终于，Google带来了Gemini 4 Argon，把旗舰对准了“严肃工作”

就在今天凌晨，Google官宣了Gemini家族的新一代旗舰模型Gemini 4 Argon。

这是Gemini 4系列首个公开亮相的模型，也是Gemini家族第一次没有继续沿用之前的规格名称。Argon，即元素周期表第18号元素“氩”，稳定的惰性气体，或许象征这款模型对工作场景的定位偏好。

比名字更值得注意的是它的定位。

Google在官方博客第一句话里就写得很清楚，Gemini 4 Argon面向三个方向：real-world software engineering（真实世界的软件工程）、enterprise knowledge work（企业工作，包括法律、金融）、cybersecurity defense（网络安全防御）等复杂工作流，并特别强调complex、long-horizon，也就是“复杂的、长程任务”。

Google DeepMind高级副总裁兼Google首席AI架构师Koray Kavukcuoglu在这篇博客开宗明义，“这款模型从根本上改变了Google内部的工作和构建方式”。这话对应的是Google披露的一组内部实践：目前Gemini 4 Argon已经进入Google内部数千名员工的工作流，用它处理专业Coding、深度研究和写作等任务；更进一步，它已经被用于量子算法优化、数据中心内存优化和几十万行规模的代码迁移。

换句话说，这次Google首先把Gemini 4的旗舰能力对准了一个更具体的方向：“严肃工作”，也就是那些容错率更低、任务链更长、需要模型持续推理和执行的工作。

名字背后的分层策略

Argon 这个命名值得单独拿出来看。

Gemini过去更常见的产品体系，是主版本号（例如1、1.5、2、2.5、3、3.8）加上规格或用途名（例如Ultra、Pro、Flash，以及后来的Live、TTS、Cyber等）。

进入3.8代以后，这种用途细分进一步增加：快速模型3.8 Flash、实时对话模型3.8 Live、实时长思考模型3.8 Live Extended Thinking、语音模型Flash TTS / Flash-Lite TTS、以及网络安全模型3.8 Flash Cyber分别承担不同任务。

Gemini 4 Argon在名字上打破了这种惯例，至少留下了一个值得观察的问题：Gemini 4会不会开始淡化过去单纯按模型“档位”划分产品的方式，而把更多模型直接围绕具体工作负载进行定位？现在还不知道答案。

输出Token的15倍跳跃

Gemini 4 Argon最直接的能力升级，体现在输出token。Google给出的数字是：最大输出token从上一代的64K提升到1M，增加超过15倍，由此称这是目前的“行业领先”。

这个变化和我们过去讲的“百万Token上下文”不一样：过去，输入token的扩张（例如Gemini曾把输入上限做到 1M、2M）主要解决的是“模型一次能够读进去多少东西”；而这次增加的是输出空间，输出token的扩张则影响模型能“一次思考多远、一次生成多长”，意味着增加了解决困难问题时的推理深度。

对企业来说，这个能力对应的是“长程任务”，也就是模型到底能不能把一件复杂工作持续做下去。

过去的模型在长程任务中，一个现实限制就Token预算，任务足够长以后，Agent可能不得不压缩历史信息、拆分任务、重新规划、甚至重新启动一轮执行，在这些交接过程中，就容易出现上下文丢失和状态漂移；而Gemini 4 Argon“最大输出token达到100万”，意味着任务可以在一次调用里完成大部分，减少上下文丢失和状态漂移的风险，也降低编排复杂度。

Benchmark解读：coding 之外的多线领先

Google在博客里给出了多组benchmark成绩，覆盖coding、企业知识工作、多模态、网络安全。

我们逐个来看看：

Gemini 4 Argon这次最稳定、也最值得关注的一项优势，出现在「长上下文」。

Google使用GraphWalks测试模型在超长上下文里持续追踪复杂关系的能力。

在128K以内的GraphWalks测试中，Argon达到99.7%，GPT-6 Astra为98.7%，Claude Fable 5.1为91.4%，Claude Opus 5.5为90.6%。前两个模型差距其实不大。

但当上下文继续拉到256K到1M Token后，差距开始明显扩大。Argon拿到了84.2%，下降幅度相对更小；而GPT-6 Astra下降到71.8%，Claude Fable 5.1为65.0%，Claude Opus 5.5为66.8%。这是整张表里最值得关注的数据之一。

过去讨论“100万Token上下文”，经常只看模型能不能把这么多内容塞进去。但真正的问题是：塞进去以后，它还能不能准确使用？这项指标意味着，Gemini 4在非常长的上下文里，它仍然能维持相对更高的信息追踪能力。这恰好和前面1M输出Token、长周期Agent任务形成呼应。

再来看企业知识工作方面。Vals Index是一个综合性经济影响指标，覆盖金融、编码、法律、税务等领域，按各行业对美国GDP的贡献做加权。Gemini 4 Argon在这项综合指标上拿到68.9%排名第一，高于Claude Opus 5.5的67.0%、Claude Fable 5.1的65.8%、GPT-6 Astra的63.1%，这是Google强调Argon“面向企业知识工作”的核心证据。

