Gemini 4 Argon 可能被严重低估了。同一模型，只是换了个“外壳”，在新基准上的成绩就从 40% 涨到 54%，直接反超 GPT-6 Astra，只排在 Claude Opus 5.5 之后。
这个基准是新出的 CS 科研级测试 FrontierCS 2，一共 48 道题：删掉论文的核心贡献代码，要求 Agent 在隐藏指标上全面超越原作者的实现，而且全程不能看论文、不能上网。原榜单是 Opus 5.5 58%、Astra 44%、Argon（Pi Harness）40%。
审计发现了关键 bug：Pi Harness 一碰到 fallback 或安全拒答就直接结束运行，Argon 因此有约 20% 的任务（10/48）被中途掐断。换用 Google 自家的 Antigravity Harness 重跑后，Argon 从 40% 涨到 54%，直接反超 Astra。
结论很直接：模型能力之外，Agent 的 Harness——执行框架、容错、重试、上下文管理——已经是决定性变量。以后再比模型，必须标注用的是哪个 Harness，否则榜单本身就没意义。
正文完