Gemini 4 Argon API 定价详解:思考模式、上下文缓存与12月费用计算方式

‌Gemini 2.5 Pro 定价体系 Gemini Advanced 订阅‌:‌19.99 美元/月‌,包含基础额度 API 调用权限及长期上下文支持,性价比显著高于 OpenAI 同类服务。输入 Token‌:每百万 Token 收费 ‌1.25 美元‌(约人民币 9.1 元)输出 Token‌:每百万 Token 收费 ‌10 美元‌(约人民币 72.9 元)输入 Token‌:费用上调至 ‌2.50 美元/百万‌(约人民币 18.2 元)输出 Token‌:费用升至 ‌15 美元/百万‌(约人民币 109 元) 阅读详情

Gemini 4 Argon Standard API 在 截至 2026 年 11 月 30 日(含当天),输入每百万 token 2 美元、输出每百万 token 10 美元,输出计费包含思考 token。Google 公布的 12 月 1 日起费率分别为 4 美元和 20 美元。Standard 缓存输入在优惠期每百万 token 0.10 美元,之后为 0.20 美元。

这是 Google Gemini Developer API 费率,核对日期为 2026 年 10 月 14 日,不是 Ofox 报价,也不是 App 订阅费。我们检查的 Ofox 公开目录与已认证模型列表未列出 Argon。以下均为合成预算算例,并非真实 Argon 账单;下载表与计算器保留全部假设,便于替换成实际用量。

四种服务档位与调价日期

下表单位统一为美元/1,000,000 token,箭头表示“截至 2026 年 11 月 30 日 → 2026 年 12 月 1 日起”。

服务档位普通输入输出(含思考)缓存输入
Standard2 → 410 → 200.10 → 0.20
Batch1 → 25 → 100.05 → 0.10
Flex1 → 25 → 100.05 → 0.10
Priority3.60 → 7.2018 → 360.18 → 0.36

来源:Google API 价格页的 Argon 部分。Argon 只支持隐式缓存,不要把其他 Gemini 模型的显式缓存存储费或参数套到这里。

预算先选服务模式。Batch 与 Flex 在这张表中费率相同,不代表执行方式相同。单凭价格表无法判断交付时间、可用性保证,或你的工作流是否支持该模式。时效敏感的任务应先核对这些条件。Priority 单价较高,但本文没有实测延迟数据,不能据此认定某项任务值得支付溢价。

公式:缓存命中部分只算一次

对普通单次请求,定义:

  • I:输入总 token,已经包含命中缓存的部分。

  • C:I 中实际命中缓存的 token,依据用量记录,而非猜测的复用率。

  • O:全部可计费输出 token,包含思考。

  • Pi、Pc、Po:所选档位的普通输入、缓存输入、输出每百万 token 费率。

token 费用(美元)= ((I - C) × Pi + C × Pc + O × Po) / 1,000,000

必须满足 0 ≤ C ≤ I。输入总量已经包含缓存时,再额外加一次缓存量会重复计费。不同 SDK 的字段含义需要先映射到这里的定义,不能仅凭字段名推断包含关系。

可下载费率和算例 CSV与本地 Python 计算器。计算器不联网,只估算 token 费用,不能代替供应商账单。保存文件后运行:

python3 gemini-4-argon-cost.py --input 100000 --output 10000 --cached 80000 --tier standard --period promo

预期输出为 0.148000 USD,并同时打印未包含的项目。将参数改为 --period regular,即可按已公布的 12 月费率计算。显式指定价格时期,能避免以后重算旧预算时悄悄套用当天费率。

三个可复算的预算例子

10 万输入、1 万可计费输出,无缓存

Standard 优惠期:

100,000 / 1,000,000 × 2 美元  = 0.20 美元输入
10,000 / 1,000,000 × 10 美元  = 0.10 美元输出
合计                         = 0.30 美元

相同用量按 12 月费率为 0.60 美元。如果 1,000 次请求的用量完全相同,token 预算就是 300 美元与 600 美元。请求用量相同只是计算假设,实际任务复杂度、重试和思考量都可能改变总数。

