5.76, 6.97] 240 份 | 4.11GPT-6.1 Sol #1 [3.66, 4.59] |
判律：读诗的本事和 3.8 Flash 一样
判律榜考「读」：给一首近体诗，说出它犯了哪几类病、错在哪个字。88.9 对 89.2，225 道两家都答了的题上配对差 −0.3 [−2.0, +1.3]，统计并列；对榜首 Qwen3.8-Max 的配对差 −0.7 [−2.7, +1.4]，也是并列。十月榜判律前五名本来就挤在 1.2 分之内，Argon 进来还是第 4。
七类判定 F1（判律榜分项）
| 4 Argon | 3.8 Flash | 该类最高其余在席 | |
|---|---|---|---|
| 平仄有误 | 67.3 | 68.6 | 74.6Qwen3.8-Max |
| 用韵 | 96.8 | 96.8 | 98.2Opus 5.5 |
| 孤平 | 83.3 | 80.6 | 87.3DeepSeek |
| 三平尾 | 90.6 | 89.2 | 91.5Doubao |
| 三仄尾 | 90.9 | 89.6 | 91.8GLM-5.3 |
| 失粘 | 98.1 | 100 | 100多席 |
| 重字 | 95.2 | 100 | 100多席 |
孤平、三平尾、三仄尾各高一两分，失粘、重字各低一点，加起来正好抵消。短板也和旧版一样：把出律的字逐个指出来的「错字分」只有 46.9（3.8 Flash 48.1，榜首 Qwen 69.3）——它能看出一首诗有病，但说不准病在哪个字。229 题里有 4 题它两次作答都没有交回可解析的答案，按规则不计入有效卷。
控律：98.6，按令犯病几乎一次不错
控律榜考「写」的另一面：命模型作七绝，要么完全合律，要么只犯指定的一种病、其余全对。规则引擎逐字核验，三档评分、难度加权。这是四榜里最难的一张卷。
八项任务达成率 %（控律榜分项）
| 4 Argon | 3.8 Flash | 该项最高其余在席 | |
|---|---|---|---|
| 合律 | 100 | 100 | 100多席 |
| 只犯平仄 | 100 | 88 | 100Qwen、Opus |
| 只犯用韵 | 100 | 95 | 100GPT-6.1 Sol |
| 只犯孤平 | 95 | 90 | 100DeepSeek |
| 只犯三平尾 | 100 | 95 | 95DeepSeek、Muse |
| 只犯三仄尾 | 100 | 90 | 100Kimi |
| 只犯失粘 | 95全场最高 | 75 | 80Muse |
| 只犯重字 | 100 | 95 | 100多席 |
160 首全部交卷、全部是七绝，只有两首没按令犯出指定的病（一首孤平、一首失粘）。拉开差距的是「只犯失粘」：这一项要求第三句故意不粘、而句内平仄各自合谱，全场其余各席最高 80，Argon 是 95。
和旧版比：同一任务同一变体序号配对，差 +8.4 [+4.0, +13.1]，显著提升。和榜首 Qwen3.8-Max 比：配对差 +6.1 [+2.2, +10.7]，也是显著高——但要说明两点。第一，这是配对口径：两家各自的独立区间恰好在 96.4 处相接（Argon 下沿 96.4、Qwen 上沿 96.4），只看独立区间是够不上「显著」的。第二，控律的配对是弱配对：题材按席位轮派，两家同一任务拿到的题材不同，配对消掉的是任务难易的波动，消不掉题材难易的波动。
诗才：从第 6 到第 3，律诗补上了
诗才榜是十月卷的现代命题，五绝、七绝、五律、七律四体轮配，每席 24 首；全席双盲互评，去掉作者本人和同门评委的分。Argon 写的 24 首与 3.8 Flash 那 24 首题目、体裁一一相同，所以这一轨是严格的同题配对。
| 4 Argon | 3.8 Flash | Opus 5.5榜首 | |
|---|---|---|---|
| 诗才分 | 81.7#3 | 75.7#6 | 87.7#1 |
| 五绝 | 78.9 | 77.3 | 88.2 |
| 七绝 | 83.0 | 76.9 | 86.5 |
| 五律 | 82.0 | 78.5 | 86.7 |
| 七律 | 82.9 | 70.0 | 89.3 |
| 零出律声律全合的占比 | 100% | 100% | 100% |
24 首同题配对差 +6.0 [+3.1, +8.8]，显著提升。涨幅最大的是旧版的短板七律：70.0 → 82.9。和榜首 Opus 5.5 没有同题同体的作品可配，两家独立区间 [79.5, 83.8] 与 [86.5, 88.7] 不相交，Argon 明显低于榜首。24 首全部声律全合；12 首律诗的中二联共 24 联，引擎标注 23 联成对、1 联判不出（对仗只标注、不计分）；没有一首有默写嫌疑。
当期题目随下月开卷公开，这里只摘两首得分最高的作品各一联：
写的是消息发出后、对方已读却不回。结联不说失望，反过来羡慕古人音书断绝的年代：信沉在路上，人还可以痴痴地相信水深路远。把一个当代处境翻进古典的「鱼书」里，余味落在「信」字上。
写深夜回家，楼道里的声控灯。十个字，「千门」对「一盏」，「自闭」对「相迎」，一联里把城市的冷和一盏灯的暖都放进去了。
短处也看得出来：得分最低的是同一题下的一首五绝（共识 66.4）和一首七律（74.4）。评委都肯定它把新事物化成古雅的说法，但多数评语指出两首「止于记述流程」、立意开掘浅、结句说尽。
