Gemini 4 Argon 能做法律和金融工作吗：跑分对照与一次实测

Gemini 4 Argon 用在法律、金融场景靠不靠谱？对照 Google 的 Vals、Harvey 自报成绩和 Artificial Analysis 领域指数，再看我们用文本、页面图片和 PDF 跑的贷款合同条款核查实测。

作者 Evelyn Park模型介绍

Gemini 4 Argon 法律与金融场景封面；封面为配图，不是测试结果

想把 Gemini 4 Argon 用到法律、金融业务里，最先看到的数字多半是 19.6。这是 Google 自报的 Harvey Legal Agent 成绩，GPT-6 Astra 只有 5.4，Claude Opus 5.5 是 3.8，看上去领先了五倍。可换到第三方数据，故事就平淡多了：Artificial Analysis 的法律指数里，Argon 排第 5，Claude Opus 5.5 (Max) 在它前面。

这篇写给正在挑模型做合同审阅、贷款条款核查、财报分析这类“基于文档干活”的团队。先把 Google 的知识工作成绩和独立的领域指数放在一起对照，看哪里一致、哪里打架；再讲我们自己的测试：一份自己编的贷款协议，埋了三个坑和一个故意缺失的数字，用纯文本、页面图片、PDF 三种方式喂给 Argon，一共跑了 12 次。

先说结论

  • Google 模型卡里，Argon 在 Vals Index（68.9）、Vals Finance Agent v2（65.4）、Harvey Legal Agent（19.6）上都压过 GPT-6 Astra 和 Claude Opus 5.5。这些都是 Google 自己报的，我们没有复现。
  • Artificial Analysis（综合智能指数 v4.3，数据截至 2026-10-12）在法律上和 Google 一致，在金融上不一致：Gemini 4 Argon (High) 法律指数 60.0，208 行里第 5；金融与会计 53.8，并列第 13，低于 GPT-6 Astra (Max) 的 55.2 和 Opus 5.5 (High) 的 55.9。
  • 我们在 SandBase 上做的贷款条款核查（2026-10-15 UTC），文本、两张页面图片、PDF 三种输入各跑 3 次，9 次全部 17 项检查通过，包括把两个文档里没有的数字如实返回 null。单次费用 $0.013 到 $0.026。
  • 把 schema 里的 null 选项去掉之后，3 次里 Argon 都把缺失的 RCF 总额度填成了 0，只在备注文字里交代了原因。“查不到”能不能保住，取决于你的 schema 怎么写。
  • Google 宣传的是 1M 输入输出合计上限。SandBase 页面上显示 1M 上下文、单次最多输出 65.5K，价格每百万 token $4 / $20。

从知识工作的角度看 Gemini 4 Argon

Argon 是 Google DeepMind 的第一个 Gemini 4 模型，2026 年 10 月 13 日正式开放。按模型卡的说法，它是稀疏 MoE 架构，输入支持文本、图片、音频、视频，输出文本，输入加输出合计最长 1M token，知识截止 2026 年 3 月。Google 的发布文章开头就打了 Vals Index 第一这张牌。

跟文档类工作相关的几项：

项目数值来源
SandBase 模型 IDgoogle/gemini-4-argonSandBase 模型 API，2026-10-15
输入文本、图片、音频、视频（SandBase 页面另列 PDF）模型卡；SandBase 模型页
上下文Gemini API 下输入输出合计 1MGoogle 发布文章
SandBase 单次最大输出65.5K tokenSandBase 模型页
知识截止2026 年 3 月模型卡
SandBase 价格每百万 token 输入 $4 / 输出 $20，缓存读取 0.05 倍SandBase 模型 API
Google 直连价格11 月 30 日前 $2 / $10，之后 $4 / $20Google 发布文章脚注
已知局限幻觉；偶尔变慢或超时模型卡

SandBase 上 Gemini 4 Argon 的模型页：google/gemini-4-argon，描述里列出文本、图片、视频、音频和 PDF 输入，输入每百万 token $4.00、输出 $20.00，上下文 1M，最大输出 65.5K，生产线路显示 Live

图注：SandBase 的 Argon 页面写明支持 PDF 输入、1M 上下文、单次最多输出 65.5K，下面所有测试都受这些限制约束（2026-10-15 UTC 截图）。

价格这点直说：SandBase 的 $4 / $20 是 Google 直连介绍价的两倍，这个差价持续到 11 月 30 日。文档量大的任务具体怎么算，看我们的 Gemini 4 Argon 价格指南。