同一请求,8 万输入命中缓存

此时 I=100,000、C=80,000、O=10,000:

20,000 未缓存输入 × 2 / 1M    = 0.040 美元
80,000 缓存输入 × 0.10 / 1M   = 0.008 美元
10,000 输出 × 10 / 1M         = 0.100 美元
合计                          = 0.148 美元

12 月对应费用为 0.296 美元。这里假设确实命中缓存,不保证 80% 命中率。隐式缓存取决于服务实际识别的合格复用;应用重复发送了文字,不等于账单就会按缓存费率计算。

答案很短,但思考很多

假设请求包含 20,000 未缓存输入、2,000 可见输出和 18,000 思考 token,可计费输出就是 20,000,不是 2,000。Standard 优惠期费用为 0.04 + 0.20 = 0.24 美元。若只按可见答案计算,会得到 0.06 美元,在这个合成例子中少算 0.18 美元。

核对真实账单时,不要用字数推算 token。保存供应商的用量字段和适用费率时期。

长输出:上下文大小不等于累计输入费用

Long decode 可能分多段(hop)执行,前面生成的 token 会成为后续段的输入。这里的分段不是用户与模型的多轮对话。Google 长输出文档给出的例子从 1,000 token 提示词开始,生成 200,000 token(含思考和最终输出),最终上下文约 201,000 token,但累计输入用量为 397,216 token。两者衡量的是不同内容。

文档说明,这些分段之间的重复输入按缓存费率计费,比普通输入减免 95%。应按 long decode 的实际用量语义处理,不要只给最初提示词计输入费。进度事件里的累计用量快照也不能逐条相加:保留该 interaction 最新完整累计值,否则会重复计算之前的工作。用量记录旁同时保存 interaction ID 与完成状态。

取消或失败的任务,仍可能对已执行工作收费。可见结果为空,也可能是思考耗尽输出预算。答案长度为零,不能证明费用为零。

下载计算器只接收已统一口径的输入、缓存和输出总量,不负责从原始事件还原多段用量。用于长任务对账前,要另行验证字段映射。

Search grounding 另行计费

Google 为 Gemini 3 及更新模型列出共享的每月 5,000 免费额度,之后 Search grounding 为每 1,000 次搜索查询 14 美元。表格使用 requests,脚注则说明按实际执行的每个 Search query 收费。一次用户请求可能产生多次搜索,不能用聊天轮数乘以 0.014 美元冒充核实后的搜索账单。

若共享额度已用完,再产生 2,000 次可计费 Search query,合成例子的额外费用是 28 美元。token 与工具费用应分开记录。本文下载表不含 Search、Maps、其他工具费、税费和汇率转换。启用工具前核对对应费率和实际账单;跨模型共享额度也不是每个请求都能重新领取的额度。

月度预算与对账怎么做?

  • 记录精确模型、服务档位与费率时期。跨 11 月和 12 月的工作,按适用账单记录拆分,不把整月都套入一种费率。

  • 小规模试跑有代表性的任务,逐次保存输入总量、缓存输入、可计费输出、工具用量,并纳入产生用量的失败和重试。

  • 按任务类型分组。长时间仓库调查与短分类请求,不应共用一个输出量假设。

  • 用测得的任务平均量乘以计划任务数,再单列有依据的重试和工具假设。缓存不确定时保留无缓存预算对照。

  • 与供应商记录核对。先排查 token 包含关系、思考、服务模式、多段重复输入与费率日期,再判断是否只是舍入误差。

我们已本地验证计算器算术与非法输入处理,但没有用付费 Argon 发票核账,因此这些样本仍明确标为合成。

Google AI Pro 是否包含这些 API 费用?

