谷歌终于支棱起来了，Gemini 4 Pro空降Arena榜单，13项跑分碾压GPT-6和Fable

谷歌终于舍得放大招了！后附全能王Gemini 4 Pro实测。

过去半年，大模型的排位换了一轮又一轮：GPT-6（Astra）、Fable接连把战场推进到代码、Agent和长程任务，谷歌这边却处于长期被碾压状态。

挤牙膏似的更新Flash系列，真正代表旗舰实力的Pro却迟迟没有完成换代。要知道距离Gemini 3.1 Pro发布，已经过去整整7个月。

原定6月亮相的Gemini 3.5 Pro一再延期。有报道称，Google当时仍在继续补强其Coding能力，延期已经广泛引发内部对团队迭代速度的担忧。到了7月财报会上，Google干脆提前亮牌，劈叉哥宣布，公司早已启动Gemini 4“迄今最雄心勃勃的预训练”。

9月18日消息，谷歌跳过了 Gemini 3系列的小版本更新，Gemini 4直接上阵。昨夜，多名开发者开始在Arena的匿名Battle Mode中抽到一个名为gemini-3.8-flash的模型。问题在于，真正的Gemini 3.8 Flash早在9月2日就已经正式发布，而且已经进入Arena公开榜单。

同一个名字，为什么又突然出现在匿名测试里？更反常的是，这个“3.8 Flash”展现出的能力远远高于公开版本。

很快，LuminaBench、Harshith、Qwinah等长期追踪前沿模型的测试者随后陆续将其指向Google正在测试的Gemini 4 Pro checkpoint，内部代号被曝为“Argon”。

Qwinah还通过超长JSON压力测试称，该模型能够持续输出至接近256K规模。当然，这些参数目前仍属于社区测试结果，尚未得到Google确认。

但真正把这轮讨论的预期值拉满的，还是随后流出的Arena盲测榜单。

13项全能碾压Astra和Fable 

按照这份Benchmark对比数据，Gemini 4 Pro在表中列出的13组测试里全部取得最高成绩，对手包括GPT-6 Astra、Claude Fable 5.1、Claude Opus 5和GPT-5.6 Sol。

最直观的Coding测试DeepSWE v1.1中，Gemini 4 Pro拿到88.7%，超过Astra的86.9%；

考察真实知识工作的GDPval-AA v2，达到2064 Elo，同样超过Astra的1994；

HLE多学科专家推理，达到72.1%，领先Astra近5个百分点。

而在任务越复杂、链路越长，Gemini 4 Pro表现出的优势更加明显。

在Terminal-Bench 2.1中，它与自家Gemini 4 Flash只有3.2个百分点差距；换到更考验通用Agent长程执行的Terminal-Bench 4.0，差距直接扩大到13.9个百分点。

类似的情况还出现在OSWorld 2.0。Gemini 4 Pro达到86.8%，Gemini 4 Flash为74.9%，拉开11.9个百分点；DeepSWE、HLE以及BioMystery高难任务中，Pro相比Flash也分别领先8.3、8.3和8.3个百分点。

这意味着Gemini 4 Pro的能力提升集中于Agent长程任务，在任务持续时间拉长、步骤增加、需要不断读取状态并重新规划时，性能衰减得更慢。

这恰恰是当前Agent真正卡脖子的地方。DeepSWE本身就是专门为长程软件工程任务设计的测试，需要模型在真实代码库中持续修改和验证；OSWorld 2.0则把Agent扔进真实电脑环境，108项任务中近七成需要人类一小时以上完成，平均需要数百步操作。

Terminal-Bench团队自己总结过，现有Agent最典型的问题，就是难以持续串联多步动作、维护长上下文，并在缺乏人工干预的情况下自主完成复杂工作。

近五分之一的价格 

Gemini 4 Pro的价格可能比跑分更凶。

榜单显示，Gemini 4 Pro价格只有每百万Token输入2.25美元、输出11.25美元，而Astra分别达到12美元和60美元。也就是说，Google不是用更贵的旗舰换来了领先，而是以约五分之一的Token价格打出了更高的成绩。

如果这一价格真正落地，势必将拉低A社和OpenAI的价格：旗舰模型的竞争，开始从“谁最强”变成“谁能让最强能力便宜到可以大规模跑Agent”。

当然，目前这张成绩表尚未得到官方认领，还需辩证看待。

以DeepSWE为例，其公开Leaderboard当前Astra成绩约为74.1%，Gemini 3.8 Flash约73.8%，与流出表中的数值口径存在差异，意味着后者可能使用了不同Agent harness、推理配置，或者来自尚未公开的新一轮测试。

实测惊艳 

当前，Arena已经跑出了密集测试。比较惊艳的是网页设计。

开发者让Gemini 4 Pro制作一个专题网站，模型最终只用了14分钟，就完成了从页面结构、视觉风格到交互效果的一整套设计。测试者评价：网站“干净、精致”，甚至感叹，早期Gemini模型长期被吐槽的“设计品味”问题，似乎终于解决了。

另一个经典测试，则是“鹈鹕骑自行车”。开发者Harshith表示只给出一句要求：尽可能漂亮地用SVG画一只骑自行车的鹈鹕。 Gemini 4 Pro就能用代码完成整幅动态场景，鹈鹕、车轮、骑行动作和背景关系都保持得相当完整。

这类任务难点不只是写SVG，而是要同时处理代码、空间关系和视觉构图。社区随后拿公开版Gemini 3.8 Flash跑同一提示词，成品差距相当明显（可见开篇对比视频）。

第三类测试从“画图”升级到真正的3D交互。

Voxel Pagoda测试中，Gemini 4 Pro大约花5分钟搭出一座可交互的像素风3D宝塔；另一项PS5 SVG测试甚至连续运行约10分钟，不仅细节入微，更展现了模型在持续规划和生成，把复杂成品一次做完的能力。

本文来自微信公众号 “AI前线”（ID：ai-front），作者：四月，36氪经授权发布。