刚刚， Google 发布了 Gemini 4 家族首个模型 Gemini 4 Argon。
从官方给出的案例和测试结果看，这次升级的重点并不是单纯把模型“做得更聪明”，而是把 Gemini 的能力进一步推向长时间、多步骤、自主执行的真实工作流。
也就是需要长时间推理、调用工具、跨多个步骤持续推进的复杂任务。
比如，重构数百万行代码，分析财务和法律文件，网络安全、量子计算、核聚变、机器人和药物研发等。
Google称，Argon 在覆盖金融、编程、法律、税务等关键经济领域的 Vals Index 中，排名第一。
而且， Google这次没有只拿传统 benchmark 说事，而是给出了大量已经发生的真实工作案例。
在 Google 内部，Argon 已经用于最复杂的软件工程任务。
在 Antigravity 中，工程团队使用 Argon 后，agentic code submissions 增加超过35%，代码 rollback 减少近三分之一。
Chrome 团队交给的 Argon 的任务是，从 Chromium 约4000万行代码中，处理一个约600万行的历史代码目录，将网页核心处理逻辑与浏览器功能代码拆分。
Argon 可以连续处理多个代码修改，最终完成涉及数百个文件的架构重构。Google表示，这项原本需要数月的工作被压缩到数周。
另一个案例来自Google的Agent Development Kit。
团队只给 Argon 一份 .agents/skills 规则和一个目标：在不破坏现有应用的情况下消除框架开销。
Argon 自主运行一整晚，找到并实施了多项优化，目前已经进入开源代码库，使长会话中的内存 session 准备时间降低40%，冷启动 import 时间提高21%。
在科学计算领域，Argon同样展示了这种“直接改造真实代码”的能力。Google研究人员用它优化开源量子化学软件 xTB，使分子结构预测速度最高提升2.3倍，构象搜索速度提升1.8倍；这些修改已经提交到官方 GitHub 项目。
甚至 Google 自己的 Gemma 模型也成为了 Argon 的“优化对象”。
利用 Argon，Google 将 Gemma 4 E2B 在 A100 上通过 vLLM 的端到端推理速度从约37,900 token/s 提升到超过108,000 token/s，达到2.85倍提升，同时保持100%的 token parity 和零质量下降。
Google表示，这类优化通常需要数月，而这次只用了几天。
Argon的另一个明显升级，是视觉理解、空间推理和代码生成开始真正结合起来。
Google展示的案例中，Argon可以通过多智能体视觉批评循环，在 Blender 中自主雕刻出包含多个建筑、植被和灯光的高精度寺庙模型；也可以把真实桌面的照片转化成一个可以玩的微缩赛车游戏：桌面物体、房间和赛道通过 Blender MCP 建模并完成碰撞检测，再结合 Nano Banana、Three.js、物理引擎、着色器和音频生成完成整个游戏。
另一个演示案例是， Argon在没有任何外部库的情况下，仅使用纯 Python，自行编写3D ray-tracing engine、视频工具和音频混音器，从零构建一个阳光图书馆，并完成视频生成、旁白和音乐组合。
这种能力也开始进入专业工作。
Google表示，Argon在法律、金融、科学等领域结合推理、视觉理解、领域知识和长上下文能力，可以处理复杂的多模态文档、纵向数据以及交互式分析环境。
官方特别强调称，它比此前 Gemini 更直接，减少不必要的 hedging、重复和套话，并更好地遵循用户指定的写作风格。
来自企业客户的测试也给出了不少具体数据。
Deloitte 全球AI和数据负责人Gopal Srinivasan 表示，在他们的测试中，Argon面对长时间运行的任务，成功率达到100%，能够持续保持上下文并跨多个工具执行任务。
他称，这种在没有大量预先逻辑和指令的情况下进行深入领域推理的能力，是他们此前没有在同类模型中见过的。
Box AI 产品副总裁Yashodha Bhavnani 表示，在 Box 的评测中，Argon 相比 Gemini 3.1 Pro 准确率提高14%，能够连接整个文档集合中的证据，包括图表里的信息，并完成多步骤分析。
