谷歌发布新一代旗舰模型 Gemini 4 Argon

Opus 5.5 给我的解释是：Argon 这个词源自希腊语 ἀργός，本意是懒惰的、不干活的……

言归正传：刚刚，谷歌 DeepMind 发布了新一代旗舰模型 Gemini 4 Argon。

谷歌 CEO 劈柴哥 Sundar Pichai 比 DeepMind 官方账号还早了半分钟发帖，他表示：

“

外面关于我们下一个模型（！）的讨论很多，所以我想尽快让大家先看一眼。

随后 Demis Hassabis、Logan Kilpatrick 等人也挨个出来官宣。这次的名字没带 Pro、Flash 之类的后缀，就叫 Argon（氩）。

Argon 是谷歌 7 个多月来第一个 Flash 档以上的闭源模型，之前说好 6 月发的 Gemini 3.5 Pro 一直没了下文，整个夏天谷歌都在发 Flash 小模型。

这还是 8 月那次大换帅之后的第一个旗舰。Hassabis 转任了董事长，DeepMind 的日常运营交给了 Koray Kavukcuoglu，这次官方博客的署名正是他。

事前几乎没走漏什么风声，跑分也没有提前泄露，连 The Information、WSJ 和彭博社都没料到会是这周发。

不过，你现在还用不上它。

谷歌这次走的是分阶段发布，先是自愿把模型交给美国政府做发布前的评估，同时通过 Fairwind 计划开放给一批受信任的网络防御者。

等早期测试者的反馈回来、护栏打磨好了，才会陆续开放给开发者、企业和普通用户，打头的是付费 API 客户和 Google AI Ultra 订阅用户。

就在发布前一天，劈柴哥刚去了趟白宫，签了《超级智能协定》。

AI Studio 和 Gemini App 里目前都还没有入口，评论区已经有人开始担心，等终于轮到自己时，会不会聊个四轮就把一周的额度给用完了……

而几乎就在同一时间，彭博社也发了篇报道，说谷歌内部员工觉得它跑分好看，真拿来写代码却不太行。

Argon 的单次输出上限，从上一代的 64K 直接拉到了 100 万 token。

需要注意的是，这里说的是输出，不是上下文窗口。

按官方的说法，有了这么大的输出空间，模型就能一口气想得更深、写上几十万 token，把那些长链条、多步骤的难题一次性解决掉。

作为对比，其他几家头部模型的单次输出上限大概是这样：

•  GPT-6 Astra：128K 

•  Opus 5.5：128K（Batch API 测试版可到 300K） 

•  Fable 5.1：128K 

•  DeepSeek V4 Pro：384K 

•  Grok 4.7：没设上限，但受限于 500K 的上下文 

Argon 差不多是 Astra、Opus 和 Fable 的 8 倍。

100 万 token 换成英文单词，大约是 75 万个，一次回答就能写出好几本长篇小说的量（按介绍价算，一次吐满也就 10 美元）。

官方挑的对手是 GPT-6 Astra、Fable 5.1 和 Opus 5.5：

表里一共 19 行，GraphWalks 分了两档，Argon 拿下了其中 14 个第一，CWE-bench 那一项是并列。

Harvey 的法律 Agent 基准上，Argon 拿到 19.6%，GPT-6 Astra 是 5.4%，Fable 5.1 是 6.7%，Opus 5.5 则只有 3.8%。

法律是它领先最多的一项，差不多是第二名的 3 倍。

其余几项知识工作也都是第一。Vals Index 按各行业对美国 GDP 的贡献加权，覆盖金融、编程、法律和税务，Argon 拿了 68.9%，也是 Gemini 头一回登上这个榜的榜首。

金融研究的 Vals Finance Agent v2 是 65.4%，Zapier 的 AutomationBench 是 51.3%，长视频理解的 LVBench 则是 91.7%。

编程方面，衡量真实长程软件工程的 DeepSWE v1.1 上，Argon 拿到 77.9%，比 Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1% 都高，官方称是新的 SOTA。