不要把消费级订阅的使用资格当成 API 余额。使用权限指南区分 Gemini App、AI Studio、Antigravity 和 Developer API。API 对 Free/Pro 的排除,不代表 Pro 用户不能在 Gemini App 使用 Argon。

单价低也不等于每个合格结果成本低。选择生产模型前,结合Argon 基准测试解读,在自己的任务集中记录合格结果、重试和审核投入。

Gemini API费用全解析:如何用Spring AI控制LLM调用成本(含免费额度技巧) 本文深入解析谷歌Gemini API的定价机制,并提供通过Spring AI框架优化LLM调用成本的实用技巧。涵盖对话压缩、响应流控、缓存设计和熔断降级四大节流模式,详细讲解如何最大化利用免费额度,帮助开发者将月API费用降低80%以上。 阅读详情

相关推荐

Agent API成本怎么算?以Gemini 4 Argon为例的完整估算指南

Token是衡量大模型调用成本的基本单位,但在Agent多轮交互中,输入token会随上下文累积而膨胀,单纯按输出单价计算往往严重低估实际费用。理解计费结构、缓存机制与输入输出配比,是精确预算的前提。针对Gemini 4 Argon这类高输出单价模型,本文梳理了从单次会话到百万级输出token的完整成本推算流程,包括公式建模、数据透视、SQL与Python实战,以及上下文瘦身、模型分级路由等降本策略,为Agent应用的成本控制提供可复用的工程方法。

weixin_29054399的博客 163

Gemini定价策略重构全路径(2024头部SaaS团队验证版)

解决SaaS企业客单价增长瓶颈,系统拆解Gemini客单价提升策略。适用于AI工具类SaaS团队,涵盖价值分层定价、场景化套餐设计、客户生命周期ARPU优化三步法,经2024年头部团队实测平均提升LTV 37%。方法论可快速复用,值得收藏。

CompiGlow的博客 214

Gemini 4 Argon杀回前三:Token价格1/5背后的Agent成本与上下文实战

大模型推理成本由Prefill、Decode和KV Cache显存占用共同决定,MoE架构与量化优化使Token价格可降至对手1/5。理解输入输出Token的计费差异与上下文窗口的硬约束,是Agent开发中控制成本与保障稳定性的关键。1M上下文并非越长越好,需结合RAG与分层上下文策略应对超长问题。在高频问答、多轮Agent和代码理解等场景中,合理选型与缓存优化能显著降低开销。本文从一线开发者视角,拆解Token定价、上下文管理与Agent成本控制的实操方法。

weixin_29053073的博客 54

Gemini 4 Argon深度解读:百万Token输出、跑分与定价策略

大模型的能力竞争正从上下文窗口的“能读多长”转向生成输出的“能写多长”。百万Token级别的输出上限,意味着模型可以在单次请求内完成整本书级的内容生成、代码库重构或长文档审阅,而无需开发者反复分段调用与拼接。这一技术跃迁依赖稀疏注意力、推测解码和分布式推理等底层优化,也带来了延迟上升与成本增加的工程取舍。与此同时,基准测试的单项分数需要结合具体场景理解,例如跨段推理、条款引用一致性和长文逻辑稳定性,才能判断模型是否适合你的业务。定价策略同样关键,输入输出按Token计费、缓存命中与批处理通道的差异,直接影响

weixin_29062613的博客 340

知识推理——TransE(知识表示、知识嵌入)

知识图谱嵌入/表示方法 TransE

missyoudaisy的博客 1832

SAP-PM设备模块-PM主数据之功能位置

SAP-PM模块学习

TRUIXIANG的博客 5139

谷歌 Gemini 2.5 Pro 免费开放

2025 年 3 月 30 日,谷歌宣布将最新的 Gemini AI 旗舰模型 Gemini 2.5 Pro 免费向所有 Gemini 应用用户开放。目前尚不清楚谷歌是否会将 Gemini 2.5 Pro 的稳定版本免费提供给所有 Gemini 用户,还是此次举措仅针对测试阶段。

