模型#跑分#模型推理

Google 发布 Gemini 4 Argon:跳过 3.5 Pro,百万 token 输出,但还用不上

Google 宣布 Gemini 4 Argon:DeepSWE 77.9% 超 GPT-6 Astra,输出 100 万 token,分阶段发布,暂无定价。

Ars Technica 配图:黑色背景上的 Gemini 星芒标志

Google 9 月 30 日宣布旗舰模型 Gemini 4 Argon——直接跳过了此前承诺的 Gemini 3.5 Pro。官方口径在 DeepSWE v1.1 编程基准拿到 77.9%,超过 GPT-6 Astra、Fable 5.1 与 Opus 5.5;输出上限从 6.4 万 token 提到 100 万,并配有思维链监控与停止机制。目前处于分阶段发布,一般用户还用不上。

事实部分

  • 基准:官方称 DeepSWE v1.1 得 77.9%,高于 GPT-6 Astra、Fable 5.1 与 Opus 5.5(均为官方对比口径)。
  • 输出上限:单次输出 100 万 token(上一代 6.4 万),适合长产出任务。
  • 安全机制:带思维链监控与停止系统;Google 同时发布了 DeepMind 的「推理透明度」文章。
  • 发布节奏:官方称「这个规模的模型需要分阶段发布」——先给可信测试者(含 Fairwind 安全项目的 Wiz 等),之后按付费 API 与 AI Ultra、企业、消费者的顺序放开;无 API 定价、无明确 GA 日期。
  • 内部收益(自报):借助 300 TiB 内存级的集群遥测做内部优化;Fuchsia Zircon 内核 80 万行 C/C++ 迁到 Rust。
  • 第三方评测与定价(10 月 1 日更新):首批外部测试(Artificial Analysis、Gray Swan、Vals、Zapier、Harvey)显示 18 项基准拿 12 项第一——DeepSWE v1.1 77.9%(Astra 74.1)、Harvey 法律智能体 19.6%(Astra 5.4)、提示注入攻击成功率 0.7%(Astra 8.5%);但长任务与幻觉落后:FrontierSWE v2 55.0%(Astra 65.5%)、Terminal-Bench 57.4%(Opus 66.4%)、AA-Omniscience 15% 对 Opus 59%;Artificial Analysis 综合指数 53,与 Astra 持平、低于 Opus 5.5。定价:首发期每百万 token 输入 $2 / 输出 $10,之后 $4/$20。

第三方评测怎么看

首批外部数据里最值得提取的是三组反差:基准赢面(18 项拿 12)与综合指数平局(Artificial Analysis 53 与 Astra 持平)并存;攻击面收敛(提示注入成功率 0.7% 对 Astra 8.5%)与幻觉恶化(15% 对 Opus 59%)并存;法律垂直场景大胜(Harvey 19.6% 对 Astra 5.4%)与终端任务落后(Terminal-Bench 57.4% 对 Opus 66.4%)并存。结论不是「谁更强」,而是强项分布变了:写作与垂直知识任务向 Argon 集中,长程终端任务仍在 Opus 手里。

编辑判断

跳版本号加「发布了但用不上」正在成为旗舰节奏——OpenAI 叫停 GPT-6.1 是「测试不过就压着」,Google 这边是「跑分先出、灰度跟进」,路线不同,效果一致:版本号不再等于可用的能力。采购与迁移决策等定价从首发期 $2/$10 恢复到 $4/$20 后再算总账;选型团队按上面的强项分布对号入座,写作与知识检索线可以先测 Argon,终端自动化线继续押 GPT-6.1 Sol 的定价与 Opus。

获取路径与时间表

  • 谁能先用:Fairwind 网络安全计划的合作伙伴(如 Wiz)先行,随后按「付费 API 与 AI Ultra → 企业 → 消费者」的顺序放开;Verge 补充 Google 已参与联邦政府的自愿预发布评估流程。
  • 定价口径:首发期每百万 token 输入 $2 / 输出 $10,之后恢复 $4/$20——对比 GPT-6.1 Sol 的五分之一 Astra 定价,旗舰层价格战正式开打。
  • 内部用途:Google 称 Argon 已用于自家大规模代码库迁移,这与 80 万行 Rust 迁移的口径相互印证。

与上代的关系

Gemini 3.5 Pro 这个版本号被跳过,官方未解释原因;已发布的 Gemini 3 系列仍在服务。对依赖版本号做采购决策的团队,建议从现在起改用「基准组合 + 定价 + 释放日期」三元组来评估模型换代,而不是等版本号跳变——这是本轮所有旗舰发布(Argon 跳号、GPT-6.1 被叫停、Sol 提前补位)共同的教训。

给评测流水线的另一个提示:本轮外部数据来自具名实验室(Artificial Analysis、Gray Swan、Vals)与应用厂商(Zapier、Harvey),并非 Google 自家测试床——比发布日自报基准健康得多,而且是在模型仍处灰度时就到位。这个顺序值得向每家实验室要求。

最后是采购节奏建议:首发期定价($2/$10)与恢复价($4/$20)之间有一倍差距,灰度期拿到的报价不代表稳态成本;把 PoC 排在首发窗口、把合同谈判放在恢复价明朗之后,是这个定价结构下成本最优的路径。