模型實測 · AI 派工

新 AI 模型出來要不要換?|Gemini 4 Neon、GPT-6.2 用固定考卷實測,與我的 AI 派工原則

11 月 Google 和 OpenAI 都出了新模型。我拿 11/16 那份固定考卷重測 Gemini 4 Neon、GPT-6.2 Sol、GPT-6.2 Astra,再看派工要不要動。分差在誤差內的,我不換。

三個胸牌寫著 Ne、Sol、Astra 的小機器人坐著寫同一份考卷,咪卡拿派工板監考,朵拉托著下巴問要換嗎
同一份考卷,三款新模型;看完成績再決定派工。

這篇在講什麼

新模型一出來,大家都在比跑分。我比較在意的是:它做我每天的知識工作,會不會比現在用的好,好到值得改派工。這篇先介紹兩家的新成員,再用同一份考卷實測三款,最後講我怎麼把工作分給不同家的 AI。

適合誰
  • 看到新模型出來,不確定要不要換的人
  • 手上有好幾家 AI,想知道工作該怎麼分的人
  • 要幫客戶或團隊挑模型、排分工的顧問與講師
你可以帶走什麼
  • Claude、ChatGPT、Gemini 三家現在的模型陣容與上線時間
  • Gemini 4 四款、GPT-6.2 兩款並排比較:定位、價格、跟上一代差在哪
  • 三款新模型在會議統整、課程簡報、規則推理、逐字稿清理的實測分數與費用
  • 新模型出來時,判斷要不要換的四個步驟

三家現在的模型陣容(一般用戶在 App 裡用得到的版本)

由重到輕Anthropic(Claude App)OpenAI(ChatGPT)Google(Gemini App)
第 1 級最重、最強Fable 5.211/9 上線|付費方案GPT-6.2 Astra11/17 上線|Work 模式預覽,Plus、Pro 起Gemini 4 Carbon11/10 上線|AI Ultra
第 2 級Opus 5.59/22 上線|付費方案GPT-6.2 Sol11/17 上線|Work 模式預覽,Plus、Pro 起Gemini 4 Argon10/13 上線|AI Pro、Ultra
第 3 級Sonnet 5.59/28 上線|免費可用GPT-6.1 Terra10/26 上線|Work 模式,付費方案Gemini 4 Neon11/18 上線|AI Pro、Ultra
第 4 級最輕、最快Haiku 5.510/7 上線|免費可用GPT-6 Luna9/22 上線|免費版 10/8 起分批開放Gemini 4 Hydrogen11/12 上線|免費版由自動模式分流,付費可手選

日期都是 2026 年,以官方 App 開始開放的日子為準;方案以官方說明為準,會隨時調整。每家照自己公告的定位由重到輕排,同一列不代表能力一樣。ChatGPT 的 GPT-6.2 目前在 Work 模式預覽,一般對話用的還是 GPT-6 Sol(Thinking)和 GPT-6 Astra(Pro)。

兩家新模型一次比

模型上線定位(官方說法)API 價格
輸入/輸出
跟上一代比(官方說法)綜合智力指數*我有沒有測
Gemini 4 HydrogenGoogle · 氫11/12日常快手,快又便宜1.5/7.5捏造的說法比 Gemini 3.8 Flash 少五倍以上5111/16 測過
Gemini 4 NeonGoogle · 氖11/18均衡主力,複雜軟體工程、知識工作3/15Google 說是 Antigravity 內測裡捏造率最低的模型61這次測
Gemini 4 ArgonGoogle · 氬10/13旗艦推理,回應比 Carbon 快2/10
12/1 起 4/20
Gemini 4 最早上線的一款5011/16 測過
Gemini 4 CarbonGoogle · 碳11/10Google 最強的推理模型,想比較久2/10
12/1 起 4/20
無依據的說法比 Argon 約少一半59沒測
GPT-6.2 SolOpenAI11/17兼顧速度與推理的日常主力2/10價格跟 GPT-6.1 Sol 一樣;用更少輸出 token 做完多步驟工作57.3這次測
GPT-6.2 AstraOpenAI11/17旗艦推理,複雜研究與專業交付8/40比 GPT-6 Astra 降價 20%;內部評測 GDPval v2 提高 6.2 個百分點62.1這次測

價格單位是美元/每百萬 token。*綜合智力指數是第三方 Artificial Analysis Intelligence Index,數字取自兩家的公告與模型卡:Hydrogen 是預設 high,Neon 是 xhigh;Argon、Carbon 用 v5.0,其餘用 v5.0.1。版本和推理強度不一樣,只能粗看高低。

先看懂這張表這個月 Argon 和 Carbon 在推廣價,Google 定位最強的 Carbon,API 單價比中間的 Neon 還低;OpenAI 的 Astra 降價了,但還是 Sol 的四倍。下面先分別介紹兩家,再看我自己的實測。

Google Gemini 4:四款改用化學元素命名

Gemini 4 一頁看懂:氫 Hydrogen、氖 Neon、氬 Argon、碳 Carbon 四款的定位與價格,Argon、Carbon 特價只到 11/30
Gemini 4 一頁看懂,價格是 API 按用量計價。

