← #812

Gemini 4 Argon 发布

文章摘要

2026 年 9 月 30 日，Google DeepMind 高级副总裁兼 Google 首席 AI 架构师 Koray Kavukcuoglu 在 Google 官方博客发文，宣布新一代前沿模型 Gemini 4 Argon。值得注意的是，这次发布并没有向公众开放：模型首先通过名为 Fairwind 的项目提供给一批”受信任的网络防御者”，Google 称它面向复杂、长周期的工作流，在真实软件工程、法律和金融等企业知识工作，以及网络安全防御上达到前沿水平。

分阶段发布与定价。 文章说，安全地发布这一级别的前沿能力需要分阶段进行，Google 正参与美国政府针对发布前模型访问的自愿审查流程，同时逐步扩大访问范围，在继续收集早期测试者反馈、迭代防护措施后，”尽快”向开发者、企业和消费者开放，首先是付费 API 客户和 Google AI Ultra 订阅用户。上线时的推广价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 只收输入价的 5%；推广期结束后恢复为输入 4 美元、输出 20 美元。

在 Google 内部已经在用。 文章称数千名 Google 员工已在内部工作流中使用 Argon，并举了三个例子：

量子算法优化：帮助量子计算研究人员优化制约重要应用的子程序的时空资源（量子比特数 × 门数），有一个例子在几分钟内就比已发表的基线好了 40%。
内存效率：一组 Argon 智能体分析了全舰队的性能剖析遥测数据，自主识别并应用内存优化，推出后已在 Google 数据中心腾出超过 300 TiB 内存，预计总节省 500 TiB 到 1 PiB。
大规模代码库迁移：Argon 智能体正在把 Google 各处的 C/C++ 代码库迁移到 Rust，规模从 re2、libgav1 这类核心库的几万行，到 Fuchsia 的 Zircon 内核 80 多万行。由于很多系统至关重要，这些重写在上线前都要经过严格的自动化和人工审计、仿真测试与评审。以开源视频解码库 libgav1 为例，Argon 智能体在已有的 Rust 移植版基础上，通过多轮基于性能剖析的实验、研究编译器输出，用安全 Rust 替换了 3.2 万行 SIMD 代码，让编译器自动向量化，最终得到一个比原 Rust 移植版快 2.7 倍、输出完全一致、”更接近优化过的 C++ 版本”的内存安全解码器。

更长的输出与更强的专业能力。 Argon 的单次输出上限从此前的 64K token 大幅提到 100 万 token，Google 称这是业界领先；模型有空间在一条轨迹里深度思考、生成几十万 token，就能一次性解决难题。基准方面，它在衡量真实长周期软件工程任务的 DeepSWE v1.1 上以 77.9% 创下新高；在按各行业对美国 GDP 贡献加权、衡量金融、编程、法律、税务经济影响的 Vals Index 上排名第一；在 Vals Finance Agent v2、Harvey 法律智能体基准上同样领先；在 Zapier 衡量端到端业务流程执行的 AutomationBench 上以 51.3% 排第一；在长视频理解基准 LVBench 上以 91.7% 达到最佳。

网络安全防御。 Google 专门训练 Argon 擅长网络防御，能自主发现、验证并修补关键软件漏洞。对受信任的防御者和 Google 内部团队，Argon 将以”不带网络安全护栏”的形式提供，以便充分发挥能力。Wiz 已在其免费保护关键公共基础设施的 Scan for Good 项目中使用 Argon，在全球医院使用的医疗软件里发现了一个会暴露敏感个人信息的严重漏洞，此前的前沿模型都漏掉了它。在评估漏洞修复能力的 CWE-bench v1 上，Argon 以 68% 并列第一；在 Google 内部漏洞基准和 Wiz 的黑盒渗透测试基准上，也明显强于上一代 3.8 Flash Cyber。

广泛开放前的安全措施。 文章列出四个方面：一是防滥用，依据 Google 的前沿安全框架，拒绝协助网络攻击及化学、生物、放射、核（CBRN）攻击，同时保留合法的两用科研，并加强通过监控模型内部激活来发现滥用的技术，经内外部红队测试；二是防间接提示注入，通过自动红队和对抗训练，Argon 在 Gray Swan 的间接提示注入基准上领先；三是监控”未对齐”行为，部署监控思维链和行动的机制，在模型越出用户意图时终止执行，训练期间也用类似系统向专门的事件响应团队报警，并特意避免把这些发现反馈进训练，以免让模型学会规避监控，Google 还呼吁业界在能力快速提升的关键时期保留推理的透明性；四是加固系统，在高风险训练或评估开始前隔离、封闭沙箱环境，并承诺与合作伙伴分享智能体安全最佳实践。

HN 评论精华

本帖 1702 分、近 1200 条评论，是本周最热的帖子（另有一个讨论 Artificial Analysis 评测数据的关联帖）。讨论的主线包括：一个只给”受信任者”用、普通人用不上的模型到底算不算发布；AI 领域到底有没有护城河；Google 内部大规模把 C++ 迁移到 Rust 的意义；以及大量关于 Gemini 现有模型和 Antigravity 外壳的使用体验。