xixixixixixixi21的博客 6138

uniapp:K线图,支持H5,APP

K线,1分钟搞定。备注详细,无需理解,直接复制即可。

sunluyi的博客 4577

刚刚!Gemini 4 上线:Argon 开放 Stable API,直接限时五折

发布日期:2026-10-14Gemini 4 Argon 是 Google DeepMind 在 2026 年 9 月公布的旗舰推理模型,面向复杂软件工程、数学与科学问题、自主多步 Agent 和长输出任务。到 2026 年 10 月 13 日,Google 的 Gemini API 文档已经把它列入 Gemini 4 Stable,正式模型 ID 为,并提供 Google AI Studio 试用入口。

aidoudoulong的博客 2497

Unity3d实现红外热成像效果

1.将需要在红外图像中高亮的物体设置到图层PostProcessing。 2.新建一个相机CameraHighLight,设置其Culling Mask为PostProcessing,也就是在这个相机中只有PostProcessing图层的物体可见。 3.新建一个RenderTexture,命名为HightLightRt,将CameraHighLight的Target Texture设HightLightRt。 4.新建一个相机Camera2,这个相机用于显示其他物体。 接下来将CameraHigh

zouxin_88的专栏 8331

【路由交换】思科5506防火墙三区域互通

思科 5506 inside outside dmz 互通

baidu_22774701的博客 6207

Gemini 4 Argon 上线,API 限时降价与模型能力解读

从整个行业来看,谷歌这次做出的调整,进一步加剧了全球大模型市场的竞争。更低的 API 费用,可以降低中小开发者起步的难度,方便开发者利用大模型去开发各种各样的 AI 程序。其他厂商有较大概率跟着调整定价。对于需要连续推理的智能体项目来说,长上下文这个功能,可以减少多次调用接口、重复上传资料这类操作,比较适合处理长篇法律文件、大型代码库这类体量比较大的资料。大家需要留意,输入的内容、模型思考产生的内容和最后输出的内容,会一起占用这 100 万 token,模型没办法单独输出 100 万 token 的内容。

yixiaoer007的博客 175

【硬件开发】振铃

如果是开关管的振铃,那么桥臂的SW处产生的振铃会窜入驱动电路,造成的结果就是驱动电路和上桥臂下桥臂之间的SW节点都会有振铃现象。如果是驱动电路的振铃,那么MCU的输出引脚还是正常的PWM,但是到了MOS管两侧就变成带有振铃的PWM波形了。开关振铃产生的原因是MOS管上面的寄生电感当开关管打开时为了保持电流不变感应出的电压会对电源和地产生冲击。开关管的驱动线上的寄生电容和寄生电感导致的振铃为驱动电路振铃。开关管上的寄生电容和寄生电感导致的振铃为开关节点振铃。、电感等元件的存在,导致电路中的电压和。

weixin_62546664的博客 1830

Gemini 4 Argon API价格砍半:架构创新与成本控制实战指南

大模型API的调用成本一直是AI应用落地的关键瓶颈,尤其在处理高并发问答、长文本分析和多模态数据时,token消耗带来的账单压力往往远超预期。近年来,模型架构的演进为成本优化打开了新路径,稀疏激活、混合专家模型等技术的成熟,让性能与价格得以兼得。同时,定价策略的调整也深刻影响着开发者的技术选型。在此背景下,新一代旗舰模型Gemini 4 Argon发布,其API价格直接砍半,输入输出token单价大幅下调,并进一步扩展了上下文窗口与原生多模态能力。对于构建智能客服、内容批处理或代码库分析等场景的团队而言,重

weixin_31100517的博客 179

数学史学习资料:史前数学

著名物理学家伽莫夫(宇宙大爆炸理论以及核聚变理论的提出者)在他的科普书《从1到无穷大》中举了这样一个例子。两个原始部落的酋长比赛,看谁说的数字大。第一个酋长说了三,第二个酋长想了半天,然后说你赢了。你今天听起来觉得这两个人真可笑,至少说出四,岂不就赢了?但是对这两位酋长来讲,所拥有的东西就很少超过三个,比三个多的东西他们就觉得没有必要数清楚了,就用许多来形容了。也就是说,他们生活的环境限制了他们的认知。

howard2005的专栏 902

vue3中使用antv-S2表格(基础功能版)