四款共用約 100 萬 token 的上下文,由輕到重是 Hydrogen、Neon、Argon、Carbon。

Google 公布的特色:Hydrogen 捏造的說法比 Gemini 3.8 Flash 少五倍以上;Neon 是 Google 說的 Antigravity 內測裡捏造率最低的模型;Carbon 無依據的說法比 Argon 約少一半。這些是 Google 自己的說法,不是我測的。

價格是 Gemini API 按用量計價的價格。用 Gemini App 或 Google AI Pro 訂閱的人是固定月費,不受影響。

模型上線Google 的定位API 價格(輸入/輸出,美元/每百萬 token)
Hydrogen 氫11/12快速、低成本,日常寫程式、多模態分析與代理工作流1.5/7.5
Neon 氖11/18快速完成複雜軟體工程、知識工作與科學流程3/15
Argon 氬10/13較有效率的前沿推理模型,回應比 Carbon 快、每回合用的 token 較少2/10,12/1 起 4/20
Carbon 碳11/10Google 目前最強的推理模型,主打長程代理工作與複雜除錯2/10,12/1 起 4/20
這個月的反直覺Argon 和 Carbon 的推廣價只到 11/30。Google 定位最強、我這次沒測的 Carbon,API 單價比中間的 Neon 還低。

OpenAI GPT-6.2:Sol 和 Astra

模型上線OpenAI 的定位API 價格(輸入/輸出,美元/每百萬 token)
GPT-6.2 Sol11/17兼顧速度與推理的日常主力2/10(跟 GPT-6.1 Sol 一樣)
GPT-6.2 Astra11/17旗艦推理,主打複雜研究、軟體開發、端到端專業交付8/40(比 GPT-6 Astra 降 20%)

OpenAI 公布的特色:Sol 用更少的輸出 token 完成較難的多步驟工作,寫作也更自然;Astra 改善了簡報、試算表、文件的範本遵循,內部評測 GDPval v2 提高 6.2 個百分點,輸出 token 少 22%。

實際用的時候踩到的兩件事

  • 我電腦上舊版的 Codex 命令列叫 GPT-6.2 會回「不支援」,官方寫要 0.166.0 以上;我改用 ChatGPT App 內附的新版就叫得到。
  • 我平常用的反重力命令列(Google 的 Antigravity)目前只有 Hydrogen、Neon、Argon,沒有 Carbon,所以這次 Carbon 沒有測。

怎麼測:會議紀錄、逐字稿同一份考卷,加上舊答卷當尺

先說清楚:這是我自己的評測這是絕對主觀的評測,只用我自己的任務跟標準來看,主要是會議記錄整理、文件研究分析推理。

考卷跟 11/16 那篇七款模型實測 完全一樣:會議統整、課程簡報、規則推理三題,加上一份逐字稿清理。閱卷也一樣,Anthropic、OpenAI、Google 三家各派一個模型評分,每份答卷只採計另外兩家的分數。

這次多做了一件事:閱卷時把 11/16 的三份舊答卷(Opus 5.5、GPT-6.1 Sol、Gemini 4 Hydrogen)混進去一起評。同一份答卷,這次重評的分數跟上次比:

  • 三題工作考卷:差 −2.5 到 +1.3 分。
  • 逐字稿清理:差 −3 到 +6 分。
暫用門檻這只是三份舊答卷的波動,不是完整的誤差,我先拿來當暫用門檻:三題考卷差 3 分以內、逐字稿清理差 6 分以內,都當作同級,不當作誰贏誰。真的要換派工之前,候選模型要再重跑。
延伸閱讀

新舊模型成績對照

先看三款新模型(11/19,各跑一輪)
模型三題平均逐字稿清理強項要注意每次清理費用
Gemini 4 NeonGoogle90.382.6規則推理 94.5清理花 160 秒;地名硬改沒標待確認約 1.5 至 4.4 元*
GPT-6.2 AstraOpenAI89.971.4課程簡報 97.5清理把買賣方向講反約 9.0 元
GPT-6.2 SolOpenAI85.477.9會議統整 95.3規則推理 65.3,漏寫關鍵理由約 2.7 元

滿分 100,紅字是該欄第一。Neon 兩欄都最高,但跟第二名的差距都在誤差內,算同級(誤差怎麼量,見上面「怎麼測」)。

完整對照(含 11/16 舊成績)

模型會議統整課程簡報規則推理三題平均逐字稿清理每次清理費用清理耗時
Gemini 4 NeonGoogle · 新84.891.594.590.382.6約 1.5 至 4.4 元*160 秒
GPT-6.2 AstraOpenAI · 新93.897.578.589.971.4約 9.0 元63 秒
GPT-6.2 SolOpenAI · 新95.395.765.385.477.9約 2.7 元66 秒
Opus 5.5Anthropic · 11/1672.296.098.088.780.0約 4.6 至 6.2 元未記
GPT-6.1 SolOpenAI · 11/1691.695.074.387.073.0約 2.6 至 4.0 元未記
GPT-6 AstraOpenAI · 11/1688.995.081.288.472.3約 13.9 至 14.4 元未記
Gemini 4 HydrogenGoogle · 11/1671.493.091.385.272.3約 0.6 至 2.7 元*未記
Gemini 4 ArgonGoogle · 11/1674.372.681.176.071.0約 1.4 至 4.5 元*未記