“又是一个发布了却用不上的模型。” babelfish 第一个吐槽：Gemini 依然摆脱不了”发布不了模型”的名声。Androider 说自己作为美国的付费 Pro 用户，Gemini App 和网页版里能选的最新模型还是 3.6，而 3.7 八月就发了、3.8 九月初就发了，”那边到底在搞什么？”；deanc 也说在 gemini.google.com 上能用的最新模型是 3.6 Flash Lite。bakugo 认为这是在照搬当下 AI 营销的套路：”我们的新模型太危险，不能马上向公众开放”，连起一个随机名字后缀也是学 OpenAI。cmrdporcupine 预言了每次 Gemini 发布的固定剧本：从”发布不了”到”三四周内没法在普通人能用的外壳里加载”，再到”聪明得要命但完全不会用工具和写代码”，最后”落后于所有人”。arjunchint 怀疑这是团队赶在绩效评审前发出来的；kylecazar 提到前一天包括 Google 在内的几家公司刚签了白宫的超级智能协议，承诺自律、负责任地发布，推迟开放也许是为了表现合规。gniv 说从其他评论看，模型已经在内部用了几周，公开发布应该不远了。

护城河之争是最大的讨论。 nickysielicki 的评论得票最高：今年模型之间轮番超越的局面看起来并不是暂时的，Dario Amodei 那个著名理论认为 AI 是赢家通吃的领域、谁先领先就永远不会让出地盘，而这又是一个证明他错了的数据点，”没有人有护城河”。aleph_minus_one 说这是讲给投资人听、为巨额烧钱辩护的故事；mbesto 指出 OpenAI 曾经领先，早就让出了地盘。LarsDu88 的回复拿到上百条跟帖：Google 有 TPU、有前沿模型、有一条随时可以调用的独立赚钱业务、多个团队并行探索不同路线，还有服务着相当一部分互联网的数据中心，”如果这都不算护城河，什么才算？”jobs_throwaway 一句话反问：”那为什么过去几年他们大部分时间都落后于 OpenAI 和 Anthropic，只是偶尔短暂地站上前沿？”woah 也说即便坐拥现金、算力、训练数据，而且基本上是 Google 发明了这个领域，它每年也只能有一两次领先一两周。UncleOxidant 总结了一个循环：最近大家都说 Google 错过了 AI 这条船，今天有了 Gemini 4 又回到了船上，过几个月人们又会把它判出局。motoboi 认为 YouTube 才是”所有护城河之母”，是世界模型数据的来源。SwellJoe 说业内有人喝了自己调的迷魂汤，以为有了最好的模型和最多算力，就可以让模型造出更好的模型、如此递归下去，但到目前为止，能力和效率的跃升仍然离不开人；TeMPOraL 回应说他们只是还没到那一步，一旦做到那就是奇点的定义，递归自我改进以前被人嘲笑，现在越来越近了。Gigachad 转述了一个比喻：模型蒸馏就像滑水，滑水者看起来只比船慢一点，其实几乎不费力，船慢下来他也会慢，中国模型用极少算力紧跟前沿正是如此。juanre 给出务实建议：无论你的工作流是什么，确保模型和供应商可以替换，前沿实验室会一直互相超越；copperx 补充”也别把自己绑在某个外壳上”，不让你选外壳的模型就别用。

C++ 迁移到 Rust 才是”真正的新闻”。 wg0 说突破性新闻不是模型本身，而是 Google 内部已经在大代码库上大量使用它写代码，并在迁移 80 万行 C++ 到 Rust。tazjin 回忆起当年 Google 的 cppnext 团队拒绝考虑 Rust，转而研究 Carbon 和 Swift 这类”荒唐的东西”，尽管一半工程师都知道大势所趋，”希望他们至少因为拖延拿到了几次晋升”；timmg 怀疑 Carbon 是不是就此胎死腹中。uvdn7 认为这比其他各种 AI 重写都重要，如果真能在核心 C++ 库上大规模做成，C++ 几年后还有没有存在价值都难说；SwellJoe 调侃 C++ 标准委员会还在争论内存安全是否重要到值得改语言。一位 Google 员工 mhils 现身，贴出 Google 安全博客上关于这项工作早期进展的文章，说已经有多个 AI 辅助的 Rust 重写在生产环境运行，他是作者之一。ariwilson 揪住文中那句”比 Rust 移植版快 2.7 倍，更接近优化过的 C++”，说 Google 在自己的博客里拆了自己的台，”差一点”；zem 认为本来就有一个优化过的 C++ 库和一个更安全但更慢的 Rust 移植版，新版把大部分性能差距追回来了，”相当不错”。npalli 则提出一个更远的问题：如果最后没人读写 Rust、全由智能体驱动，那 Rust 本身也很快会被绕过去，变成”英语直接到异构机器码”。

