Gemini 4 Argon vs Claude Fable 5.1：Agent 成本与质量对比
| 你的工作流 | 起始选择 | 什么结果才值得切换 |
|---|---|---|
| 长报告或代码交付需要更大的输出空间 | 设定明确输出预算后评估 Argon | 更多完整交付通过验收，且延迟和评审负担不过高 |
| Fable Agent 依赖其 thinking block 和缓存行为 | 保留 Fable 作为基线 | Argon 保持任务完成质量，并降低综合运维负担 |
| 重复前缀占据大部分 token 用量 | 按真实前缀复用模式测试两者 | 实际缓存命中与总任务支出，而非名义折扣 |
| 任务经常重试或需要人工救场 | 比较两条路由的完整 trace | 失败循环、恢复次数及评审分钟数减少 |
状态与证据表
| 问题 | Gemini 4 | Claude Fable 5.1 | 安全决策 |
|---|---|---|---|
| 官方状态 | 已官宣 · 受限开放 | Claude Fable 5.1 · 2026-09-01 | 现在可以比较名义 token 费率与厂商评测；EvoLink 同条件工作负载测试仍待开展。 |
| 厂商 API model ID | 公告未确认；网关请求使用 EvoLink 模型页给出的配置 ID | claude-fable-5-1（Anthropic） | 使用所选路由文档中的 ID；区分厂商与网关标识符 |
| 上下文与最大输出 | Google 公布的输出上限为 100 万 token，用于较长的推理与生成。该数字是输出上限，不代表已确认的输入上下文窗口，也不是 EvoLink 参数承诺。 | 100 万上下文；12.8 万最大输出（Anthropic） | 记录你的 trace 实际用掉多少窗口 |
| 输入模态 | 公共 API 支持的输入模态仍待文档确认。 | 文本与图片输入，文本输出（Anthropic） | 测试前先列出每类工作负载需要哪些模态 |
| 思考控制 | 未公布 | 自适应思考常开；默认 effort high；相对延迟标为 Slower（Anthropic） | 每条 trace 记录 effort 设置，以后的路由要在同一设置下测 |
| 缓存计费结构 | Google 公布的首发价为每百万输入 token 2 美元、输出 token 10 美元；优惠期后分别为 4 美元和 20 美元。优惠结束日期未公布。这是 Google 定价，不是 EvoLink 报价。 Google 公布缓存输入优惠 95%；按首发输入价计算，每百万缓存输入 token 为 0.10 美元，即 2 美元 × 5%。 | 输入 $10 / 输出 $50 每百万 token；5 分钟缓存写入 $12.50；1 小时缓存写入 $20；缓存读取 $0.25 每百万 token（Anthropic 标价） | 双方都公布 TTL 和费率之前，缓存经济性无法比较 |
| Batch 可用性 | 未公布 | Anthropic 列出 Batch 输入与输出按标准价 5 折 | Standard 对 Standard，Batch 对 Batch |
| 文档化的破坏性变更 | 未公布 | Anthropic 迁移指南列出三项：强制 tool choice 报错、旧模型不兼容 5.1 thinking block、编辑早轮对话后 thinking block 失效 | 已公布的变更清单可以测；没公布的测不了 |
| EvoLink 路由 | 已可通过 EvoLink 使用；模型 ID 与当前价格见 Gemini 4 页面 | 已配置路由 claude-fable-5-1；价格见产品页 | 任何路由的第一个请求都要核验返回模型身份 |
Google 已公布评测，可以作为初步比较依据，但不是 EvoLink 同条件实测。这些数据不能证明延迟、通过验收的任务成本或全面优胜。下表同时展示 Argon 占优和落后于对比模型的项目。
Google 公布的评测结果
| 评测 | Gemini 4 Argon | Claude Fable 5.1 |
|---|---|---|
| DeepSWE v1.1 | 77.9% | 67.4% |
| FrontierSWE v2 | 55.0% | 56.3% |
