Gemini 4 Argon 现已可在 Ultralytics Platform 中用于自动标注

数据标注仍然是大多数计算机视觉项目中最耗时的环节。自动标注让模型先生成边界框，从而加快标注速度；团队只需审核和修正，而不用手动绘制每个目标。但草稿的实用程度取决于背后的模型。

今天，Gemini 4 Argon 已可在 Ultralytics Platform 中用于自动标注。在我们对 Ultralytics Platform 中全部 26 款类别提示式自动标注模型进行的基准测试中，Gemini 4 Argon 的准确度遥遥领先，其中包括 GPT-6.1 Sol、GPT-6 Astra、Claude Opus 5.5 和 Claude Fable 5.1。

最新动态：用于自动标注的 Gemini 4 Argon#

Gemini 4 Argon 已加入 Ultralytics Platform 标注编辑器中的类别提示式视觉语言模型。对于包含 1–200 个类别的目标检测数据集，它会查看每张图像，并返回检测到的数据集类别对应实例的边界框；你可以像处理其他预测结果一样审核并保存这些边界框。

你可以通过两种方式使用它：

• 逐张图像标注：在标注编辑器中切换到 Smart 模式，在模型选择器的 Google 下选择 gemini-4-argon，然后点击 Predict（或按 P）。
• 标注整个数据集：在数据集页面中，依次点击 More actions > Batch Annotation，运行批量标注，即可在一次运行中为所有尚未标注的图像添加标签。

Gemini 4 Argon 与 Ultralytics Platform 中的其他自动标注选项并列，包括使用点提示的 SAM 3.1，以及你自己微调的 Ultralytics YOLO 模型。若想了解整体情况，请参阅Ultralytics Platform 如何利用 AI 实现标注自动化。

我们如何对 26 款自动标注模型进行基准测试#

一个能在日常照片中找到几乎所有目标的模型，在医学扫描图或电路板图像中仍可能漏掉大多数目标。因此，我们没有只使用日常照片进行测试，而是选取了 UL37 中的 36 个检测数据集。UL37 是一组 Ultralytics 用于评估的真实基准数据集，涵盖医学成像、航拍和卫星图像、PCB 检测、安全 X 光、零售货架、交通、体育、水下场景、热成像视频等领域。

我们使用标注编辑器所用的同一套检测代码，将 108 张已标注图像（每个数据集三张）发送给 Ultralytics Platform 中每个类别提示式模型，并提供各数据集的完整类别列表；随后使用 mAP50 将返回的边界框与真实标注进行评分。每家提供商都使用各自的默认推理力度运行，重复运行的分数波动仅约 0.005 mAP50。

Gemini 4 Argon 对比 GPT-6.1 Sol、Claude Opus 5.5 和 GPT-6 Astra#

Gemini 4 Argon 达到 0.565 mAP50，远高于 GPT-6.1 Sol（0.491）、Gemini 3.8 Flash（0.489）、Claude Opus 5.5（0.476）和 GPT-6 Astra（0.470）。它完成了每个请求，每张图像的处理时间中位数约为 5 秒。

它的领先优势并非来自更长时间的思考。在默认思考级别下，Gemini 4 Argon 每张图像的输出 token 数中位数约为 150，与 Claude Opus 5.5 大致相同，远低于 GPT-6.1 Sol 或 Gemini 3.8 Flash。

准确度与成本：Gemini 4 Argon、Claude Haiku 5.5 和高端模型#

付费模型使用你自己的提供商 API 密钥运行，因此每次预测的费用由提供商直接向你收取。按照 Google 的首发定价（有效期至 2026 年 11 月 30 日），在我们的基准测试中，Gemini 4 Argon 每 1,000 张图像的费用约为 7.60 美元。此后，在相同用量下，价格将翻倍至每 1,000 张图像约 15 美元。

高端模型成本更高，得分却没有更高。GPT-6 Astra 和 Claude Fable 5.1 每 1,000 张图像的费用分别约为 47 美元和 37 美元，得分分别为 0.470 和 0.372。如果成本比最高准确度更重要，Claude Haiku 5.5（0.384 mAP50，每 1,000 张图像约 0.35 美元）和 Gemini 3.5 Flash-Lite（0.363，约 1.36 美元）是准确度最高的低成本模型。如果你完全不想使用提供商密钥，托管在 Ultralytics Platform 上的模型中，Qwen3.8 27B 准确度最高。

Gemini 4 Argon 在 12 个真实场景领域中的表现#

Gemini 4 Argon 在 12 个领域中的 11 个领域超过了全部 26 款模型的平均表现，并在水下图像领域打平。它在道路和交通（0.59 对 0.17）以及航拍图像（0.65 对 0.30）方面优势最大，在医学成像方面的得分（0.57 对 0.28）则是平均值的两倍。

每种模型在专业图像上的表现仍然不理想。即使是 Gemini 4 Argon，在工业 PCB 和安全 X 光图像上的 mAP50 也低于 0.2。请将它生成的边界框视为人工参与审核的初稿，并在标注整个数据集前，先用你自己的几张图像检查预测结果。

在 Ultralytics Platform 中开始使用 Gemini 4 Argon#

1. 在拥有数据集的工作区中，通过 Settings > API Keys 添加 Google API 密钥，或请工作区所有者添加一个（查看操作方法）。
2. 在 Ultralytics Platform 中打开一个检测数据集，将标注编辑器切换到 Smart 模式，然后在 Google 下选择 gemini-4-argon。
3. 点击 Predict 为当前图像添加标签，然后审核、调整并保存边界框。
4. 结果看起来没问题后，运行 Batch Annotation 为数据集中的其余图像添加标签。

批量标注会收取 Ultralytics Platform 标准处理费，每 1,000 张图像 1.00 美元；这笔费用与 Google 向你的 API 密钥收取的费用分开计算。每次运行前都会先保存一个数据集版本，因此你随时可以回滚。

数据集完成标注后，你可以在同一工作区中用它训练 Ultralytics YOLO26 模型（参阅训练文档）。正在比较标注工具？请阅读我们的最佳图像标注平台和自动标注与主动学习工具指南。然后登录 Ultralytics Platform，用你自己的数据试用 Gemini 4 Argon。