刚刚，Gemini 4 Argon 发布：多项基测碾压 GPT-6 Astra，已参与谷歌 80 万行内核代码迁移

刚刚，谷歌宣布推出新一代模型 Gemini 4 Argon，重点面向长流程软件工程、法律与金融等企业知识工作，以及网络安全防御。 谷歌 CEO Sundar Pichai 在 x 上宣布该消息时写道：“外界最近对我们的下一款模型有很多讨论，所以我想尽早让大家先睹为快。现在，向大家介绍 Gemini 4 Argon！它在复杂工作流、网络安全防御和软件工程方面展现出前沿水平的性能。谷歌内部团队已经在广泛使用它，应用范围从编程到量子计算，反馈非常好。” 据谷歌介绍，此次发布采用分阶段开放方式。Argon 目前通过 Fairwind 计划向一批受信任的网络安全防御团队开放，尚未面向所有开发者和消费者上线。谷歌表示，将根据早期测试反馈继续调整安全防护措施，后续开放将从付费 API 客户和 Google AI Ultra 订阅用户开始，但未公布具体时间。 从技术博客披露的内容来看，谷歌此次强调的重点，是模型能否持续处理复杂、多步骤任务，以及这些能力如何进入实际工程和业务流程。 价格方面，谷歌表示 Argon 将以优惠价上市。Argon 上线初期每百万输入 Token 为 2 美元，每百万输出 Token 为 10 美元；缓存输入 Token 的价格较普通输入低 95%。 输出上限从 64K 提高至百万 Token Argon 的一项主要变化，是输出 Token 上限从此前的 64K 提升至 100 万。这里的百万 Token 指的是输出上限，而非输入上下文窗口。 谷歌认为，更大的输出空间能够让模型在单条执行轨迹中进行更深入的推理、生成数十万 Token，从而支持更长、更复杂的任务。 对于软件迁移、金融研究和企业流程执行，这一设计试图解决的是任务持续性问题：模型需要在多轮分析、验证与修改中推进工作，而不仅是生成一次回答。 不过，输出上限本身并不等于任务完成能力，实际效果仍取决于模型能否保持目标一致、正确调用工具，并发现和纠正执行过程中的错误。 那么，Gemini 4 Argon 在各项基准测试中的表现如何？ 按照谷歌公布的结果，Argon 在衡量真实、长流程软件工程能力的 DeepSWE v1.1 中取得 77.9%，谷歌称其创下该评测的新纪录。 企业任务方面，谷歌表示，Argon 在覆盖金融、编码、法律和税务工作的 Vals Index 中处于领先位置，在多步骤金融研究评测 Vals Finance Agent v2 和 Harvey 法律智能体评测中，也取得领先表现。该指数衡量金融、编码、法律和税务工作的经济影响，每个行业都根据其对美国 GDP 的贡献进行加权。 此外，Argon 在 Zapier 的 AutomationBench 中以 51.3% 排名第一，该基准测试衡量核心业务功能的端到端执行力。 Argon 在需要视觉理解的知识型工作中也展现出独特的优势。它能够进行专业的图表分析，从长视频中识别细节，并根据一系列文档采取行动。例如，在衡量长视频理解能力的 LVBench 测试中，Argon 的得分高达 91.7%，处于行业领先水平。 从生成代码，走向代码库迁移与性能优化 与评测分数相比，谷歌披露的内部工程案例，更具体地展示了 Argon 的使用方向。 谷歌称，Argon 智能体正在参与公司内部 C/C++ 代码库向 Rust 的迁移，规模从 re2、libgav1 等核心库的数万行代码，扩展至 Fuchsia 操作系统 Zircon 内核的 80 多万行代码。 这并不意味着相关迁移已经全部完成或投入生产。谷歌明确表示，考虑到这些系统的重要性，大规模重写仍需经过严格的自动化和人工审计、仿真测试与评审。 在开源视频解码软件 libgav1 的案例中，Argon 智能体基于已有 Rust 移植版本，替换了约 3.2 万行 SIMD 代码。其工作包括多轮由性能剖析结果指导的实验、研究编译器输出，以及生成能够由编译器自动向量化的安全 Rust 代码。 按照谷歌的说法，优化后的视频解码器保持相同的视频输出，运行速度达到原 Rust 移植版本的 2.7 倍，进一步接近经过优化的 C++ 实现。这里的比较对象是此前的 Rust 移植版本，不能理解为其性能已经达到 C++ 版本的 2.7 倍。 谷歌还披露，一组 Argon 智能体通过分析服务器集群的性能遥测数据，自主识别和实施数据中心内存优化。相关优化部署后，已释放超过 300 TiB 内存，预计总节省量可达到 500 TiB 至 1 PiB。 在量子算法研究中，Argon 则被用于优化关键子程序的时空资源开销。谷歌表示，在一个案例中，模型仅用几分钟便取得了比已发表基准方案好 40% 的结果。博客没有进一步披露该案例的具体任务与完整实验条件。 这些案例共同指向一种使用方式：让模型进入分析、修改、测试和优化的连续工程流程，并以程序性能、资源消耗或功能一致性检验结果。 网络安全能力先向受信任团队开放 网络安全防御是 Argon 此次优先开放的领域。谷歌表示，为了更好地帮助网络安全防御者应对新时代的网络攻击，他们对 Gemini 4 Argon 进行了训练，使其具备强大的网络安全防御能力。Argon 可以自主发现、验证并修复关键软件漏洞。 对于值得信赖的防御人员和谷歌内部团队，团队将发布不带任何网络安全防护措施的 Argon，以便他们能够充分利用其前沿的网络安全防御能力。 Wiz已在其“Scan for Good”计划中使用 Argon 进行网络安全防御。该计划致力于通过发现并修复高风险漏洞，免费保护关键公共基础设施。在早期演示中，该模型发现了一个关键漏洞，该漏洞会泄露全球医院使用的医疗保健软件中的敏感个人信息，从而识别出此前前沿模型未能发现的严重风险。 在评估模型修复安全漏洞能力的CWE-bench v1测试中，Argon 以 68% 的最高分并列第一，延续了 3.8 Flash Cyber 在CWE-bench v0 测试中的领先表现。 但 Gemini 4 Argon 在漏洞发现方面相比 3.8 Flash Cyber 有了显著提升。例如： 在谷歌内部的综合漏洞基准测试中，Argon 发现了涵盖 20 种编程语言的复杂代码库中存在的各种漏洞。在 Wiz 的内部黑盒渗透测试基准测试中，该基准测试模型在没有源代码的情况下分析实时 Web 系统的能力，Argon 在发现攻击面、识别漏洞和生成概念验证证据以验证它们方面优于 3.8 Flash Cyber。 谷歌这次将模型的重点，放在了安全防御上。在扩大开放范围之前，谷歌计划继续加强防滥用、提示注入防御、对齐偏差监测和运行环境加固。 其中，对齐偏差监测直接针对模型执行任务时的越界行为。谷歌表示，将监测 Argon 的思维链和行动，在模型以超出用户意图的方式推进任务时，必要时停止执行。 谷歌还披露，类似系统已经用于监测训练过程，并向专门的事件响应团队发送警报。公司同时强调，应谨慎处理监测发现，避免将其反馈到训练中，进而使模型学会规避监测。 “跑分领先，但普通开发者还用不了” Gemini 4 Argon 发布后，除了模型能力本身，部分网友将注意力放到了谷歌此次采取的发布策略上。 谷歌此次并未直接向所有开发者开放 Ar