解读分差前，先看测试设置。Google 的方法说明默认采用 pass@1（另有说明除外），通常使用可用的最高思考档位。DeepSWE 把 Argon 在 mini-swe 中的运行结果与公开榜单或系统卡中的竞品结果放在一起；FrontierSWE 数据来自 Proximal 榜单。这不是在同一套 EvoLink 测试框架中重跑两个模型。每项得分旁应保留评测版本、测试框架、推理设置及来源，不要把百分点差距换算成预计的生产成功率。
哪些长任务值得评测
长任务 Agent 不是单一工作负载。团队路由到 Fable 5.1 的 trace 大多落在五类任务里，每类对“验收通过”的定义不同。基线按类记录；Argon 也按类判断。
| 工作负载 | “验收通过”的含义 | 现在在 Fable 5.1 上记录什么 | Argon 评估必须对齐什么 |
|---|---|---|---|
| 多文件仓库修复 | 测试通过、diff 经过评审、未触碰无关文件 | 读取与编辑的文件数、工具调用、重试、评审分钟数、每个验收通过修复的 token | 同一任务集、测试套件和评审 rubric |
| 多步研究与知识交付物 | 引用可解析、结构符合 brief、没有无依据的论断 | 抓取的来源数、被要求修改的次数、每份交付物的事实更正数 | 同一 brief 和事实核查流程 |
| 多小时工具循环 | 在停止条件上结束，最终状态有效 | 循环次数、失败工具调用、检查点、恢复事件、到终止的墙钟时间 | 同一工具、权限、重试预算和停止规则 |
| 长文档结构化抽取 | 输出通过 schema 校验；抽样字段与原文一致 | 文档长度、schema 失败数、重跑次数、固定样本上的字段准确率 | 同一文档、schema 和样本 |
| 客服多步工具流程 | 在政策范围内解决工单，无需人工升级 | 升级次数、错误工具调用、政策违规、处理时长 | 同一流程定义和政策检查 |
没有任何一行指名偏好的模型，因为尚无同条件实测结果。表格在比较两条路由之前，先固定“同一任务”的含义。
上下文复用与缓存条件
长任务 Agent 会反复发送代码库上下文、工具定义和指令。已公布的缓存优惠支持初步单价计算，但完整缓存成本对比仍需要匹配使用条件。
Google 公布缓存输入优惠 95%；按首发输入价计算，每百万缓存输入 token 为 0.10 美元，即 2 美元 × 5%。 缓存写入与存储费用、TTL、适用条件、优惠期后缓存规则及网关支持仍需 API 文档确认。 五分钟缓存与一小时缓存不可直接等同，自动前缀缓存与可共享的显式缓存对象也不同。必须匹配 TTL、作用域、最小长度及服务模式后再判断节省。
Fable 5.1 给了你可以照着记录的结构。Anthropic 文档写明：5 分钟缓存写入 $12.50 每百万 token，1 小时写入 $20 每百万 token，缓存读取 $0.25 每百万 token，Batch 输入与输出按标准价 5 折。每条 Fable trace 都记下：
- 选了哪个 TTL、为什么（轮次间隔在 5 分钟内，还是间隔长到值得用 1 小时写入）；
- 缓存前缀大小，以及任务中途改了几次——变化可能导致受影响的前缀无法复用缓存；
- 每轮的缓存读取 token 与新鲜输入 token 各是多少；
- 这条 trace 跑的是 Standard 还是 Batch，以及运行当时 Anthropic 价格页如何叠加 Batch 与缓存倍率。
重试、恢复与人工接管成本
这一层规格表上永远看不到，却是长任务 Agent 预算真正流失的地方。一条在人工解锁后第三次尝试才完成的 trace，和一次完成的 trace 成本并不相同。每条 trace 记录六类事件，每条带时间戳和 token 数：
- 循环检测。 同一工具调用带同一参数重复超过预先设定的阈值。记录停止规则触发前烧掉了多少轮。
- 失败的工具调用。 区分厂商侧错误、工具侧错误和模型侧的畸形调用。畸形调用可能来自模型或接入问题；先区分它与厂商、工具故障的原因，再判断差异是否来自模型。
- 检查点完整性。 验证每个保存的状态确实能恢复任务。恢复不了的检查点等于白费的输出加一次完整重跑。
- 中断后恢复。 限流、超时或运维暂停之后重建上下文花掉的 token，与首次运行的 token 分开计。
- Thinking block 失效。 Anthropic 迁移指南写明，编辑早轮对话会让保留的 Fable 5.1 thinking block 失效。任何为压缩或纠错而重写历史的框架都会触发；记录发生频率和重新思考的成本。Gemini 4 是否有对应规则，未公布。