表格的数值默认会渲染排序 icon, 可以配置 showDefaultHeaderActionIcon关闭。当配置为对象时,always 控制是否在子维度不足 2 个时始终展示小计,默认不展示。首先创建一个vue3+vite+ts项目,可以查看下面相关文章,只看第一条即可。可以调整行宽、列宽、列排序、单个单元格详情展示、选中某列、某行等基本功能。可以通过上面设置的SUM函数自动计算出数值,也可以自定义累加函数。配置自定义方法优先级大于配置聚合方式,即配置。1、在项目中安装(npm/pnpm都可以)

蜗牛~~ 2210

Gemini 4 Argon 深度解读:12 项基准登顶、百万 Token 输出,跑分之外更该看什么

大模型厂商似乎形成了一种默契——重磅发布总爱挑在中国开发者的休息时间。这一次轮到谷歌:国庆假期第一天的凌晨,Google DeepMind 推出了新一代旗舰模型。如果只看官方公布的成绩单,这次发布堪称"屠榜":在 18 项基准测试里拿下 12 项单独第一,正面对标 GPT 6 Astra 与 Claude Opus 5.5。但正如每一次旗舰模型发布一样,官方跑分、第三方评测与真实项目体验,往往是三条不同的曲线。本文尝试把这三条曲线放在一起看,帮助正在做模型选型的团队建立一个更理性的判断框架。

JEECG官方博客 239

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

谷歌Gemini 4 Argon发布:性能超越Astra,成本直降80%

大语言模型在应对编程、数学推理等复杂任务时,推理深度与验证机制直接影响结果可靠性。新一代推理模型通过引入深层推理链,将问题拆解为可自我验证的子任务,从而显著降低逻辑断层与错误传导。这种技术路径在代码审查、文档结构化分析等场景中展现出优势,不仅能定位缺陷,还能提供重构建议与回归测试提示。与此同时,模型定价策略发生变革,成本大幅下降至五分之一,但开发者需结合实际场景评估总token消耗与延迟。作为典型代表,Gemini 4 Argon在多个基准上反超Astra,成为AI应用迁移与模型选型的热门选项。

weixin_28678151的博客 350

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Gemini 4 Argon对比Astra:成本降40%的推理架构与迁移实战

大模型推理成本已成为应用落地的关键瓶颈。在生成式AI竞赛中,模型架构设计(如专家混合MoE、量化与稀疏注意力)直接决定单位token的算力开销与API定价。当新一代旗舰模型Gemini 4 Argon以“性能比肩Astra、成本仅60%”的姿态出现时,开发者关心的不再是榜单分数,而是如何在不牺牲核心场景效果的前提下,优化成本结构并完成平稳迁移。结合混合负载实测与迁移避坑经验,拆解Argon在推理架构上的降本原理、与Astra的场景化差距,并给出灰度切换、缓存适配和工具调用容错等工程建议。对正处在模型选型期的

weixin_32181267的博客 302

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

硬核科研出彩,日常体验翻车?Gemini 4 Argon 的“冰火两重天”

10 月 13 日,Google 面向开发者、企业、科研人员与消费者扩大开放。这款在 9 月底率先向安全合作伙伴亮相的旗舰模型,终于进入了更广泛的日常使用场景。随之而来的,是两种反差鲜明的评价。为什么一款能参与量子计算、核聚变研究和大型代码库重构的模型,到了日常开发与交互中,却未必让人觉得好用?沿着价格、工程案例与实际使用场景看下去,这种落差就容易理解了。如果你需要在工作流中接入API,自由切换全球200+大模型,魔芋提供合规保障、财务开票、企业级网关、技术支持与定制服务,助力更高效地管理应用AI能力。