进一步来看，Gemini 4 Argon在Vals Finance Agent v2与Harvey's Legal Agent Benchmark分别拿到了65.4%和19.6%，前者评估多步金融研究能力，后者是法律AI公司Harvey提出的法律研究和起草基准，对比其他竞品拉开了一些明显差距。这一组数据基本对应了Google此次最想强调的方向：金融、法律和企业知识工作，是Argon最突出的优势区。

Coding方面。DeepSWE是评估模型在真实世界“长程软件工程任务”里表现的基准，Gemini 4 Argon的DeepSWE v1.1达到77.9%，高于Claude Opus 5.5的74.2%，GPT-6 Astra的74.1%，Claude Fable 5.1的67.4%。

不过，我们需要辩证性来看这个数字。DeepSWE v1.1共有113个任务，覆盖91个代码仓库。独立评测机构Epoch AI此前对这套benchmark进行审计后认为，其中至23个任务存在可能影响评分的问题，并将这套benchmark标记为“Flawed（有瑕疵的）”。因此，77.9%可以作为Argon长周期软件工程能力的一个指标，但不适合单独拿来证明它已经是“最强Coding模型”。

因为换一个工程benchmark，排序马上就变了。在FrontierSWE v2方面。Argon只有55.0%，GPT-6 Astra达到65.5%，Claude Fable 5.1为56.3%，Claude Opus 5.5为62.3%。这一项Argon和GPT-6 Astra甚至有10.5个百分点的差距。

在多模态方面，LVBench是评估长视频理解能力的基准。Gemini 4 Argon拿到91.7%，刷新了当前的“SOTA”。这对应的并不只是“模型能不能看懂视频”，而是未来企业Agent需要同时理解会议录像、图表、PDF、网页和其他资料以后继续完成任务的能力，Google举的具体场景是专业图表分析、长视频细节识别、基于系列文档的执行。

在安全方面，CWE-bench是评估模型修复安全漏洞能力的基准。CWE-bench v1上，Gemini 4 Argon拿到68%，与其他模型并列第一。这个成绩接续了Google 上一代 Gemini 3.8 Flash Cyber在CWE-bench v0上的领先。

综合看，Argon的优势非常集中：知识工作、长上下文、多模态理解，以及部分科学和数学任务表现突出；但到了部分真实软件工程、终端操作和Computer Use测试里，GPT-6 Astra和Claude Opus 5.5仍然领先。

Google内部的规模化落地：三个案例值得看

相比benchmark，这次更新更有信息量的部分其实是Google披露的三组内部实践。其中有的已经部署，有的仍处于测试、审计和进入生产环境之前的验证阶段。

第一件：量子算法优化。Gemini 4 Argon正在帮助Google量子计算研究团队优化关键应用中瓶颈子程序的时空资源，也就是量子比特数量与量子门操作数量的综合开销。

Google举的一个案例是，Argon在几分钟内将一个公开基线方案提高了40%。这类案例离普通用户很远，但它说明Google开始尝试让模型参与高度专业化的算法优化，而不仅仅是生成代码或者搜索资料。

第二件：数据中心内存效率优化。一组Argon agents分析Google全球数据中心集群的性能分析遥测数据，自主寻找并应用内存优化方案。Google称，这些优化完成部署以后已经释放超过300 TiB内存，预计最终总节省规模可能达到500 TiB到1 PiB。

这是一个纯粹意义上的“AI agent 在生产环境规模化运行”的案例：任务的识别、方案的生成、代码的应用、结果的验证，都可以让agent参与。300 TiB量级的效果对应的是Google全球数据中心的运维成本节省。

第三件：C/C++到Rust的代码迁移。Argon agents正在参与Google内部的C/C++代码库向Rust的迁移，规模从核心库（例如 re2、libgav1）的几万行代码，一直到Fuchsia Zircon内核的超过80万行代码。Google特意强调，“因为这些系统本身非常关键，大规模重写仍然需要经过严格的自动化和人工审计、模拟测试以及代码审核，才能进入生产环境。”言下之意是，Argon在这条链路里的角色不是“最终决策者”，而是“起草者”。

以上三个案例里，libgav1 案例尤其值得看。libgav1是Google的开源视频解码软件。Argon agents拿到一个既有的Rust移植版本，替换了其中3.2万行SIMD代码。它的做法不是机械地把C++翻译成Rust，而是“多轮基于性能分析结果的实验，观察编译器输出，再生成能够让编译器自动进行向量化优化的安全Rust代码”。最终结果是：新版本保持相同的视频输出，同时比原来的Rust版本运行速度提高2.7倍，性能接近于经过优化的C++版本。

Cyber defense：一个战略方向

Gemini 4 Argon的另一个特殊之处，在于它的第一批用户。

Google并没有首先向所有开发者和消费者开放，而是先通过Fairwind Program向一批“可信的网络安全防御者”提供访问。Fairwind Program是Google此前推出的、面向政府和企业提供主动网络防御的项目。

更值得注意的是权限设计。Google明确表示，对于经过认证的可信防御者以及Google自己的内部团队，将提供“不带网络安全能力限制”的Argon，使这些防御人员能够调用它完整的前沿网络安全防御能力。