滿分 100,紅字是該欄第一。新模型各跑一輪;舊成績取 11/16 那篇,逐字稿清理是兩輪平均。費用是 API 等值價,以 1 美元=32 元台幣估算,實際是用訂閱額度跑。GPT 兩款取 Codex 紀錄的 token 數乘官方單價。*Gemini 的反重力不回傳 token 數,改用字數估再乘官方單價,所以給範圍。

實測看到的四件事

Neon 這輪是 Gemini 考得最好的

規則推理 94.5,比 Hydrogen 的 91.3、Argon 的 81.1 都高;會議統整 84.8,比 Hydrogen、Argon 高十分以上。逐字稿清理 82.6 是這批最高,但跟 Opus 的 80.0 只差 2.6 分,在誤差範圍內。

它還是會犯清理逐字稿最怕的錯:原稿一個聽不清楚的地名「如州」,它直接改成「蘆洲」;原稿說「好像是中正區」,它寫成肯定句。兩處都沒標待確認。另外清理花了 160 秒,是其他款的兩倍多。

GPT-6.2 Sol 會議統整最高,規則推理漏寫理由

會議統整 95.3,閱卷三家都沒抓到它加料,十六個要點幾乎全中。

規則推理這輪只有 65.3,比 GPT-6.1 Sol 在 11/16 的 74.3 還低。它的判斷方向都對,扣分扣在沒寫出關鍵理由:例如沒說「上週同意過的不算數」、沒說「急件也不能跳過規則」。

GPT-6.2 Astra 變便宜,逐字稿清理還是犯錯

課程簡報 97.5 是這批最高,清理一次約 9 元,比舊的 GPT-6 Astra 約 14 元便宜。逐字稿清理 71.4,跟上一代兩輪的 70.4、74.1 差不多,還有一處把「我可以賣系統給你」寫成「我可以跟你買系統」,買賣方向講反了。

讀起來很順的錯,三款都還在

新的三款都把「如州」改成「蘆洲」沒標待確認。這種錯讀起來很通順,沒對原稿看不出來。所以清理逐字稿不管換誰,我都還是要留一道照規則自查。

延伸閱讀

我的 AI 派工原則

為什麼要派工

  1. 主模型做決斷,執行交給別人我的 AI 總管是 Claude,負責拆工作、看結果做決定;執行交給別家的模型,再找另一家互審。我跟它講過:「你可以多教阿港幫你處理,有問題也可以叫 CX 互審,你當決斷就好。」(阿港是 Gemini 4 Argon,CX 是 Codex)
  2. 審稿一定跨家審稿要找跟寫稿不同公司的模型,不讓模型審自己家的作品。
  3. 雜活交給便宜的模型雜活和簡單的決策檢查,預設都交給 Gemini 4 Hydrogen。11/16 那篇我寫過:Opus 加 Hydrogen 這樣搭配,省蠻多的,成果也還算穩定。

我現在實際怎麼搭配(這次重測前)

工作誰做誰審或拍板
雜活、整理、查資料第一輪Gemini 4 Hydrogen(小氫)Claude 做最後統整
複雜決策、雙軌互審Gemini 4 Argon(阿港)
清理逐字稿Opus 5.5 一條龍照清理規則自查
整理會議記錄、脈絡分析Opus 5.5GPT-6.1 Sol 互審
生圖Codex(GPT)Claude 看圖驗收
執行細節有取捨三家投票:主寫的那家加另一家先審,兩家都過就做;有意見再找第三家,三票兩票過
最後拍板我
延伸閱讀

你可以怎麼做:新模型出來時

STEP 1拿出固定考卷重測

沒有的話,從自己每週最常做、最怕做錯的工作挑三到四種出一份。

STEP 2閱卷時混幾份舊答卷

同一份答卷重評分數會跳多少,就是你這份考卷大概的誤差。

STEP 3分差大過誤差才算數

只贏兩三分的,先不急著換。

STEP 4只換有落差的那一格

派工表一格一格看,不要因為某款總分高就整張表換掉。

這次測試的限制

看分數前先知道這些
  • 新模型都只跑一輪,舊成績來自 11/16。
  • 同一份答卷在不同閱卷家之間可以差很多:GPT-6.2 Sol 的規則推理,OpenAI 閱卷給 89.0,但它是同家所以不採計;另外兩家給 62.1 和 68.5。
  • 考卷沒有測長篇文件、工具操作和連線穩定度。測試當天 Hydrogen 就碰過一次伺服器沒容量的錯誤。
  • Carbon 這次沒測,因為我用的反重力命令列還沒有它。
  • 考卷由 AI 出題,可能偏向某家擅長的方向。