JJJennie777的博客 321

Gemini 4 Argon 对上 GPT-6 Astra、Claude Opus 5.5:19 项跑分谁赢

Gemini 4 Argon 于 2026-10-14 凌晨(北京时间)发布。按谷歌官方 19 项基准逐项对比 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5,并梳理价格和 1M 统一 token 窗口。本文整合官方资料,未调用 API 实测。

ruoyioffice的博客 221

Gemini 4 Argon:100 万输出 token 的 Agent 成本怎么算

Google 2026年推出的Gemini 4 Argon,将单次输出上限提升至100万token,核心价值在于支持长程Agent任务不被截断,实现全局一致的代码迁移与复杂分析。但账单上并非“每token便宜”就“每任务省”,实际成本需按标准价$4/$20核算:尽管首发价仅$1.99,回归后达$3.98,反而高于GPT-6 Astra。关键在于输出量、缓存命中率与重试次数——真正评估应以“每任务花费”为准。该模型强于企业知识处理与超长上下文,但在硬核工程任务中仍落后于竞品。其适用场景为可自动化验收的长周期流

frankzch的专栏 150

Gemini 4 Argon百万Token输出:重塑复杂AI任务的下一个门槛

在生成式AI的实际应用中,Token常被视为文本处理的最小单位,但模型能力高低不仅取决于能“读”多少,更在于能“写”多少。输入窗口负责理解,输出上限则考验模型的长程规划与稳定生成,两者是难度完全不同的技术挑战。百万Token输出意味着模型可以一次性生成数十万字乃至上百万字的完整交付物,远超以往常见的几千Token限制。这一能力为代码库级重构、长篇内容创作、AI Agent端到端交付等专业复杂任务带来质变:开发者无需频繁分块拼接,创作者能保持长文一致性,Agent也能在单次生成中完成完整成果。同时,高昂的输出

weixin_29056781的博客 143

谷歌最强调模型来了,但先给黑客防御方用:Gemini 4 Argon 的非常规发布

先看这条发布时间线上的巧合:Argon 宣布的前几天,皮查伊刚在白宫那纸科技巨头自愿性 AI 安全协议上签了字;再往前两周,谷歌刚刚砍掉 Gemini 3.5 Pro、全押 3.8 Flash。然后,Gemini 4 系列的第一款旗舰就以一种前所未有的方式落

liferecords的博客 225

AI前沿 | 2026年10月14日:Gemini 4 Argon 全球开放 + 百万 Token 上下文 + 前沿“四国大战“

2026 年 10 月 13 日这条线,表面是"Google 又发了一个新模型",实质是它用一次"高规格 + 低价格 + 全球放量"的组合拳,宣告自己重新回到前沿牌桌。规格上它给了别人没有的1M 统一窗口,策略上它选定"用价格换规模"——而它面对的,是一个能力趋同、竞争转向分发与成本的新战场。💡今日启示当"最强"变得越来越难定义,最值得押注的就是"可替换、可度量、可负担"。与其追着榜单上的 1 分差距,不如把精力放在分层路由、每任务成本核算、以及自有任务上的复现评测——

求知若渴、虚心若愚 293

谷歌反击!Gemini 4 Argon性能比肩Astra,成本仅60%

谷歌称,在一次早期测试中,Argon发现了一个影响全球医院所使用医疗软件的严重漏洞,该漏洞可能导致敏感个人信息暴露,且此前的前沿模型没有识别出这一风险。监测目标偏离方面,为防止Argon在执行任务时越过边界、采取超出用户意图的行动,谷歌部署了目标偏离缓解机制,对Argon的思维链和行为进行监测,并在必要时停止执行。一位X用户认为,Gemini 4对提示词格外敏感,输出内容和风格受提示词影响的程度超过其他模型,默认风格不佳,但增加一句提示词就容易改善。Gemini 4 Argon在画面细节上,效果略显粗糙。

2501_91883294的博客 206
上一篇: Step 5 Preview 权重正式发布:本地部署与 API 调用两种方案解析
下一篇: Codex 可读取 Windows 窗口信息但无法截图?按阶段定位问题根因
ofoxcoding
博客等级 码龄1年 167粉丝 85原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值