诗评：主分持平，眼力退了一点
诗评榜让每一席给所有作品打分，与「去掉自己和同门后的共识分」比，平均绝对偏差（MAD）越小越准。Argon 给全池 240 首非 Google 作品打了分，240 份全部有效。
| 4 Argon顶替后池 | 3.8 Flash发布版 | GPT-6.1 Sol榜首 · 顶替后池 | |
|---|---|---|---|
| 与共识偏差 MAD越小越准 | 6.81#8 | 6.36#7 | 4.11#1 |
| 尺度偏移负=偏严，正=偏宽 | +4.81 | +5.35 | −3.35 |
| 去尺度偏差扣除整体宽严后，只看眼力 | 5.07[4.54, 5.64] | 4.25[3.76, 4.74] | 3.31[2.89, 3.71] |
| 平均给分 | 79.2 | 79.8 | 71.6 |
同一批 240 首配对：MAD 差 +0.44 [−0.23, +1.10]，主分统计并列。但把偏差拆开看，两家给分都偏宽，宽的程度差不多（+4.81 对 +5.35）；扣掉宽严之后的「去尺度偏差」是 5.07 对 4.25，配对差 +0.83 [+0.17, +1.42]，区间不含 0——Argon 排诗高下的眼力显著不如 3.8 Flash。和榜首 GPT-6.1 Sol 在 216 首共同作品上比，MAD 差 +1.85 [+1.11, +2.56]、去尺度差 +1.69 [+0.98, +2.37]，两项都显著落后。
这是四榜里唯一没有进步的一张：同一个模型，写诗大有长进，排别人的诗的高下却没有跟着变好。
成本：每题更贵，全套复测约 40 美元
| 4 Argon | 3.8 Flash | 说明 | |
|---|---|---|---|
| 判律均价／题美元 | 0.040225 题有效 | 0.024229 题 | Argon 均 4 225 词元，Flash 6 598 |
| 控律均价／首 | 0.075160 首 | — | Flash 十月答卷未逐首记账 |
| 写诗均价／首 | 0.2324 首 | — | 含 1 首空稿重写 |
| 诗评均价／份 | 0.025240 份 | 0.0061288 份 | Argon 均 3 848 词元，Flash 3 002 |
| 标价每百万词元 输入／输出 | $2 / $10优惠价，至 11-30 | $0.75 / $3.75九月评测时 | 12-01 起 Argon 为 $4 / $20 |
Argon 想得比 3.8 Flash 短（判律每题少用三分之一的词元），但标价是它的 2.7 倍，落到账单上判律每题贵六成多，评诗每份贵三倍。Argon 本身的四轨调用合计约 $34.8（判律 $11.4、控律 $12.1、写诗 $5.4、评诗 $5.9），加上十位在席评委给它的 24 首诗打分约 $5.2，这次复测共约 $40。12 月起标价翻倍，Argon 自身这部分将接近 $70。
Argon 是直连 Google Gemini API 考的，接口不回传费用；以上 Argon 的金额按官方标价与接口返回的词元数自算（思考词元按输出价计），以 Google 账单为准。其余评委的费用取自聚合通道回传的计费。
外界情况
据 VentureBeat 报道，Gemini 4 Argon 于 2026 年 9 月 30 日发布、限量开放，10 月 13 日在 Gemini API 全面开放，稳定模型名 gemini-4-argon；Google AI Pro、Ultra 用户可在 Gemini 应用中使用。API 推出优惠价：每百万词元输入 $2、输出 $10，缓存输入打一折；优惠到 11 月 30 日，12 月 1 日起恢复为 $4 / $20。报道还称，通过一种专门的 API 协议，输入与输出合计上限可达 100 万词元。我们考试走的是常规的对话接口，该接口在模型列表里登记的上限是输入 1 048 576、输出 32 768 词元。
出处：VentureBeat，Google makes Gemini 4 Argon broadly available with limited-time low API pricing of $2/$10 per 1M token；输出上限取自 2026-10-13 Gemini API 模型列表接口。
结论：换席
四榜里两榜显著提升（控律、诗才），两榜主分统计并列（判律、诗评），没有一榜主分显著退步。按「同一厂商取本榜最强的一款定席、一席一模型」的规则，Google 席由 Gemini 4 Argon 接替 Gemini 3.8 Flash，四榜都由 Argon 应考。
压成三句话：会写了（控律 98.6 居首、「只犯失粘」全场唯一过 90；诗才第 6 → 第 3，七律从 70 分涨到 83 分）；会读的本事没变（判律与旧版、与榜首都统计并列，错字定位仍是短板）；评诗的眼力反而略退（主分并列，但扣掉宽严之后显著不如旧版）。代价是贵：每题成本是 3.8 Flash 的 1.7 到 4 倍，12 月起再翻一倍。
最后说一句口径：以上升降全部按配对差值的 95% 区间判；控律对榜首的「显著高」只在配对口径下成立，独立区间恰好相接。
方法：判律／控律由确定性规则引擎逐字核验（引擎版本与十月发榜时一致）；诗才／诗评为全席双盲互评、去己去同门共识。本期完整榜面见 声律榜、诗才榜、诗评榜。