新智元报道
谷歌沉寂7个月，终于掏出了大的。
北京时间10月1日凌晨，Google DeepMind发布Gemini 4 Argon。这是其 7 个月来首款非 Flash 级专有模型。
Artificial Analysis的智能指数上，它拿到53分，追平GPT-6 Astra和Fable 5.1，比GPT-6.1 Sol高1分，幻觉率降至 15%。
模型在 AutomationBench-AA 和 Terminal Bench 上 Agent 能力大幅提升，同时在 CWE-bench 网络安全基准并列第一，可自主发现、验证漏洞并生成 PoC。
目前已向选定用户 rollout，支持 1M 上下文和多模态输入，直接冲击前沿模型价格战格局。
同一套评测里，按首发折扣计算，完成一个任务平均花1.99美元，为 GPT-6 Astra 的 60%。
分数追平，账单变薄。光看这两项，谷歌这次足够让人重新考虑该把任务交给谁。
但我把分数、报价和用量放在一起看，最有意思的地方出现了。这款模型算得便宜，却算得很费。打折结束，同样的任务甚至会比Astra更贵。
前三回来了，账得重新算
所谓沉寂7个月，有一个明确范围。Argon是谷歌超过7个月来第一款高于Flash级别的闭源模型，期间谷歌仍有Flash产品。
这次53分，比上一款非Flash模型Gemini 3.1 Pro Preview高23分，比Gemini 3.8 Flash高12分。AA据此判断，谷歌重回智能水平最高的3家实验室之列。
智能指数可以理解为一组能力测试的综合成绩。Argon用high推理档，Astra和Sol用max档，同分说明它们在这套评测里处于相近水平，具体工作还得分开看。
对长期关注OpenAI和Anthropic的用户，这个变化很直接。选前沿模型时，谷歌又成了值得认真比较的选项。不过Argon目前只向部分用户推送，尚未公开可用。
谷歌准备怎样吸引这些用户？报价很有诚意。
Token可以粗略理解为模型读写文字时计数的小片段。当前每百万Token，Argon输入收2美元，输出收10美元。两项单价都是Opus 5.5的一半、Astra的1/5。
反复使用同一段材料，还涉及缓存。符合缓存条件的输入可以享受95%的折扣，比Gemini 3.8 Flash的90%更低，首发期间每百万缓存输入Token只收0.10美元。
看起来相当划算。可用模型的人付的是整张账单，单价只是其中一项。
Argon平均每个任务输出6.2万Token，Astra只用2.7万。如果把推理过程比作打草稿，它的草稿纸要多写1倍多。每页便宜，架不住写得长。
算到任务成本，Argon的1.99美元确实低于Astra的3.26美元、Opus 5.5的5.98美元和Fable 5.1的7.63美元。但Sol只要0.72美元，Argon约是它的2.7倍。
更影响长期选择的是，2美元和10美元属于首发5折促销，谷歌还没公布结束日期。
恢复输入4美元、输出20美元的标准价后，按同一评测口径，单任务成本会变成3.98美元，约为Astra的1.2倍。
这些美元数字还有一个共同前提，它们是智能指数测试里的平均任务成本。你让模型改代码、查材料，输入有多长、输出多少、能用上多少缓存，都会改变账单。1.99美元不能当成所有工作的统一报价。
这就很有意思了。单价只有对手的1/5，任务账单却要付六成；促销结束，还会反超。打算长期接入的人，得拿自己的任务试算，用量和折扣条件都算进去。
少说错话，也有代价
钱算清了，还得回答一个问题。53分的Argon，究竟好用在哪里？
我最在意的是它处理「不知道」的方式。
在AA-Omniscience测试里，Argon的幻觉率为15%，是智能指数45分以上模型中最低的。Astra为51%，Sol为54%。AA的解释是，Argon更愿意承认不知道，减少猜错后仍然给答案的情况。
这对用户很有吸引力。碰到不熟悉的问题，回答越流畅，核对起来越容易掉以轻心。模型肯停下来承认能力有限，至少能让人知道哪里还需要查证。
不过，少编答案，和多答对题，是两件事。
Argon在这项测试里的准确率为50%，比Astra的63%低13个百分点，甚至比Gemini 3.1 Pro Preview低5个百分点。综合分为42，接近Astra的43，与Sol相同。
你可以欣赏它的克制，同时承认它答对的问题没有Astra多。15%的幻觉率也仅属于这项测试，不能直接当成所有日常回答的错误率。
真正动手干活的Agent能力，则呈现出另一种参差。
AutomationBench-AA上，Argon以77.5%拿到第一。但Terminal Bench 4里，它得57%，虽然比Gemini 3.1 Pro Preview提高53个百分点，仍落后于Sonnet 5.5、Opus 5.5和Astra。
AA-Briefcase也有类似反差。它满足评分细则的比例达到65%，为AA测到的最高值，分析质量和呈现质量却偏低。能按要求交活，与交出一份分析透彻、表达清楚的成果，中间仍有距离。
安全领域的成绩更抓人。CWE-bench v1检查模型能否真正修好漏洞，Argon以68%并列第一。谷歌还称，它能自行发现、验证漏洞，生成PoC，也就是证明漏洞确实存在的验证示例。
修得怎样，终于可以沿着代码往下看了。
在Text Arena上，Gemini 4 Argon排名第一。
谷歌已经让它干上了机房里的活
比榜单更让我在意的，是谷歌自己的使用情况。
据谷歌透露，Argon智能体已经分析数据中心的性能数据，找到内存优化点，相关改动随后上线，释放了超过300 TiB内存。
这段过程很具体。有正在运行的系统，有性能数据，有改动，也有部署后的结果。它给模型能力提供了评测之外的证据。
这里的300 TiB说的是释放出来的内存容量，不能直接换算成省下多少电费或服务器采购费，材料没有给出这样的账。
同一份材料还提到，Argon正参与把C/C++代码迁移到Rust，涉及超过80万行内核代码，部署前要经过大量审计和测试。这里要分清，迁移仍在推进，不能把80万行都算成已经上线的成果。
视频解码器的例子则更完整。谷歌称，智能体用安全Rust替换了3.2万行SIMD代码。这类代码负责让多份数据并行处理，对运行效率很重要。
结果是，现有Rust版本快了2.7倍，视频输出保持一致。速度提高，结果还得对得上，工程工作的要求就落在这里。
Argon支持1M Token上下文，可以接收文字、图片、视频和语音，输出文本。
对于漫长任务，Gemini API新增的Long Decode Continuation允许长回复暂停，再通过后续调用接着输出，让推理最长跑到1M输出Token，避免请求超时。
这里有两个不同的长度。上下文决定它一次能容纳多少材料，输出上限决定它能把过程持续多长。分次接着输出，解决了长任务被请求超时打断的问题，至于最后做得对不对，仍要靠检查和测试。
能连续处理更长的工作，才有条件应付那些没法几句话收工的工程任务。当然，前面的用量账也会一路跟着。
OpenAI、Anthropic和谷歌的竞争，因此又有了三方较量的意味。用户既能比较分数和价格，也终于有更具体的工程成果可看。
折扣什么时候结束，榜单还能领先多久，都有变数。谷歌已经让AI参与改造自家基础设施，这件事更值得追踪。
下一次模型发布，我想多看一点这样的结果。修好了什么，省下了什么，哪些改动已经上线。53分令人兴奋，真正用起来之后留下的成果，才值得长期买单。
参考资料：
https://x.com/ArtificialAnlys/status/2105392625788637299
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
https://x.com/sundarpichai/status/2105387952478277979
编辑：Aeneas 大卫
热门跟贴