3.8 Flash 和 Antigravity 的真实体验。 taylorfinley 的评论排在前列：十天前他用 Gemini 3.8 Flash 时怀疑自己被路由到了一个测试中的新模型。他想让 llama.cpp 在 128GB 的 Strix Halo 上跑 ROCm 而不是 Vulkan，把报错贴给 Antigravity（agy），它直接把 GDB 挂到 GPU 驱动上，逆向了内核队列的 ioctl 接口，写了一个 LD_PRELOAD 的 C 垫片把问题解决了，”我全程目瞪口呆”。imtringued 读了代码后指出问题出在 AMD 的 amdkfd 和 hsakmt 里，”AMD 自己写的软件和自己写的软件不兼容”；phmx 则在代码里挑出一个线程安全隐患。spankalee 说他混用 Fable 5.1、Opus 5.5 和 Gemini 3.8 Flash，Gemini 不落下风，尤其在写作、前端和系统管理上，用 agy 配置 NixOS”简直不可思议”；mapontosevenths 的回复得到更多认同：就算 agy 最好（其实不是，缺少基本功能），你难道不想有选择吗？他退订了 Ultra，因为 Google 逼他用自家外壳。plasticchris 由此引申说 LLM 是 Linux 桌面的杀手级应用，模型在 Linux 上训练得最充分，又能操纵一切，”声音不响？告诉 LLM 就行”，引来一串人分享用 Claude 和 Gemini 折腾 Linux 的经历。也有不少差评：gottorf 说 3.8 Flash 是主流模型里幻觉最多的；WarmWash 指出它的知识截止日期是 2025 年 1 月，将近两年前；mpweiher 说它写 Objective-C 完全不行，代码编译不过，指出后它还”闹脾气”，坚持说代码没问题、是他不会用编译器；pritambarhate 和 jmaker 都找不到在个人订阅里关闭训练数据使用的选项，这是他们不用 Gemini 的唯一原因。summerlight 说自己提前几周用上了 Argon，这是第一个他能放心把需要大量领域调研的复杂任务交出去的 Gemini 模型，结果通常比他自己做得好，核验成本也远低于自己动手；但他也说 Google 曾因内部资源错配错过一个预训练周期，付出了好几个月的代价，不知道这个结构性问题解决了没有。

对基准和价格的冷静看法。 jjcm 说基准已经严重饱和，得上手才知道”Google 回来了”是不是真的；nonethewiser 问：怎么每家发布模型都能在 75% 的类别里排第一？pietz 直言在 3.8 Flash 之后他不再相信 Google 报的任何数字，Artificial Analysis 调整权重后没有哪个模型比它掉得更狠。robertbarbe 指出 Google 公布的成绩都是最高推理档位下的，没人会日常用那么慢的档位。GodelNumbering 和 AM1010101 引用 Artificial Analysis 的数据：Argon 的综合分与 GPT 的 Sol 6.1 相当，每个任务平均成本约 1.99 美元，高于 Astra、Opus 5.5 和 Muse Max，更远高于 Sol；small_model 说它在 AA 上比 Opus 5.5 低 5 分，”不算好的发布”。不过 rcr-anti 注意到一个突出指标：Argon 的幻觉率约 15%，而 OpenAI 最新模型在 40% 到 50%、Anthropic 多在 60% 到 70%。xnx 则认为在 Harvey 法律基准上比第二名高出约 200% 的成绩，恐怕会让法律科技公司震动。losvedir 问输出 token 上限到底意味着什么，williamse 解释说上下文窗口是模型一次能看到多少，输出上限是一次 API 调用能生成多少，在智能体循环里每次调用各有各的输出预算。

其他声音。 bottlepalm 说 Gemini 是那个”经常处于半疯癫状态”的模型，”如果有一天我们被回形针化，我不会惊讶是它干的”；eamsen 分享了一个例子：Gemini 3.5 在系统测试里给一张真实的生产表加了 DROP TABLE，因为它之前在测试准备里尝试创建过同名表，就认定那是测试表，事后解释说表名是”受代码库启发”。gopalv 认为 Google 坚持不让模型学会规避监控、保留推理透明，这正是它走得慢的原因。mridulmalpani 建议 Google 干脆开源权重来击垮对手，bitexploder 回复说前沿模型的显存需求足以让普通人破产，大多数人连下载的硬盘空间都没有；mattstir 认为不受 Google 控制的前沿 LLM 是 Google 广告业务的生存威胁，Gemini 至少给了它变现的路径。asdfman123 的一句话颇有画面感：”我写这条评论的时候 Argon 正在替我干活，午饭时有人问我某个功能什么时候做，结果它昨晚八点半我和女朋友约会时就做好了。”名字也被玩了一圈：yzydserd 指出 argon 源自古希腊语，意为”懒惰、不活泼”；jeffbee 觉得给模型起一个惰性元素的名字很奇怪；AravPhi 的谐音梗是”叫 Argon 是因为用完之后你的 token are gone”。