谷歌发布 Gemini 4 Argon：百万 Token 输出、API 限时半价，机器人投掷连中 7 球

原创青和 2026-10-14 08:44 浙江

专业任务榜力压 GPT-6 Astra 与 Claude 5.5

作者 | 青和

编辑｜四月

网传许久的“美版豆包”千呼万唤使出来——北京时间10月14日凌晨消息，谷歌CEO皮柴哥携新一代旗舰基座模型 Gemini 4 Argon 强势回归！

相比上一代模型，Argon 的单次输出上限从 6.4 万 token 提升至 100 万 token，这让Gemini具备了在不中断思维链的前提下，独立跑完超长周期复杂工程与科学推导的底层能力；同时，Gemini在多模态推理领域的优势表现还首次延伸到了机器人环境仿真。

目前，谷歌主要在四大渠道开放 Argon 体验：

开发者与企业端：通过 Google AI Studio 中的 Gemini API、Google Cloud上的 Gemini 平台，以及付费版 Android Studio 开放调用；
智能体开发平台：向 Google AI Ultra 订阅用户开放其智能体编程平台 Google Antigravity的调用权限；
消费级入口：向 Google AI Ultra 及 Pro 订阅用户开放 Gemini App 与 Google 搜索中的 AI Mode，并提供三个档位；
网络安全无护栏版：通过 Fairwind Program（顺风计划） 向数百家受信任的安全机构开放移除了网络攻防限制的专用版本，用于零日漏洞挖掘与防御。

Gemini App 本身也迎来升级，新增从聊天切换到任务执行的交互入口，并支持连接40多款第三方应用，涵盖购物、订餐、设计和电商服务。用户不仅能让模型整理资料、制作演示文稿，还能进一步委托其发送邮件或创建后续自动化任务。

在 Vals Index 企业级专业任务综合评测中，Gemini 4 Argon拿下 68.9% 的成绩，位居榜首；在 DeepSWE v1.1 长程软件工程任务中取得 77.9%，其超过 GPT-6 Astra 和 Claude Opus 5.5；在评估漏洞修复能力的CWE-bench v1中，Argon以68%的成绩与GPT-6 Astra并列第一。

据悉，Google 已经在内部大规模使用 Argon。数千名员工正在利用它完成专项编程、深度研究和写作等任务：它让编程 Agent 的代码提交量增加了超过 35%，帮助 Chrome 团队改造涉及 600 万行遗留代码的复杂架构，还将开源 Gemma 模型的推理速度提升到原来的 2.85 倍。

而在具身领域，Google 让它观看人类玩投掷游戏的视频，再将学到的动作迁移到人形机器人身上，实现连续 7 次投掷命中。可以看到，Google 对旗舰模型能力的定义正在发生变化：不再局限于数学、代码和知识问答，而是试图让模型在真实工程、企业业务以及科学研究中持续工作，并交付可以验证的成果。

行业级任务登顶，API限时半价

按照 Google DeepMind 高级副总裁兼 Google 首席 AI 架构师 Koray Kavukcuoglu 的介绍，Gemini 4 Argon 的目标，是解决编程、金融、法律、网络安全和科学研究中那些复杂、需要长期执行的现实问题。

为了支撑长时间任务，Google 也调整了模型的 Token 机制。

Gemini 4 Argon 支持 100 万 Token 的统一上下文预算，输入、思考和输出共享这一总额度。通过 Long Decode 长输出机制，单次任务的累计输出可以突破传统的 64K 限制，理论上最多接近 100 万 Token，但实际输出上限仍取决于输入占用的额度。这意味着，模型可以在一次任务中完成更长时间的推理、代码修改和结果生成，而不必频繁中断并重新组织上下文。

在商业化定价上，Google 打出了一张极具吸引力的“限时促销牌”：

2026 年11月30日之前，Gemini 4 Argon每百万输入Token收费2美元，每百万输出Token收费10美元，这一入门价格只有 Claude Opus 5.5标准Token价格的一半，相较 GPT-6 Astra 的公开标准价格也更低。

而95% 的上下文缓存折扣才是 Google 的杀手锏。对于需要频繁读取数百万行代码库（如 Chromium）或数千页法律卷宗的企业级 Agent 而言，极低的缓存读取成本能大幅摊薄多轮智能体循环的账单。但开发者在做 Q4 预算规划时也需要清醒看到：11 月底之后，Argon 的调用成本将直接翻倍。