Kepler 软件工程师 Glenn LeBlanc 表示，在他们的核心金融分析 benchmark 中，包括从 SEC 文件直接构建多年财务报表、对复杂资本结构和并购交易进行估值等任务，Gemini 4 的结果与分析师人工构建的参考模型相比，超过99%的数字一致；最复杂工作流中的多数任务达到 frontier 水平。
法律领域则出现了一个更有意思的案例。MinutaIA CEO Caio Perona 表示，在一次测试中，Argon通过连接日期、文件、财务计算和法律判例形成论证，最终找到了人类专家答案中遗漏的一项具有法律意义的细节。
在科学研究方面，Argon也开始从“回答问题”进入“帮助完成研究”。
Google量子计算团队利用 Argon 将内部 AlphaQubit 量子纠错解码器转换成一个高度优化的硬件 kernel，使推理吞吐量接近翻倍。
另一个由 Argon 编写并通过 Lean 正式验证的 arcsin 实现，将时空成本相较已发表的 quantum CORDIC baseline 降低超过100倍。
核聚变领域，Google与马里兰大学教授 Matt Landreman 合作，利用 Argon 发现了更广泛的一类 Grad conjecture 反例，为 stellarator 模拟提供新的可靠测试基准。
在罕见病研究中，Gamow Labs 使用 Argon 分析新生儿罕见发育性肺疾病的去标识化基因组数据。
其中一个案例里，Argon发现了常规软件多年没有发现的染色体重排，并解释了为什么此前没有被识别。
在其内部评测中，Argon在 RareBench 上获得57%的罕见病诊断辅助成绩，在 LabBench 上获得52.2%的湿实验推理成绩。
酶设计则更加接近“AI直接参与实验”。Google科学家让 Argon针对一种用于回收、制药、生物燃料和洗涤剂生产的 serine esterase 进行设计。Argon在数小时内完成数据整理、模型调优和多轮生化筛选，最终提出5种新的设计；后续实验室测试确认这些设计都具有稳定的催化活性。
机器人也是 Argon此次重点展示的方向。它在 Embodied Reasoning（ERQA）benchmark 上获得87%，Google称其超过其他 frontier models。
Google还展示了一条颇有代表性的“Video-to-Sim-to-Real”流程：Argon观看一个人玩 cornhole 的普通视频，理解环境空间坐标，计算人体关节运动，自动生成模拟代码，再把训练结果迁移到 Apptronik 的 Apollo 人形机器人上。实际测试中，机器人连续投进7球。
Google表示，这一流程可以把原本需要数周的人工仿真建模，压缩到数小时。
在安全方面，Argon也针对更强的 agent 能力增加了新的防护机制。
Google表示，在外部生物安全红队测试中，测试人员能够突破的 bio sub-tasks 不到1%；在专门测试危险请求的 adversarial set 中，违规率相比此前 Gemini 模型下降接近一半。
针对 agent 自主执行过程中可能出现的“走捷径”，Google训练 Argon 遵守系统边界、诚实报告失败，并在不可逆操作前请求人工确认。在相关 coding benchmark 中，shortcut attempts 降至2%。
针对网页、邮件和代码中的隐蔽 prompt injection，Argon 在 Gray Swan Indirect Prompt Injection benchmark 中，将15次自适应攻击的成功率降至0.7%。
Argon还拥有一个1 million unified input-output token 的上下文能力，这意味着输入和输出共享一个百万 token 的统一额度。Google同时推出新的 continuation protocol，用来支持模型处理更长时间、更复杂的 agentic 工作。
Gemini 4 Argon 今天已经全球开放。
开发者和企业可以通过 API 在 AI Studio 和 Gemini 平台使用；Google AI Ultra 用户可以在 Google Antigravity 中使用。
Gemini App 和 Search 中的 AI Mode 则向 Google AI Ultra 和 Pro 用户开放。
API 首发价格为每百万输入token 2美元、每百万输出 token 10美元，缓存输入token价格降低 95%。
