今天凌晨，Google 发布了新一代旗舰模型 Gemini 4 Argon。它瞄准的是编程、专业知识工作和网络安全防御，尤其是那些需要持续推理、反复试验的复杂任务。
最显眼的变化是输出上限：从上一代的 64K token 提高到了 100 万 token。首发价格为每百万输入 token 2 美元、输出 token 10 美元。不过，Argon 还没有向所有人开放，第一批使用者是受信任的网络防御团队。
能力也追了上来。在 Artificial Analysis 的独立评测中，Argon 高推理档的智能指数达到 53 分，与 GPT-6 Astra 的最高推理档持平。上一代 Gemini 3.1 Pro Preview 是 30 分，Gemini 3.8 Flash 的高推理档是 41 分。Google 重新回到了前沿模型的第一梯队。
Gemini 4 Argon
这次发布有意思的地方，是 Google 已经把 Argon 用进了自己的工程项目。除了跑分，发布材料还给出了代码迁移、性能优化和数据中心内存优化的具体过程。
Google 已经拿它改自己的代码了
其中一个例子是视频解码器 libgav1。
Google 手里原本已有一份 Rust 移植版本，但它的性能还追不上经过高度优化的 C++ 实现。Argon 接手后，反复进行性能分析实验，查看编译器生成的代码，把原有的 3.2 万行 SIMD 代码替换为可以让编译器自动向量化的安全 Rust 代码。
最终，新解码器在保持视频输出完全一致的情况下，速度达到了原先 Rust 版本的 2.7 倍，接近高度优化的 C++ 版本。
这个过程已经超出了通常的“让模型翻译一段代码”。语言换了以后，内存安全、编译器优化和运行性能都要重新协调。Argon 要根据性能分析结果找到瓶颈，修改实现，再用下一轮实验判断修改有没有用。最后的 2.7 倍，来自这样一轮轮具体工作。
Google 还在让 Argon 参与把 C、C++ 代码迁移到 Rust，包括 re2、libgav1，以及超过 80 万行的 Fuchsia Zircon 内核。迁移过程中仍有自动化和人工审计，代码进入生产环境前还要经过仿真测试与审查。这项工作仍在推进。
另一组 Agent 则根据 Google 数据中心的性能分析与遥测数据，寻找可落地的内存优化。Google 称，已经部署的改动释放了超过 300 TiB 内存；把全部成果推开后，预计可以释放 500 TiB 到 1 PiB。前一个数字是已部署的结果，后一个是估计。
这些案例让 Argon 的定位具体了起来：它能够参与一个已有工程系统的改进，沿着测量、修改和验证继续往前走。
这也让 100 万 token 的输出空间有了更明确的用途。复杂任务可以容纳更长的推理和工作过程。Artificial Analysis 报道，Gemini API 为此增加了 Long Decode Continuation：较长的响应可以暂停，再通过后续调用接着生成，避免被单次请求的超时打断。因此，100 万 token 是可支持的输出上限，并不意味着每个任务都会用满，也不必全部塞进一次 HTTP 响应。
追平 Astra，强项也很鲜明
综合分数之外，Argon 在不同任务上的表现并不一样。
Google 公布的 DeepSWE v1.1 成绩是 77.9%，高于表中的 Astra 74.1% 和 Opus 5.5 的 74.2%。这项评测关注较长程的软件工程任务，与前面的内部工程案例方向一致。
DeepSWE v1.1 的软件工程评测
换到 FrontierSWE v2，Argon 的成绩是 55.0%，低于 Astra 的 65.5% 和 Opus 5.5 的 62.3%。它已经很有竞争力，但还没有在所有编程任务上领先。Google 的评测说明也写明，部分对照成绩来自其他厂商报告或公开榜单，并非把所有模型放进同一套环境重新测试。
专业知识工作是另一块突出的表现。Google 发布的结果中，Argon 在 Vals Index 上得到 68.9 分，高于表中的 Astra、Fable 5.1 和 Opus 5.5；金融 Agent 评测达到 65.4%，也领先这几款对照模型。面向企业工作流的 AutomationBench 则是 51.3%，使用的是 Zapier 的私有测试集。
编程之外，金融分析、专业资料处理和企业工作流也进入了这款旗舰的主要应用范围。
独立评测还观察到一个变化：Argon 更愿意承认自己不知道。在 Artificial Analysis 的 AA-Omniscience 测试中，它减少了编造答案的倾向。不过，该项测试的准确率为 50%，仍低于 Astra 的 63%。回答更克制，与掌握更多知识，是两件可以分别改善的事。
而在真实的多轮交互里，Arena 给出了另一种观察。基于约 3000 个真实 Agent 会话，Argon 高推理档暂列 Agent Arena 第 8；在 Steerability 指标上排第 1，也就是用户提出反对或纠正后，模型调整方向的表现。
Arena 明确把这批结果称为初步结果。这项观察贴近日常使用：任务进行到一半，用户发现方向不对，Argon 能比较好地接住纠正，继续往下做。
首发价便宜，任务账单另算
Argon 的首发定价很有吸引力，但这是一段优惠期的价格。优惠结束后，输入和输出单价都会翻倍。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
缓存输入有 95% 的折扣。对于不断把长上下文带回模型的任务，这项价格也会明显影响账单。
Artificial Analysis 按智能指数测试中的实际用量计算，Argon 每项任务的加权平均成本是 1.99 美元，约为 Astra 3.26 美元的六成。不过，这个成本仍是 GPT-6.1 Sol 的约 2.7 倍。
有趣的是，Argon 并没有少用 token。这组测试中，它每项任务平均输出约 6.2 万 token，Astra 约为 2.7 万。当前的成本优势主要来自价格、缓存折扣和首发优惠。
任务成本随 token 用量、缓存和首发折扣变化
第一批先给网络防御团队
Argon 的开放次序，与它的网络安全能力有关。
Google 首先通过 Fairwind Program 向受信任的网络防御者开放，同时在内部使用。为了让这些团队充分开展防御工作，首批版本不设置网络安全领域的防护限制。这是针对受信任防御者的开放安排，并非一个面向公众、取消所有安全限制的通用版本。
更广泛的开放还在分阶段推进。Google 正在评估潜在滥用风险，并加强对间接提示注入的防御、监控 Agent 的行动，以及隔离运行环境。
后续开放会优先考虑付费 API 客户和 Google AI Ultra 订阅者，再逐步覆盖开发者、企业和消费者。具体公开开放日期尚未公布。
参考链接
-
Google 官方发布：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/ -
Gemini 4 Argon 评测方法与完整结果：https://storage.googleapis.com/deepmind-media/gemini/gemini_4_argon_model_evaluation.pdf -
Artificial Analysis 独立评测：https://artificialanalysis.ai/articles/gemini-4-argon-google-top-three-labs -
Arena 的初步使用结果：https://x.com/arena/status/2105411271525052418