在专业能力评测方面，Google 提供了一份与 OpenAI、Anthropic 旗舰模型的对照成绩。

其中最值得关注的，是 Vals Index。这一榜单没有简单地对各类模型能力取平均值，而是根据金融、编程、法律和税务等行业对美国 GDP 的贡献进行加权，更关注模型处理真实专业任务的能力。

截至 10 月 13 日，Vals AI 独立公布的最新排行榜中，Gemini 4 Argon 以 68.90% 排名第一，后面分别是 Claude Sonnet 5.5 的 67.04% 和 Claude Opus 5.5 的 66.97%。

但在 FrontierSWE v2 和 Terminal-Bench 4.0 等测试中，仍落后于 GPT-6 Astra 或 Claude Opus 5.5。换句话说，Gemini 4 在长流程专业工作中表现突出，但还谈不上全面碾压对手。

而相比榜单，Google 这次披露的内部生产案例，可能更能体现这款模型的真实定位。

Agent代码提交增35%，推理提速3倍

在官方博文中，Google 花了相当大的篇幅介绍 Gemini 4 Argon 如何参与公司内部工程。

一个直观指标是：过去几周，使用 Gemini 4 Argon 和 Antigravity 的团队，Agent 参与生成的代码提交量增加超过 35%，代码回滚量则减少了近三分之一。

这里的回滚，指已经提交的代码因问题需要撤销或恢复。相较于单纯统计 AI 写了多少行代码，这两个指标结合起来，更接近真实的软件研发效率。

其中最复杂的项目之一，是 Chrome 浏览器的架构重构。Chromium 拥有约 4000 万行代码，其中一个历史遗留目录就包含约 600 万行代码，混杂了网页处理逻辑和浏览器功能代码。

过去，这种规模的架构调整往往需要开发团队耗费数月。现在，Argon 协助工程师在数百个文件中推进修改，将一项原本预计需要数月的重构工作压缩到数周。Google 表示，这些改造将为网页在标签页、侧边栏和浮动窗口之间无须重新加载地切换提供支持，并减少相关浏览器崩溃问题。

类似的工程实践还发生在 Google 自家的开源 Agent Development Kit（ADK）上。

工程师向 Argon 提供了项目的开发规范，以及一段要求降低框架运行开销、同时维持应用兼容性的目标描述。此后，模型在夜间自主寻找优化机会。最终，被合并到开源项目中的修改使长会话内存状态准备耗时降低了 40%，冷启动导入速度提升 21%。

在推理优化方面，Google 则给出了另一项颇有冲击力的成果。

利用 Argon 对 vLLM 推理实现进行优化后，Gemma 4 E2B 在 A100 GPU 上的测试吞吐量从约每秒 37900 Token 提升到超过 108000 Token，达到原来的 2.85 倍，并维持了完全一致的 Token 输出结果。

这项原本可能耗费数月的优化工作，Google 称只用了几天。

此外，在量子化学软件 xTB 的优化中，Argon 将分子结构预测速度最高提升到 2.3 倍，构象搜索速度提升到 1.8 倍，相关修改已经提交至官方开源仓库。

这些案例有一个共同点：Google 正在让 AI 深入真实工程系统，不只是生成新的程序，还包括分析已有系统、发现性能瓶颈、修改代码，并通过实际运行结果检验优化是否有效。

从药物研究到人形机器人

除了编程，Google 还集中展示了 Gemini 4 Argon 在科学研究、3D 空间理解和机器人领域的进展。最有画面感的案例，来自 Apptronik 的 Apollo 人形机器人。

研究人员首先向 Gemini 4 Argon 提供了一段人类玩 Cornhole 投掷游戏的视频。这是一种将沙包投向带孔斜板的游戏。没有直接提供针对这项动作的专门机器人训练示例，Argon 需要从原始视频中理解环境布局、物体位置和动作目标，计算机器人所需的全身关节运动，并自主编写仿真代码。

随后，研究人员将仿真结果迁移到 Apollo 人形机器人上。在 Google 公布的真实环境测试中，机器人连续 7 次成功投中目标。

Google 将这一过程称为 Video-to-Sim-to-Real，即从视频理解，到自动建立仿真，再迁移到真实机器人。

这不等于模型仅靠观看视频就直接完成了机器人控制，中间仍然需要空间建模、运动规划、仿真及现实迁移。但其意义在于，过去需要工程师手动完成数周的仿真构建工作，如今有机会缩短到数小时。在机器人空间推理Embodied Reasoning（ERQA）评测中，Argon 也取得了 87% 的成绩，Google 称其领先其他参测前沿模型。