- 人工接管。 评审者用于解锁、纠正或收尾任务的分钟数，以时间计，不让它消失在 API 总额里。
把这些作为 trace 记录上的字段存，不要单开一份事故日志；只有重试、恢复和评审分钟数与 token 挂在同一个任务 ID 上，按已验收任务计成本才有意义。
完整任务成本变量表
下面每个数字的分母都是完成并通过验收的任务。完成但评审未通过的任务计入支出（钱已经花了），但不进分母。API 支出与人工时间分列；分钟换算成钱只在汇报层做，费率由财务团队定。
| 变量 | 今天在 Fable 5.1 上如何记录 | Gemini 4 状态 |
|---|---|---|
| 输入 token | 每轮的新鲜（未缓存）输入，按任务汇总，取自 EvoLink 返回的用量计数 | Google 公布的首发价为每百万输入 token 2 美元、输出 token 10 美元；优惠期后分别为 4 美元和 20 美元。优惠结束日期未公布。这是 Google 定价，不是 EvoLink 报价。 |
| 缓存写入 | 写入的 token 数，按 5 分钟与 1 小时 TTL 拆分，加上每任务的写入次数 | 根据所选路由文档与实际任务 trace 记录 |
| 缓存读取 | 每任务从缓存提供的 token 数；同时记命中率（缓存读取 / (缓存读取 + 新鲜输入)） | Google 公布缓存输入优惠 95%；按首发输入价计算，每百万缓存输入 token 为 0.10 美元，即 2 美元 × 5%。 缓存写入与存储费用、TTL、适用条件、优惠期后缓存规则及网关支持仍需 API 文档确认。 |
| 输出 token | 汇总任务中每次调用的实际计费输出 usage，包括按规则计费的推理 token，不能只统计可见答案和工具参数 | Google 公布的输出上限为 100 万 token，用于较长的推理与生成。该数字是输出上限，不代表已确认的输入上下文窗口，也不是 EvoLink 参数承诺。 |
| 工具调用与外部成本 | 每任务的次数以及任何计量成本（搜索、代码执行、第三方 API） | 根据所选路由文档与实际任务 trace 记录 |
| 重试 | 首次之外的尝试，每次尝试的 token，挂在同一任务 ID 上 | 根据所选路由文档与实际任务 trace 记录 |
| 回退路由使用 | 是否有任何一轮由别的模型提供服务、是哪个，以返回的 model 字段核验 | 根据所选路由文档与实际任务 trace 记录 |
| 人工评审分钟数 | 每任务的评审者与运维时间，按分钟记 | 用自己的任务运行结果测量；不是厂商公布数字 |
| 到验收的墙钟时间 | 任务开始到结果通过验收的时间，含等待和人工轮次 | 用自己的任务运行结果测量；不是厂商公布数字 |
| 任务验收率 | 观察窗内每类工作负载的验收通过任务 / 尝试任务 | 用自己的任务运行结果测量；不是厂商公布数字 |
按已验收任务计成本 = API 支出 ÷ 验收通过任务数，并与每个验收通过任务的评审分钟数并排汇报。API 支出下降本身不能证明总成本下降；需要按自己的人工费率计入评审时间，再判断是否真正降本。
完成质量验收
只对一个模型有效的验收标准是偏好，不是标准。验收要建得经得起换模型：
- 客观检查优先。 测试通过、schema 校验通过、引用可解析、diff 只触碰声明过的文件。二值结果，便宜到每条 trace 都能跑。
- 评审 rubric 其次。 每类工作负载一份简短固定的清单（正确性、完整性、安全性、是否遵循 brief），由不知道输出来自哪条路由的评审者打分。
- 重复运行。 每个任务跑多次，任务验收率以区间汇报，避免一次成功被当成能力。
- 不确定性汇报。 每个结果旁边都公布样本量、设置（effort、工具、TTL）和失败清单。没有样本量的比率不是证据。
通过 EvoLink 开展按工作负载划分的对比，在回放、影子流量和灰度阶段保留现有基线、验收标准与回退。API 可用只是让评估能够开始，并不证明质量或成本已经胜出。
影子流量与回滚计划
与其他新路由一样，Argon 按下面三个阶段引入，全程保留 Fable 5.1 作为已测量的基线。
- 回放（Replay）。 把记录下来的 Fable 5.1 trace 离线喂给候选路由；在完全相同的输入上比较任务验收率和按已验收任务计成本。
- 影子（Shadow）。 线上请求同时发给两条路由，返回 Fable 5.1 的答案，静默给候选打分。循环和工具错误在这一步暴露，用户不受影响。
- 金丝雀（Canary）。 先拿一类工作负载切一小部分流量；门槛在观察窗内持续达标才扩大。
