Vals AI CEO 称 Google 在发布 Gemini 4 Argon 时引用其基准：Argon 登顶 Vals Index、22 项基准中 20 项进前五

10 月 1 日，基准评测机构 Vals AI 的 CEO Rayan Krishnan 称，Google 发布 Gemini 4 Argon 时「展示了我们的大量基准结果」：Argon 在 Vals AI 的 22 项基准中有 20 项进入前五，并成为 Vals Index 的新第一名。他在帖文开头注明，以下内容是「个人看法」。

帖文中的两项关键说法都能在 Vals AI 官方账号 9 月 30 日的两条评测帖中找到：确认 Gemini 登上 Vals Index 榜首、得分 68.9%，同样给出了 20 项进前五的排名。Google 自己的发布材料也确实多处标注了来自 Vals AI 的结果。Krishnan 在帖文里另外补充了对 Vibe Code Bench、价格与 RSI Index 的个人解读。

Google 发布材料里的 Vals 数据

Google 于 9 月 30 日发布 Gemini 4 Argon。在中，Google 写道，除编码之外，Argon 还是「Vals Index 上的领先模型」——该指数衡量模型在金融、编码、法律与税务工作上的经济影响，每个板块按其对美国 GDP 的贡献加权。博客里嵌入了一张 Vals Index 柱状图，也就是本文首图；图下的评测方法链接指向 DeepMind 的 Gemini 4 Argon 评测页。

Google DeepMind 随发布公开的标出了数据出处：Vals Index、Vals Finance Agent v2、Harvey's Legal Agent Benchmark 三项结果「来源为 Vals AI」，Vibe Code Bench 的结果「取自 Vals AI 官方公开榜单」。

TechCrunch 的报道同样提到，Google 引用 Vals——一家「越来越受欢迎的」AI 基准初创公司——来展示 Argon 是 Vals 模型指数上的领先模型。

Vals Index 第一次由 Gemini 登顶

Vals AI 的显示，Gemini 4 Argon 以 68.90% 在 41 个模型中位列 Vals Index 第 1，单次测试成本 15.68 美元。排在它身后的是 Claude Sonnet 5.5（67.04%，21.34 美元）、Claude Opus 5.5（66.97%，32.14 美元）与 Claude Fable 5.1（65.83%，28.71 美元）。成本随任务类型变化：长程任务上，Code Migration 的单次测试成本升至 57.82 美元。

Vals 的帖文称，这是第一次有 Gemini 模型登上该指数榜首。

Vals Index 是把四个板块按美国 GDP 份额加权的指数：显示，它聚合 8 个基准（6 个私有、2 个公开），分为金融（Finance Agent v2、Excel 建模 EMB）、编码（Terminal-Bench 4.0、Vibe Code Bench、Code Migration）、法律（Legal Research Bench、Harvey's Legal Agent Benchmark）与税务（Tax Agent Bench）四个板块，板块权重取自各行业在美国 GDP 中的份额：金融与保险约 8.0%、信息业约 5.6%、法律服务约 1.2%、会计与税务约 0.5%。9 月 25 日，该指数更新到 v2.1：新增税务板块，编码板块换成了更难的 Terminal-Bench 4.0。

成绩单：IOI 以满分并列第 1，CUA-bench 得 4.83%

按 Vals 评测页记录的成绩单：Argon 在 Finance Agent v2（65.40%，73 个模型）排第 1，并与 GPT-6 Astra 并列 IOI 第 1（100%）；Vibe Code Bench（91.91%，106 个模型）、Code Migration（68.17%，71 个）、CyberBench（77.86%，43 个）均为第 2，其中 Vibe Code Bench 的第一是 Claude Sonnet 5.5（92.39%），Code Migration 的第一也是 Sonnet 5.5（69.83%）。第 3 名包括 LegalBench（88.30%）与 MedCode（58.80%）；Harvey's Legal Agent Benchmark 排第 5（19.58%，73 个模型）。失分项是 MedScribe（87.43%，106 个模型中第 15）与 CUA-bench（4.83%，8 个模型中第 7）。

第二条评测帖还称，Argon 相较前代 Gemini 3.8 Flash 是「一次大步提升」，「在跑过的每一项基准上都有进步」，且在金融、法律、编码与安全方面「尤其强」。

Krishnan 的个人补充：30/50、半价与 RSI

编码方面，Vibe Code Bench 测的是模型从自然语言需求出发、从零构建完整 web 应用的能力（）。Krishnan 称 Argon 在该基准上「排第一，完美构建的 web 应用数量最多（30/50）」；Vals 评测页面对同一基准的记录是整体准确率 91.91%、列第 2；「完美应用数量」与「整体准确率」是两个不同的度量。他称 Argon 在 Code Migration 上列第 2，这一点与评测页一致。

价格上，他写「这里的 SOTA 没有溢价」（SOTA 指当前最优水平）：实际使用中该模型价格约为 Opus 5.5 的一半，比 Astra 6 便宜 15%。可以对照的一组数字是：Argon 跑 Vals Index 的单次测试成本 15.68 美元，Opus 5.5 为 32.14 美元。不过 Google 与 Vals 对 token 价格的记录不同：Google 公布的首发优惠价是每百万输入 token 2 美元、输出 10 美元；Vals 评测页与概览卡写的是每百万输入 4 美元、输出 20 美元。

关于 RSI Index，他称 Argon 在该指数上「大幅跃升」、「完全越过了 OpenAI」、现在「仅次于 Opus」。Vals 评测页记录的成绩是 30.55%、23 个模型中第 4。介绍，该指数让模型在固定算力与时间预算下做开放式的 AI 研发任务，用来衡量它们距离「递归自我改进」（Recursive Self-Improvement，指 AI 在没有人类参与的情况下自主开发后继系统）有多远。他在帖文里写道：「随着模型开始超越人类研究员，对 RSI 的倾向将越来越是实验室能否留在前沿的领先信号。」

未全面发布的 Argon，和发布当天的股价

Google 在博客里把 Argon 的发布描述为「分阶段」推进：目前它只通过 Fairwind 计划向一批受信任的网络防御者开放；Google 正参与美国政府关于模型发布前访问的自愿性程序，并会在扩大开放前继续根据早期测试者反馈迭代防护措施。

Krishnan 在帖文中写道：「模型还没有发布，而 GOOG 已经出现了可观的上涨。」称，发布当天（9 月 30 日）盘后 Alphabet 股价上涨 1.70%、报 346.52 美元（截至该报道发稿）。

他在帖文最后写道：「随着其他实验室上市、AI 支撑起更大一部分经济，第三方基准将成为 AI 实验室价值的最佳预测指标。智能市场正在理性化。」

博客称，Argon 会「尽快」面向开发者、企业与消费者推出，率先从付费 API 客户与 Google AI Ultra 订阅者开始。