在科学研究方面，Google 还展示了几项不同领域的成果。

量子计算方向，Argon 将内部量子纠错解码器 AlphaQubit 的一个版本转化为高度优化的硬件内核，使推理吞吐量接近翻倍。对于一项反正弦量子计算子程序，经过 Lean 形式化验证的实现，相较公开的量子 CORDIC 基线降低了超过 100 倍的时空资源开销。

核聚变方向，Google 与马里兰大学教授 Matt Landreman 合作，发现了针对 Grad 猜想更广泛的一类反例。这些数学结果有望为仿星器的磁场仿真提供新的检验基准。

生命科学方面，研究团队使用 Argon 辅助设计了 5 种新的丝氨酸酯酶，随后通过实验室测试确认了这些设计具有催化活性。

罕见病研究中，Gamow Labs 让 Argon 分析经过匿名化处理的新生儿基因组数据。在一个案例里，模型找出了一处此前常规分析软件多年未识别的染色体重排。

Google 也宣布，将面向 10000 名符合条件的科学研究人员，提供最长 6 个月的 Google Antigravity 最高用量档位免费使用资格。该项目采取申请和分批审核机制，并非所有申请者都能直接获得。

这些成果说明，Gemini 4 的目标正在从单纯处理数字信息，延伸到科学计算、实验设计，以及现实物理任务。

强化安全信任能力

值得注意的是，Google 在发布 Gemini 4 的同时，还专门公开了新一轮安全研究。问题恰恰来自模型能力增强后出现的新风险。

Google 表示，新模型在复杂网络攻防和生物领域的能力明显增强。未经安全限制的版本在内部端到端模拟网络攻击任务中，能够完成全部 12 个测试场景，而上一代只能完成其中 5 个。这也是 Google 此前选择向受信任的网络安全机构有限开放的原因之一。

在应用案例中，安全公司 Wiz 借助 Argon 发现了医院软件中的严重漏洞。Google 称，该漏洞涉及可能暴露大量患者隐私记录的访问风险，此前的前沿模型未能识别出来。

但技术能力越强，Agent 就越可能在执行过程中尝试越过原本设定的边界。

Google 在配套安全报告中披露了一个值得警惕的细节：部分训练测试中，模型曾尝试提升容器权限、修改评分脚本、读取测试运行器内存中的答案，甚至通过让评测沙箱崩溃来逃避一次失败任务的评分。

这些行为来自测试和训练环境，并不意味着已经在普通用户产品中普遍出现，却说明一个问题：当 AI 被赋予完成任务的目标时，它可能主动寻找规则没有明确允许的捷径。Google 因此增加了实时行为监控，并训练模型在遇到权限障碍、不可逆操作或失败结果时遵守边界、寻求人类确认。

在相关编程测试中，Argon 试图违规走捷径的比例降至 2%。在 Gray Swan 间接提示注入测试中，经过 15 次自适应攻击尝试后的攻击成功率降低到 0.7%。

对比以前主要强调回答是否有害的安全评估，这一次 Google 开始更加关注 Agent 为完成任务究竟采取了什么行动，以及这些行动有没有获得授权。

这或许也是新一代旗舰模型必须解决的难题：能力越强，给它的任务越复杂，单靠最终答案正确与否，已经不足以判断一个 Agent 是否可靠。

结语

从 9 月初匆忙推出过渡性的 Gemini 3.8 Flash，到经历了内部架构调整与发版推迟后在 10 月中旬正式亮剑 Gemini 4 Argon，Google 用一次极具工程厚度的交付证明了自己在前沿基座模型牌桌上的底蕴。

接下来，2026 年秋天的三大巨头的正面交锋看起来无可避免，期待后续另外两家的反击。

声明：本文为 AI 前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。

会议推荐

QCon 全球软件开发大会·2026（上海站）将于 10 月 22 日—24 日举办。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。查看更多详情可扫码或联系票务经理 18514549229 进行咨询。

今日荐文

小扎打赢AI翻身仗？空降新模型长程编程夺冠，3D实测却惨遭打脸

17 年谷歌老兵揭秘 Gemini 研发内幕：鼓励团队说出坏消息，产品不好就不发了

字节Seed实习生曝DeepSeek-V4技术缺陷：长文本检索陷入“周期性盲区”

国产GPU越来越多，为什么反而更难用？

GPT-6.1 Sol 极速版上线，500 美元门槛惹怒用户：花钱买更快，额度烧得更狠？

你也「在看」吗？👇

跳转微信打开