也就是说，同一个模型采取的是分层能力开放：普通访问受到网络安全护栏限制，而经过审核的防御机构可以获取更高权限。这类“可信访问”机制正在成为前沿网络安全模型的重要发布方式。它本质上试图解决一个矛盾现状：模型越擅长寻找和利用软件漏洞，对防御者越有价值，对攻击者也越危险。

Google给出的合作案例是Wiz。这家云安全公司通过它的“Scan for Good”项目保护关键公共基础设施，早期使用Argon就发现了一个“关键漏洞”，暴露了全球医院使用的医疗软件里的敏感个人信息，这个风险此前的frontier模型都没有识别出来。

在Wiz的内部黑盒渗透测试基准上（这个基准测试模型在没有源代码的情况下分析活跃Web系统的能力），Argon在攻击面发现、漏洞识别、生成proof-of-concept证据方面都超过了上一代Gemini 3.8 Flash Cyber（见下图）。在Google自己的内部综合漏洞benchmark上，Argon已经能够处理跨20种编程语言的复杂代码库。

把这条路线连起来看会更清楚：Gemini 3.8 Flash Cyber、Fairwind Program、再到Gemini 4 Argon，Google并不是临时给旗舰模型增加了一个Cyber benchmark，而是在持续建立一条面向高能力网络防御模型的产品路线。这可能是Argon所有垂直方向里，目前战略连续性最明显的一条。

在Argon面向更广泛用户开放之前，Google明确表示会继续加强四个方面的安全护栏。这是官方博客里除了产品能力之外篇幅最重的部分。

防止滥用。针对可能被恶意行为者用于网络攻击或CBRN（化学、生物、放射、核）攻击的场景，Argon被设计为拒绝有害请求，同时保留合法的、双重用途的科学研究能力。Google还表示，正在改进对模型内部激活状态的监控，用来识别潜在滥用。这套机制已经通过内部和外部红队的手动与自动攻击测试。

防止提示词注入。间接提示词注入，指的是通过恶意指令或上下文劫持模型行为。Google声明Argon是至今在提示词注入上最有抵抗力的模型。

在Gray Swan的间接提示词注入（IPI）测试中，Gemini 4 Argon在攻击者最多尝试15次的情况下，攻击成功率为0.7%，低于Claude Opus 5.5的1.0%、Gemini 3.8 Flash的5.5%和GPT-6 Astra的8.5%。这项指标越低越好，衡量的是Agent在读取网页、邮件、文档等外部内容时，被其中隐藏的恶意指令劫持的概率。

监控目标偏离。Google表示，为了避免Argon为了完成任务而“越界”，正在部署一套同时监控其推理过程和实际行动的机制，在必要情况下直接停止执行。类似机制也被Google用于模型训练过程中：系统会向专门的事件响应团队发出警报，同时Google称会谨慎避免把监控发现直接反馈回训练，以免训练过程反过来塑造模型的推理，让其学会规避监控。

在这里，Google还公开呼吁整个行业在模型能力快速提高的阶段保留足够的“推理透明度”，让模型的推理信息仍然可以被用于识别和诊断目标偏离。

加固系统。第四道不是模型本身，而是模型工作的环境。Google表示，随着前沿模型能力提高，高风险训练和评估本身也需要更安全的沙箱环境。在相关任务开始之前，Google会进一步隔离和封闭这些环境，并表示会把Agent安全方面的实践与合作伙伴分享。

定价与分发路径

Argon的首发定价也相当值得看。

介绍期内，每百万输入token 2 美元、每百万输出token 10 美元，缓存输入token按输入价的5%计价（即95%折）。介绍期结束后，价格调整为每百万输入4美元、输出20美元。

这个首发价格在前沿模型里属于偏低的位置。对比可见，目前Claude Opus 5.5标准API价格是4美元输入、20美元输出；Claude Sonnet 5.5则是2美元输入、10美元输出。也就是说，Argon的介绍价实际上与Sonnet 5.5处在同一档，约为Opus 5.5的一半；而介绍期结束以后，其4/20美元的价格会直接进入Opus 5.5所在的价格区间。

OpenAI这边也已经形成明显的价格分层：GPT-6 Astra标准价为10美元输入、50美元输出，GPT-6 Sol则为2美元输入、10美元输出。因此Argon首发价格大致与GPT-6 Sol处于同档，明显低于Astra，但并不是一种“突破整个行业价格体系”的定价。

分发方式同样很特殊。目前Argon首先向Fairwind Program中的可信网络安全防御者和一批可信测试者开放；接下来是付费API客户和Google AI Ultra订阅者；再往后是开发者、企业客户、以及消费者。Google明确说，“正在参与美国政府针对模型预发布访问的自愿机制，在收集早期测试者反馈、继续调整安全护栏之后，再扩大开放范围”。

Argon的分阶段策略更接近Anthropic一贯的做法，也接近OpenAI近期对GPT-5 系列的处理方式，可见这是frontier AI行业在2026年下半年出现的共同趋势：顶级能力发布放缓、优先给高信任度合作伙伴、再逐步扩散。