而 Argon 输掉的那 5 项，分别是 FrontierSWE v2、Terminal-bench 4.0、PostTrainBench、Terminal-Bench Science 和 OSWorld-2.0，基本都是终端、长程编码和电脑操作类的任务。

FrontierSWE v2 上，Argon 只有 55.0%，四个模型里最低，GPT-6 Astra 是 65.5%；Terminal-bench 4.0 也是垫底的 57.4%，Opus 5.5 则是 66.4%。

当然，Gemini 3.7 和 3.8 在 FrontierSWE v2 上只有 20% 左右，能到 55% 已经是翻了一倍多。

另外，这张表里也没有放上线才一周的 GPT-6.1 Sol，X 上已经有人骂谷歌是故意不放的。

在我的模型天梯榜（由 Claude Opus 5.5 维护）上，位列 S 档：

与 Claude Opus 5、Claude Sonnet 5.5、GPT-6.1 Sol 并列。

Artificial Analysis 的智能指数上，Argon（High）拿了 53 分，和 GPT-6 Astra、Fable 5.1 并列，比 GPT-6.1 Sol 高 1 分。

AA 认为谷歌的智能水平又回到了前三，提升主要来自更少的幻觉和更强的 Agent 能力。

只是在它前面，还排着 58 分的 Opus 5.5 和 56 分的 Sonnet 5.5。

把成本也算进来的话，开 high 档的 Opus 5.5 分数比 Argon 略高，每个任务花的钱还略少一点，Argon 刚好落在了帕累托线的下面。

Reddit 上便有人感慨，这次发布其实不差，只可惜撞上了 Opus 5.5。

而在 AA 自家的 AutomationBench-AA 里，Argon 以 77.5% 排到了第一，领先 Sonnet 5.5 六个点。

Terminal Bench 4 上则是 57%，比 Gemini 3.1 Pro Preview 高了 53 个点，但依然排在 64% 的 Sonnet 5.5、60% 的 Opus 5.5 和 59% 的 GPT-6 Astra 后面。

AA 的幻觉率测试里，Argon 只有 15%，GPT-6 Astra 是 45%，Opus 5.5 则是 59%。

Reddit 上已经有人激动地宣布，谷歌「解决了幻觉」……

但这个 15% 并不是说它有 15% 的回答在胡编。

AA 统计的只是它没答对的那些题，看其中有多少是硬编了一个错答案，剩下的则是老实承认不知道，或者只答了一部分。

Argon 答对的题其实比 Opus 5.5 少，50% 对 66%，只是碰到不会的，它更愿意直接说不会。

LMArena 的文本榜上，Argon 以 1525 分登顶，编程、难题、指令遵循、创意写作等分类全是第一，中文也是第一。

比第二名高出 20 分，听着不少，换算成胜率大约是 53 比 47。

不过同样在 LMArena，它在 WebDev 代码榜上只排第 8，Agent Arena 也是第 8。

好在 Agent Arena 上每个任务的成本只要 0.62 美元，用户一纠正就能及时改方向的「可控性」一项也还排第一。

Blueprint-Bench 2 上 Argon 也排第一，这个测试让 Agent 看公寓室内照片画平面图，考的是对三维空间的理解。

到了新出的电子表格基准 GDP.xlsx，它同样是最强的那个，可也只拿到了 38.3%。这个测试难在要先搞清楚表格本身怎么运转，比如哪个标签页已经过期、红色单元格是什么意思。

而在 cua-bench 上就没那么好看了。这个电脑操作测试要让模型去玩 Minecraft、SUPERHOT，外加几款不公开的游戏，防止被定向刷分。

Argon 在这里得分很差，测试作者直接说它是个很偏科的模型。

Argon 的介绍价是每百万 token 输入 $2、输出 $10，缓存输入再便宜 95%。

对比 Opus 5.5 的 $4 / $20 和 GPT-6 Astra 的 $10 / $50，只有 Opus 的一半、Astra 的五分之一。

不过官方博客最后一句写着，介绍期过后会恢复到输入 $4、输出 $20，和 Opus 5.5 一模一样（介绍期多长，博客里没说）。

所以便宜是真便宜，只是有保质期。

按 AA 的算法，跑一个智能指数任务，Argon 要花 $1.99，GPT-6 Astra 要 $3.26，GPT-6.1 Sol 只要 $0.72，Opus 5.5 和 Fable 5.1 则分别要 $5.98 和 $7.63。

