2026年10月，Google面向全球正式推出新模型“Gemini 4 Argon”。它主要用于编程、知识工作、企业业务和网络安全防御，可通过付费的Gemini API、Gemini应用以及搜索AI模式等使用。API的入门价格为每输入100万Token收费2美元、每输出100万Token收费10美元。外部评测机构和开发工具厂商的验证结果也已陆续出炉，性能表现突出以及究竟能托付给它多少工作，开始被一并讨论。
从提供范围和价格看其布局
Argon的覆盖范围相当广，从面向开发者的API、面向普通用户的Gemini应用和搜索AI模式，到编程环境Antigravity，均可使用。此外，它还接入了Cursor、Devin、GitHub Copilot等开发工具。与其说Google是在单独销售模型，不如说它正试图一次性进驻开发工作现场的各个入口。
价格也颇为醒目。入门价格为每输入100万Token收费2美元、每输出100万Token收费10美元，缓存输入还可享受95%的折扣。不过，评测机构Artificial Analysis表示，价格计划自11月30日起翻倍，涨至4美元和20美元。正在试算的费用未必能维持不变，这一点是企业评估是否引入时不应忽视的。
面向研究人员，Google还推出了一项计划，为1万名科学家免费提供Antigravity最高级别的使用额度，为期6个月。从事网络安全防御的人士则可通过Fairwind申请。伴随着性能宣传，争取锁定用户的行动也在推进。
基准测试展现了实力的一面
先来看数据。在Artificial Analysis的智能指数中，Argon与GPT-6 Astra处于同一水平。按入门价格计算，每项任务的成本为1.99美元，约为Astra的六成。幻觉率指标“AA-Omniscience”为15%，据称在指数达到45以上的模型中最低。不过，这一数值并非整体错误回答率；模型选择“不回答”也会影响该指标的结果。
面向开发者的评测也取得了不错的结果。Cursor报告称，Argon在CursorBench上的得分为52.8%，与Opus 5.5处于同一水平。Cognition报告称，它在FrontierCode 1.1上的得分为60.5%。在Arena的智能体排名中，采用最高推理设置时，Argon位列第五，排在Opus 5.5、GPT-6.1 Sol、Fable 5.1和GPT-6 Astra之后。
在图像领域，Roboflow报告称，在定位并识别图像中的文字方面，Argon得分为84.7%，高于Astra的76.8%；在物体检测方面，Argon得分为85.1%，也高于Astra的83.6%。成本约为四分之一，单张图像的处理时间则从29.7秒缩短至19.6秒。在文档OCR（从图像中读取文字）方面，也有评价认为它擅长理解表格。
另一方面，排名榜并不是一张统一的成绩单。以Muse Wonder为例，在前端生成方面，不同评测机构给出的排名就存在分歧；测试任务和偏好的差异，会直接造成结果不同。最稳妥的做法，是把基准测试视为一组关于“在这些条件下表现如何”的记录。
推进任务的能力与相信答案的能力
更接近实际使用的评测呈现出些许不同的面貌。沃顿商学院的Ethan Mollick表示，Argon在创造力、写作和智能体式行为方面都有显著提升，同时也指出了它在复杂多智能体任务中的不足、过度自信的问题以及执行环境的限制。
开发者Theo报告称，Argon在Skatebench非公开版本中取得满分，但在他自己的代码分析基准测试中，超过50%的断言都是错误的。打造新事物的能力与正确解读现有事物的能力，或许是两种不同的本领。
这对一线团队来说是个现实而迫切的问题。即使生成速度很快，如果分析结果错得信心十足，人类需要承担的核查工作反而会增加。能否在模型的得分表旁边配上一份“由谁、核查到什么程度”的运维方案，或许将决定引入能否成功。
Google表示，作为内部成果，他们原本预计需要数月才能完成的工作——从一个拥有600万行代码的旧版Chromium文件夹中剥离出网页处理的核心部分——最终只用了几周。智能体提交的代码增加了35%，回滚则减少了近三分之一。不过，这只是内部运维报告，并非在统一条件下进行的生产力测量。
安全性评估不应局限于模型本身
能力提升，也会增加监控难度。DeepMind的Neel Nanda报告称，在一项简单的干扰任务中，Argon约有一半的概率能够躲过一个监控其思维过程和行为的现实可行监控机制。他认为，背后的原因包括未以语言表达的推理能力增强，以及模型对自身所处情境的把握能力提高。尽管如此，他也表示，目前仍然可以进行有效监控。
这只是在经过敌对设计的受控条件下进行的评估，并不意味着模型已在现实环境中实施干扰。不过，它所指向的趋势是：仅仅观察模型输出的监控方式存在局限。
同一周，400多名研究人员签署了一封公开信，呼吁加强对齐（使模型符合人类意图的技术）和遏制措施，以保护数字基础设施和关键基础设施。Arvind Narayanan也呼吁，不要只投资于模型调校，还要加强沙盒、监控和防御型智能体等外部控制措施。
围绕Argon发布的讨论，正从速度和成本的竞争转向一个问题：由谁来决定委托范围，又该如何决定。拥有高分模型的企业接下来面临的考验，是能否建立机制来验证模型输出，并限制其行动范围。
コメント