Google 自报的知识工作成绩

Google 表格里有四行跟写代码无关，测的是专业工作。数字全部来自 Google，题目也是 Google 选的。

基准（Google 自报）ArgonGPT-6 AstraClaude Fable 5.1Claude Opus 5.5
Vals Index68.963.165.867.0
Vals Finance Agent v265.453.558.958.6
Harvey Legal Agent19.65.46.73.8
AutomationBench51.341.431.442.5

细看差距：Vals Index 比 Opus 5.5 只高 1.9 分；Finance Agent 比第二名 Fable 5.1 高 6.5 分；流程自动化的 AutomationBench 比 Opus 5.5 高 8.8 分，我们手上没有对应的第三方数据。

Harvey Legal Agent 是个特例。所有模型分数都很低，最高也不到 20，说明这套题非常难，13 分的差距可能就是多做对了几道题。我更愿意把它理解成“Argon 在一套很难的法律 Agent 任务里完成得更多”，而不是“Argon 懂法律是别人的五倍”。另外，我们没有去 Vals 和 Harvey 自己的榜单上核对这些数字。

第三方数据怎么说

Artificial Analysis（下称 AA）除了综合分，还发布分领域指数，其中两个正好对上这篇的问题。我们用的是免费层快照，综合智能指数 v4.3，数据截至 2026-10-12。排名按“有分数的行”算，一行是一个模型加一个推理档位，所以同一个模型可能占好几个名次。AA 测的是 Gemini 4 Argon (High)。

根据 Artificial Analysis 免费 API 快照（v4.3，2026-10-12）渲染的终端表格，对比 Claude Opus 5.5 Max、Claude Fable 5.1 Max、Gemini 4 Argon High、Claude Opus 5.5 High、GPT-6 Astra Max 的法律、金融、经济、战略运营、工程指数，Argon 的排名依次为 #5/208、并列 13/208、并列 8/223、并列 12/208、#7/215

图注：直接从 AA 快照文件渲染。法律和经济上 Argon 接近头部，金融与会计却落后于 Opus 5.5 (High) 和 GPT-6 Astra (Max)。数据来源：Artificial Analysis，截至 2026-10-12。

AA 领域指数Argon (High)在有分数的行中排名最高分
法律60.0208 行中第 5Claude Opus 5.5 (Max)，63.3
经济60.4223 行中并列第 8Claude Opus 5.5 (Max)，65.6
工程55.2215 行中第 7Claude Opus 5.5 (Max)，60.4
战略与运营56.2208 行中并列第 12Claude Opus 5.5 (Max)，63.7
金融与会计53.8208 行中并列第 13Claude Opus 5.5 (Max)，60.7
医疗未测——

综合分怎么算，见 AA 的方法说明。完整的总榜排名在我们的 Gemini 4 Argon 跑分排名里。

两边哪里一致，哪里打架

法律：方向一致，差距小得多。 两边都认为 Argon 强过同档位的 GPT-6 Astra 和 Opus 5.5。AA 上 Argon 60.0，Opus 5.5 (High) 59.0，Astra (Max) 58.5。但 Opus 5.5 开到 Max 是 63.3，Opus 5.5 (Xhigh) 和两个 Fable 5.1 档位也比它高 0.5 到 0.8。第三方数据支持“Argon 是法律第一梯队”，不支持“领先五倍”，也没把它排第一。

金融：两边说法相反。 Google 说 Argon 在 Vals Finance Agent v2 上领先 Astra 12 分；AA 的金融与会计指数里，Astra (Max) 反而高 1.4 分，Opus 5.5 (High) 高 2.1 分。两者测的东西不一样：Finance Agent 是带工具、多步调研的 Agent 任务，AA 的指数是题库组合。一个模型完全可能擅长跑金融调研流程，却在直接答会计题上弱一点。如果你的活更像后者，AA 的数字更有参考价值。

战略和经济：有竞争力，但不领先。 经济并列第 8，战略与运营并列第 12。

医疗：没有第三方数字。 AA 还没出 Argon 的医疗指数。

我们的测试：一份文档里的条款核查

跑分是在你管不着的题目上取平均。我想知道的更具体：给一份像模像样的法律金融文档，Argon 能不能严格按定义算、能不能注意到修订函、找不到的数字会不会老实说“没有”。

我写了一份虚构的贷款协议摘录（公司、银行、数字全是编的）：定义条款、两个财务约束条款、利率调档条款、控制权变更条款、一封修订函，再加十二个月的合规数据。里面埋了三个坑：

