5 min read

王炸,Gemini 4 Argon 全解析

Source: https://x.com/i/article/2105461142382592000

Google 刚刚发布 Gemini 4 Argon。时隔多月又超过了 GPT 和 Opus,正把大模型竞争推向“长任务的完成”。

Google 将 Argon 定位为能持续进行深度推理的 frontier model,重点在需要跨多步骤、跨工具、跨上下文完成的任务:排查和修复代码问题、进行金融与法律研究、分析复杂资料,以及辅助网络安全防御。

它是一个面向专业工作流的 agent 底座,Google 已在内部让 Argon 参与代码迁移、数据中心内存优化和研究工作,例如:公司称它帮助释放了超过 300 TiB 数据中心内存。

性能成绩解读

图像

Google 公布的代表性成绩包括:

  • 77.9% DeepSWE v1.1:衡量真实、长周期的软件工程任务;
  • 51.3% AutomationBench:衡量端到端业务自动化;
  • 91.7% LVBench:衡量长视频理解;
  • 68% CWE-bench v1:衡量从发现到修复真实软件漏洞的能力,成绩并列第一。

第三方 Vals 的最新 Index 给了更贴近知识工作的侧面验证。Argon 以 68.90% ±0.97 位列第一,略高于 Claude Sonnet 5.5 的 67.04%、Claude Opus 5.5 的 66.97%,也高于 GPT-6 Astra 的 63.13%。Vals Index 将金融、编码、法律和税务任务按美国 GDP 权重聚合,因此比单一学术题集更接近高价值专业工作的组合。

在同一套 Vals 数据里,Argon 在 Terminal-Bench 4.0 为第 5、CUA-bench 为第 7。在 CWE-bench,它与 Grok 4.7、GPT-6 Astra 以 68% 并列,而非独占第一。

Argon 稳居第一梯队,并在企业知识工作与部分长链路任务上非常强势。但它尚未证明自己在所有编程、电脑操作或 agent 场景都胜出。

最重要的规格

大多数人会先看 benchmark,但 Argon 最具战略意味的数字可能是 100 万最大输出 token,这一上限由此前的 64K 提升而来,天地之别。

面对一个复杂工作,agent 需要读大量上下文、形成假设、调用工具、运行测试、遇错回滚、修复后再次验收。输出预算不足时,这条轨迹很容易中途截断,或者不得不交回给人类。

所以,Argon 想解决的问题是让模型在更长的执行过程中保持目标、纠正错误、完成交付。DeepSWE、自动化基准和漏洞修复的价值,都在于衡量这种连续行动的完成度。

Google 的发布公告称最大输出可达 100 万 token,但独立评测平台 Vals 当前的 Argon 条目列的是 100 万 context、262,144 最大输出 token。 可能是测试配置与未来产品规格的差异。

什么时候能用,价格是多少?

目前,Argon 正通过 Google DeepMind 的 Fairwind Program 向可信网络安全防御方开放。Google 将先收集测试反馈、强化安全护栏,再逐步面向开发者、企业和消费者开放,优先覆盖付费 API 客户与 Google AI Ultra 订阅用户。

定价方面,Google 公布的首发价为:每百万 input/output token 2/10 美元,缓存输入较普通输入价格低 95%,首发期后调整为 4/20 美元。

但 token 单价不是 agent 成本的全部。长任务真正的成本还取决于工具调用、上下文长度、失败重试、验证轮数和人工审核。对企业而言,应该比较的是“完成一项合格工作”的总成本,而不是只比较一次请求的 token 价格。

先交给网络安全机构

安全是这次发布最强也最敏感的能力边界,就像之前 Claude 发布的 Mythos。

CWE-bench 是 120 个私有的真实开源代码审计和修复任务。模型不会被告知漏洞在哪里,必须自行找出问题、完成修复,并确保原有功能不被破坏。即使领先模型的最佳 programmatic pass@1 也只有 68%,仍有 5 个任务尚无模型解出。

模型已经有实用价值,但谈不上可以无人监管地自动修复生产系统。

Fairwind 它要求参与方接受尽调,并实施强认证、访问控制和使用追踪。模型只能用于授权的防御、逆向和研究任务,访问权也不得转售或转授。

当模型能够发现、验证和修复漏洞时,发布策略、权限边界和审计机制,已经和模型能力本身一样重要。

最后

Argon 真正改变的是产品设计的重心。

下一代 AI 产品的差异化,更关键的是能否让模型获得正确的上下文、调用可靠的工具、在适当的权限内行动,并通过可验证的流程交付成果。

模型决定能力上限,工作流、数据、权限和验收闭环决定这个上限能否变成稳定生产率。

Argon 使用最高思考设置,非 Gemini 模型的部分对比数据来自其他厂商自报,不同基准也会采用不同 agent harness。 榜单能告诉我们方向,不能替代真实业务中的压测。