Google補上高階模型戰力，股價卻輸Meta在等什麼

 

Gemini 4 Argon補上Google的高階模型戰力

Google於本週三發表Gemini 4 Argon，主打程式設計、資安與多步驟複雜任務。產業基準測試顯示，Argon在重要網路安全項目追上OpenAI旗艦模型，軟體工程測試則取得領先。這讓Google重新拿到一張前沿模型競賽的入場券。

價格也帶著濃厚的攻防意味。Argon試行價為每百萬輸入token 2美元、輸出10美元；token是模型處理文字的計價單位。這組價格直接對標降價後的GPT-6.1 Sol，但Google已預告，未來將調高至輸入4美元、輸出20美元。試行價與長期成本存在明顯落差，也替後續商業化留下一道財務題。

單看跑分，Argon已具備競爭力。資本市場接下來會檢查模型能否進入Google既有產品，並轉化成使用頻率、付費收入與Google Cloud需求。前沿模型像重裝騎兵，衝鋒能力很強，糧草消耗同樣驚人；放到每日運作的個人助理，成本紀律會直接影響戰役能打多久。

 

Spark、Muse與Dots走出三條不同路線

Google今年5月在I/O開發者大會推出Spark，可整理Gmail信件、透過Calendar安排行程，也能使用Chrome導覽網站與填寫表單。服務同時涵蓋行動與桌面端，並將購買流程的最終確認交回使用者。這種設計降低誤下單風險，也讓自動化程度相對保守。

Meta的Muse採取免費下載搭配使用量上限，消費者試用門檻較低。Muse上線一個月便登上Apple App Store榜首，一度超越ChatGPT；截至9月底，累計下載超過500萬次。OpenAI的Dots則聚焦企業與個人工作流程，包括掃描郵件、安排旅遊與整理費用報表。

三家公司目前各自押注不同優勢。Meta先用免費模式擴張觸及，OpenAI切入可量化的工作流程，Google依靠Gmail、Calendar、Chrome與Search的既有使用基礎。Spark仍放在付費訂閱牆內，擴張速度自然受到限制。Muse的500萬次下載已先證明免費模式的導流能力，長期留存與付費轉換仍需更多數據。

Google手上的生態系籌碼很厚。全球數十億使用者已把郵件、行程、搜尋紀錄與瀏覽行為放進旗下服務，Spark因此更容易理解情境並串接任務。這項優勢伴隨更高的資料治理責任，尤其當代理人開始讀取郵件、操作行程或協助交易，權限設定與使用透明度都會成為產品體驗的一部分。

 

輕量模型處理日常請求，Argon承接複雜任務

Gemini產品負責人Tulsee Doshi表示，Argon擅長長時間、多步驟的任務，Google仍在評估最適合的部署場景。一般查詢可交給今年夏天推出的輕量模型，複雜推理與長鏈任務再切換到Argon。混合模型架構是成本控制的主軸。

個人代理服務需要常駐運作，一次任務也可能拆成搜尋、判讀、填表與確認等多個步驟。若每個環節都使用最高階模型，推論成本會快速累積。Google必須依任務難度分配算力，同時維持回應品質，才能避免使用量成長反而侵蝕獲利。

這也會牽動Google Cloud。Argon若能帶動企業採用，模型收入、雲端運算需求與既有軟體服務可能互相拉動。Spark若持續受限於訂閱規模，高階模型的消費端價值便較難驗證。未來幾季需要同時追蹤部署範圍、任務成功率、使用頻率與單次服務成本。

 

隱私與安全決定產品能開放到什麼程度

Anthropic執行長Dario Amodei於三週前呼籲主要AI實驗室放慢前沿模型開發，以降低潛在危害。Meta也曾測試由外包人員接手Muse無法完成的電話任務，路透9月報導指出，內部隱私疑慮升高後，這項實驗已暫停。Muse的自動電話功能目前仍處於beta階段。

Google尚未全面開放Argon。公司先加入美國政府的自願性安全測試計畫，初期僅提供部分資安防禦者與大型雲端客戶使用，後續才規劃擴及開發者、企業及消費者，公開上市時程仍未確定。

有限開放有助於控制風險，也讓外部使用者難以大規模檢查Argon在現實環境的穩定性。媒體曾引述匿名員工，質疑程式能力與基準測試存在差距；Google對此反駁，並表示內部已有許多團隊長期測試Gemini 4。基準測試與實際任務表現仍需交叉檢查。

 

股價已反映市場對產品擴張速度的分歧

以2026年第三季的市場資料來看，Alphabet在截至10月2日的過去三個月下跌約6%，Meta同期上漲19%；Meta於9月錄得2022年以來最強單月漲幅。這組差距反映投資人目前更願意替Muse的消費端擴張速度定價，尚不足以單獨證明兩家公司的長期勝負。

JPMorgan認為，Google需要在個人代理產品上推出重大突破，才能重新拉高消費者熱度。美銀則看好Gemini 4導入Spark與Google Cloud後，強化既有產品及雲端版圖。兩種觀察都指向部署成果，模型發布本身只完成第一步。

我會把後續觀察放在三組證據。Argon能否按照規劃擴大開放；Spark能否降低試用門檻並提高日常使用頻率；Google能否透過輕重模型分工，控制每次任務的推論成本。若部署、採用率與成本結構同步改善，Google的生態系優勢才有機會轉成可持續收入。若開放進度延後、隱私爭議升高，或高階模型成本壓過收入成長，Argon的跑分領先對投資論點便只剩有限支撐。