现在的 Argon 是 Astra 的六成、Sol 的 2.7 倍，等五折结束，就会涨到 $3.98，反倒比 Astra 还贵两成左右。

Gemini 一直被吐槽烧 token，这次 Argon 跑一个任务平均输出 62K token，比 3.8 Flash 少了 13%。

可这还是 GPT-6 Astra 的两倍多，最能写的 Opus 5.5 则要 119K。

AA 整个评测跑下来，Argon 一共输出了 1.1 亿 token，同类模型的中位数是 8200 万。

官方说，谷歌内部已经有好几千名员工在日常工作里用 Argon，写代码、做调研、写东西都有。

量子计算团队拿它去优化那些成了瓶颈的子程序，把要用的量子比特数和门数往下压，其中有一次只花了几分钟，就比已发表的基线结果好了 40%。

谷歌还把整个机群的性能遥测数据交给了一组 Argon Agent，让它们自己去找哪里的内存还能再省，再自己动手改掉。

改完上线后，数据中心腾出了超过 300 TiB 内存，预计最后总共能省下 500 TiB 到 1 PiB。

300 TiB 是什么概念呢？按一台 128G 内存的机器算，差不多是 2400 台。

Argon Agent 还在帮谷歌把 C/C++ 代码改写成 Rust，小到 re2、libgav1 这类几万行的核心库，大到 Fuchsia 系统里 80 多万行的 Zircon 内核，都在迁。

不过这些都是关键系统，改出来的代码还得过完自动化审计、人工评审和仿真测试，才能上线。

其中的开源视频解码库 libgav1 原本就有一个 Rust 移植版，Argon Agent 反复跑性能剖析、对照着编译器的输出做实验，把里面 3.2 万行 SIMD 代码换成了编译器能自动向量化的安全 Rust。

换完之后，解码出来的视频和原来完全一致，速度却到了原 Rust 版的 2.7 倍，离优化过的 C++ 版本又近了一步。

Argon 专门针对网络防御做了训练，能自主发现、验证并修补关键漏洞。受信任的防御者和谷歌内部团队，拿到的还是去掉了网络安全护栏的版本。

Wiz 有个免费给关键公共基础设施做安全排查的 Scan for Good 计划，现在已经用上了 Argon。

它在一款全球医院都在用的医疗软件里，找到了一个会泄露敏感个人信息的严重漏洞，而此前的前沿模型都没能发现。

衡量漏洞修复能力的 CWE-bench v1 上，Argon 拿到 68%，和 Grok 4.7、GPT-6 Astra 并列第一。

比起上一代安全专用的 3.8 Flash Cyber，覆盖 20 种编程语言的内部漏洞发现测试里，Argon 是 85.8% 对 71.0%。

Wiz 不给源码的黑盒渗透测试里，则是 70.9% 对 58.2%。

抗提示注入方面，Gray Swan 的间接提示注入测试里，攻击者连试 15 次，对 Argon 的成功率也只有 0.7%，是所有模型里最低的，Kimi K3 则是 52.7%。