晋级门槛在测试开始前定好：任务验收率不低于基线；到验收的 p95 墙钟时间在约定范围内；按已验收任务计成本（含重试和回退）不高于基线；该类工作负载在观察窗内零事故。
回滚触发：任一门槛连续失守达约定天数，或出现一次触及客户的事故。回滚是网关配置改动，不是代码发布——这正是模型选择应放在路由配置而非应用代码里的原因。
model 字段和用量计数，并检查它们是否与配置路由一致。在网关上，这只能核对与配置路由的一致性；返回的标签本身不能独立证明底层模型身份。应结合路由记录与账单核对，并调查无法解释的回退。每条新路由的第一个请求都要做，影子阶段持续做，并把结果记录在成本表的回退路由字段中。哪些结果不算进步
- 传闻中更大的 Gemini 4 上下文窗口，却拿不出完成的长任务。
- 更低的表面价格，被重试、恢复、更长输出或额外评审分钟数抵消。
- 泄漏的 benchmark 截图或第三方规格表，没有设置、样本量和可复现任务集。
- 顶着新名字，返回的却是旧模型或不透明回退。
- 一天的任务验收率优势，在重复运行或完整观察窗内消失。
这些否决规则现在就写，和验收 rubric 放在同一份文档里。跳过这一步的团队，往往会围着第一个令人兴奋的结果重新定义成功。
在 EvoLink 评测 Claude Fable 5.1 在 EvoLink 评估 Gemini 4 Argon常见问题
今天有人能证明 Gemini 4 跑 Agent 的成本低于 Claude Fable 5.1 吗？
对你的生产任务还不能证明。公布的 token 费率低于对比模型的标准基础费率，但必须测量路由可用性、实际 token 用量、缓存适用条件、重试及合格任务质量，才能判断总成本是否更低。
缓存价格能跨厂商直接比吗？
Google 公布缓存输入优惠 95%；按首发输入价计算，每百万缓存输入 token 为 0.10 美元，即 2 美元 × 5%。 缓存写入与存储费用、TTL、适用条件、优惠期后缓存规则及网关支持仍需 API 文档确认。 五分钟缓存与一小时缓存不可直接等同，自动前缀缓存与可共享的显式缓存对象也不同。必须匹配 TTL、作用域、最小长度及服务模式后再判断节省。
失败的长任务成本怎么算？
把每次尝试、每次恢复、每一分钟评审都挂到同一个任务 ID 上。失败和未通过验收的任务留在总支出里，但不进验收通过任务的分母。每个验收通过任务的 API 支出和评审分钟数分别汇报；只有明确采用的人工费率后，才合计为总成本。
Gemini 4 没公布的特性该怎么记？
建好字段，值填“截至 YYYY-MM-DD 未公布”。不要拿 Gemini 3.x 的值、泄漏数字或零去填。Google 公布合同后再替换占位值，并记下变更日期，让历史对比保持诚实。
测新路由的同时怎么保住已验证的 Claude 基线？
通过 EvoLink 开展按工作负载划分的对比，在回放、影子流量和灰度阶段保留现有基线、验收标准与回退。API 可用只是让评估能够开始，并不证明质量或成本已经胜出。
Fable 5.1 现在在 EvoLink 上能用吗？
claude-fable-5-1 的路由。把生产流量切过去之前，先在第一个请求上核验返回模型身份和用量计数，当前价格见 Claude Fable 5.1 产品页。网关可用不等于生产结论；结论来自你自己的回放、影子和金丝雀结果。Fable 5 的接入代码能原样用于 Fable 5.1 吗？
来源
- Google Argon 官方公告 — 2026 年 9 月 30 日
- Google 公布的模型评测
- Anthropic：Claude Fable 5.1 模型概览
- Anthropic：Claude Fable 5.1 迁移指南
- Anthropic：价格、缓存 TTL 与 Batch
- Anthropic：Claude Fable 5.1 发布公告
- Anthropic：Claude Fable 产品页
- Anthropic：模型弃用
- Google：Alphabet 2026 年 Q2 财报 CEO 致辞
- Google：Gemini 3.6 Flash 发布公告
- Google：Gemini API 模型目录
- EvoLink：Gemini 4 API 状态
- EvoLink：Claude Fable 5.1
- EvoLink：Gemini 4 发布追踪
- EvoLink：Claude Fable 5.1 vs GPT-6 Astra