  1. 非经常性项目是 4,500，但 EBITDA 定义规定加回额不超过加回前 EBITDA 的 10%，所以只能加 3,580。
  2. 银行存款 26,200，其中 3,700 在托管账户里，按“非限制现金”的定义要剔除。
  3. 原杠杆上限是 3.50 倍，修订函把 2026 年 12 月 31 日前的测试日放宽到 3.75 倍。算出来是 3.61，漏看修订函就会判成“违约”。

另外，提示词还要两个文档里根本没有的值：适用法律，以及循环贷款（RCF）总额度（文档只给了已提款金额）。

测试用虚构贷款协议摘录第 1 页：定义 1.1 到 1.6，包括非经常性项目 10% 上限和托管资金不计入非限制现金，第 20.1、20.2 条财务约束，利率条款、控制权变更条款，以及把杠杆上限放宽到 3.75 倍的第 1 号修订函

图注：我们为测试编写的虚构文档第 1 页，图片模式下就是把这样的页面发给模型；EBITDA 上限、托管资金剔除和修订函就是三个坑（2026-10-15 渲染）。

标准答案由脚本算出：合并 EBITDA 39,380；非限制现金 22,500；净债务 142,300；杠杆 3.61，上限 3.75，合规；利息覆盖 5.71，合规；下一计息期利率维持 3.00%；控制权变更通知期限 10 个工作日；适用法律和 RCF 总额度为 null 并列入 not_found。评分脚本共查 17 个字段。

调用方式：SandBase 的 OpenAI 兼容 Chat Completions 接口，模型 google/gemini-4-argon，max_tokens: 16000，用严格的 response_format JSON Schema，两个查不到的字段允许 null。没有传推理档位参数：SandBase 的描述说 Argon 总会先推理，但 reasoning_tokens 经常报 0，我没法确认档位参数真的起作用。三种输入方式各跑 3 次：

  • text：文档原文直接贴进提示词。
  • image：两页 PNG 渲染图，作为 image_url 发送，不附文字版。
  • pdf：PDF 以 OpenAI 风格的 file 内容块发送（base64 data URL）。

费用取自 GET /v1/tasks/<completion id>/cost 返回的 cost 字段。

结果：三种输入，9 次全对

2026-10-15 UTC 00:28 到 00:30 之间 9 次 Gemini 4 Argon 调用的终端表格，文本、图片、PDF 各 3 次，列出耗时、输入、缓存、输出和推理 token，每次 17/17 通过，单次费用 $0.013484 到 $0.025516，合计 $0.1548

图注：根据保存的调用记录渲染的全部 9 次结果：每次 17 项全部通过，PDF 线路可用，9 次合计按 /v1/tasks/<id>/cost 计费 $0.155（2026-10-15 UTC 运行）。

输入方式正确输入 token输出 token耗时单次费用
文本3/31,756323–3296.0–7.2 秒$0.0135–$0.0136
图片（2 页）3/33,146（第 2、3 次缓存 954）319–3207.7–12.2 秒$0.0153–$0.0190
PDF3/32,884（第 2、3 次缓存 689）319–7349.9–11.2 秒$0.0153–$0.0255

几点观察：

  • 每次都正确处理了加回上限、剔除了托管资金、用了修订后的 3.75。两个缺失值每次都返回 null 并写进 not_found。source_clauses 引用的条款也对，包括“Amendment Letter No. 1”和“Note 4”。
  • PDF 通过 file 内容块在这条线路上能用。
  • 同样的内容，页面图片的输入 token 大约是纯文本的 1.8 倍（3,146 对 1,756）。手上已经有干净文本的话，直接发文本。
  • 图片和 PDF 重复调用时，自动出现了缓存 token，按 0.05 倍计费；文本那三次没有缓存。触发门槛是多少，我不清楚。
  • 只有两次 PDF 调用报了推理 token（380 和 415），也正是最贵的两次，其余都是 0。

测试范围说在前面：这只是一份两页的短文档。300 页的授信协议、跨文档对账、扫描质量差的 PDF，这次都没测到。

真正踩坑的地方：schema 没给“查不到”留位置

前 9 次全过之后，我改了一个很多真实流水线都会写错的地方。文档、问题都不变，只是 schema 里每个字段都不许为空：rcf_total_commitment 必须是数字，governing_law 必须是字符串，去掉 not_found 列表，提示词里“查不到就返回 null”那条规则也删了，另加一个自由文本的 notes 字段。