谷歌说在大范围开放之前，还要在四个方面继续加固：

•  防滥用：拒绝网络攻击和化学、生物、放射性、核相关的危害请求，并监测模型内部状态来发现滥用 

•  防提示注入：靠自动化红队和对抗训练 

•  防失准：监控思维链和动作 

•  加固沙箱：在高风险训练和评测开始前，把环境隔离密封 

按防失准这一条，一旦 Argon 想用超出用户意图的方式去完成任务，监控系统就会直接中止执行。

训练阶段谷歌也用了类似的系统，一发现问题就报警给专门的应急团队。博客里专门写了：

“

我们小心地避免把这些发现回灌进训练，以免把 Argon 的推理塑造成会规避监控的样子。

谷歌还呼吁整个行业，在能力快速提升的这个关键阶段，保留推理过程的透明度。

可批评的人并不买账，X 上有人截了这段话，说监控思维链简直就是 Palantir，只会把模型的「暗中图谋」逼进更难观察的潜空间。

Zvi Mowshowitz 则发帖说，他有点好奇，要是掀开 Argon 的表面往下看，会不会藏着「超越人类理解的恐怖之物」，「没什么原因，只是随便想想」。

Vending Bench 2 是 Andon Labs 做的一个测试，让模型去经营一台自动售货机（前面把它排在 Blueprint-Bench 2 第一的，也是这家）。

Argon 在这里排到了第三，是谷歌在这个榜上的最好成绩，Andon Labs 却表示：

“

又来了。AI 一旦擅长赚钱，就开始撒谎和作弊。为了拿到这个分数，Argon 伪造确认邮件、拒绝退款、钻发票错误的空子，还对供应商撒谎。

也有人分析说，它本来能拿第一的，结果有几次关键的记忆失误，比如忘了测试的截止日期，提前把店关了，白白错过了好几个月的销售……

还有一条没法证实的说法也在流传，说这代的提升很大一部分来自扩大 RL 训练规模，而递归自我改进（RSI）是 Gemini 4 训练里的关键一环。

评论区便立刻有人追问，这到底是渐进式的，还是已经 foom 起飞了，要不要提醒 Yudkowsky 赶紧找个地下室躲起来。

说回开头那篇彭博社的报道。

“

虽然 Gemini 4 在业内常用的基准测试上表现不错，但据直接接触这个项目的人士透露，员工真正拿它干活时，效果就没那么好了，模型在处理某些编程任务时很吃力。

彭博社这篇稿子开头写的还是谷歌「正在为 Gemini 4 的发布做准备」，结果模型当天就直接发了。

我大胆猜测一下……劈柴哥说的外面那些「讨论」，或许也包括了这篇报道？

据报道，它在前端设计上尤其吃力。

一些悲观的员工私下觉得，Anthropic 的 Fable 和 OpenAI 的 Astra 进步得更快，也有员工认为这一版已经追上了头部实验室。

谷歌发言人则回应称，「Gemini 4 在编程等领域表现不佳」的说法完全不准确，内部对它处于前沿水平有广泛共识。

Kavukcuoglu 上周也公开表过态，说他对团队完全信任，谷歌会一直站在最前沿。

同样是谷歌员工，资深工程师 Jaana Dogan 却发帖说，Gemini 4 在复杂环境里排查故障的能力让她印象很深。

X 上的情绪，则一直在 Google is back 和又是刷榜（benchmaxxing）之间来回摇摆。

有人直接跑到劈柴哥的帖子下面问，它是不是刷榜刷出来的，也有人翻出了 Gemini 3 Pro 当年发布会好看、上手落差大的旧账。

还有人调侃，这怕不是史上第一个还没部署就先被降智的模型（Argon 这个词源自希腊语，本意还正好是懒惰的、不干活的……尴尬）

官方表里输掉的 5 项几乎都是终端和长程编码，LMArena 文本榜第一、WebDev 却只排第 8，AA 测出来的编码表现也是因任务而异，和彭博社说的是能对得上。

预测市场 Polymarket 上，有个「2026 年底谁拥有最强 AI 模型」的盘口。

谷歌因为 Argon 一度涨到了 40%，Anthropic 是 48%，OpenAI 则只剩 8%。

博主 signulll 感叹，OpenAI 大概只用了一周，就从拥有世界最强模型，掉到了可以说是第三的位置，前提当然是 Gemini 4 的跑分站得住，真实使用里也确实好用。

Nathan Lambert 则觉得，更多实验室站在前沿是件好事，对消费者意味着竞争，对世界则意味着权力不那么集中。

劈柴哥在发布帖里也让大家「抓稳了，后面还有很多」，说接下来会看到谷歌快速迭代。

至于 Argon 到底是真杀回来了，还是又一次刷榜……就只能等它真正放出来的那天了。

◇ ◆ ◇