2026-10-15 00:31 UTC 一次强制 schema 调用的终端输出，id 4a14544b：EBITDA、净债务、杠杆、利息覆盖都正确，governing_law 是一句 Not stated in the provided document，rcf_total_commitment 被高亮为 0，并注明文档里没有这个值，notes 里解释因 schema 类型限制设为 0

图注：没有 null 可选时，Argon 计算的数字依旧全对，但把文档里不存在的 RCF 总额度填成了 0，原因只写在 notes 里；3 次都是这样，单次 $0.023 到 $0.026（2026-10-15 UTC 运行）。

3 次里，15 个计算字段全部正确；但 rcf_total_commitment 每次都是 0，governing_law 变成一句话（两次是“Not stated in the provided document”，一次是“Not stated in document”）。模型在 notes 里交代得很清楚，可下游系统只读数字字段的话，就会记下一笔“额度为 0 英镑的循环贷款”。说白了，模型已经告诉你了，是你写的 schema 逼它填了占位值。

对法律、金融流水线的建议：每个要抽取的字段都留 null，再加一个 not_found 列表，并在代码里校验该空的字段确实为空。有这个出口时，Argon 用得很到位。

长篇多模态文档：哪些验证过，哪些没有

Google 说的 1M 上限是输入加输出合计。SandBase 页面显示 1M 上下文，单次最多输出 65.5K。我用一句话的提示词配 max_tokens: 100000 发了一次，返回 200、没有报错；但只输出了 5 个 token，看不出上限是被强制执行还是被静默截断。规划时按单次 65.5K 输出算。

如果是 1M token 的数据室，账单主要在输入：按 SandBase 的价格，满上下文一次约 $4，同一批文档反复提问时缓存读取 0.05 倍能省不少。Google 自报 GraphWalks 256k–1M 得 84.2，高于 Astra（71.8）和 Opus 5.5（66.8），不过它测的是图遍历，不是条款检索。这篇没有测任何长文档。图片和文件输入的 Python 写法见 Argon API Python 调用教程。

法律、金融工作该不该用 Argon

你的任务适配程度依据
合同审阅、条款抽取、财务约束核查值得优先试AA 法律第 5；Google 的 Harvey 领先；我们测试 9/9
带工具的金融调研 Agent可以试，需验证Google 的 Finance Agent 领先，暂无第三方佐证
直接问答式的会计、金融问题先对比AA 金融并列第 13，落后 Opus 5.5 (High) 和 Astra (Max)
不计成本要最高法律分看 Opus 5.5 (Max)AA 法律 63.3 对 60.0
医疗、临床文档未知AA 没有 Argon 的医疗指数
长输出（完整修订稿、长备忘录）注意上限SandBase 单次最多输出 65.5K

想看它和 Opus 5.5、Astra 在成本和格式遵循上的正面对比，见 Gemini 4 Argon、Claude Opus 5.5 和 GPT-6 Astra 对比。想拿自己的文档试，从 Argon 模型页开始；第三方分数也能在 SandBase Lab 评测页查到。

常见问题

Gemini 4 Argon 适合做法律工作吗？

第一梯队，但不是第一。AA 法律指数 60.0，208 行中第 5（2026-10-12），落后 Claude Opus 5.5 (Max) 的 63.3。Google 自报的 Harvey Legal Agent 领先幅度要大得多。

Gemini 4 Argon 适合金融和会计吗？

说法不一。Google 说它在 Vals Finance Agent v2 上第一（65.4）；AA 的金融与会计指数里它是 53.8，208 行中并列第 13，低于 GPT-6 Astra (Max) 和 Opus 5.5 (High)。最好用自己的任务类型测一下。

在 SandBase 上 Gemini 4 Argon 能读 PDF 吗？

2026-10-15 我们实测可以：两页 PDF 以 file 内容块发送，3 次都返回了正确的结构化结果。页面图片也能用，只是输入 token 约为纯文本的 1.8 倍。

Gemini 4 Argon 处理文档会有幻觉吗？

Google 模型卡把幻觉列为已知局限。我们的测试里，只要 schema 允许，它都把缺失值如实返回 null；schema 不允许时，它填了 0。输出要在代码里校验，重要的结论要有人复核。

局限

一份两页的虚构文档，12 次评分调用加 1 次探测，单一客户端，2026-10-15 UTC 00:28 到 00:32 的四分钟窗口。本文 Argon 总花费约 $0.23。Google 的跑分是 Google 自报；AA 数据是 v4.3、截至 2026-10-12、High 档位，我们的调用用的是默认设置。本文不构成法律或财务建议，任何模型输出都不能替代专业人士的审核。Argon 正式开放之前的情况，可以看我们更早的接入记录。