Gemini 4能追回多少？

出品｜虎嗅科技组 作者｜黄天媛 编辑｜苗正卿 头图｜AI生成 当OpenAI、Anthropic等公司已经把竞争重心推向Agent，Google的新一代旗舰模型才姗姗来迟。 当地时间9月30日，Google正式发布Gemini 4系列首款旗舰模型Gemini 4 Argon。 按照Google的说法，这是一款面向真实软件工程、企业知识工作和网络安全防御的前沿模型，也是目前Gemini家族能力最强的一款模型。 这距离上一款Gemini旗舰模型已经过去了相当长一段时间。 7月彭博报道称，3.5 Pro已经比原定计划晚了数月，Google当时仍在集中补强它最大的一块短板——Coding。 今天，Google直接跳过3.5 Pro，发布了Gemini 4 Argon。 Argon在主流Benchmark上表现亮眼。 但彭博报道显示，一旦进入真实工作状态，其性能会有所下降。有Google 员工认为，Anthropic和OpenAI的旗舰模型迭代速度已经快于Gemini。 一场迟到，且有争议的交卷。 长任务能力与低价策略 这一次，Argon的核心升级，在于输出窗口升级成为100万Token，是目前已公开商业模型里最大的输出窗口。作为对比，GPT-6 Astra的最大输出只有12.8万Token，Gemini上一代还仅为6.4万Token。 按照英文文本粗略折算，相当于一次生成数十万单词。这意味着，模型的复杂任务能力被显著提升，可以一次性处理过去很容易被上下文和输出长度截断的复杂任务。 在定价上，也是保持了Google一贯的性价比策略。 Argon首发推广价为每百万Token输入2美元、输出10美元——输入价格与Gemini 3.1 Pro持平，输出反而从12美元降至10美元。 谷歌官方表示，Argon还在Coding和深度研究方面有非常显著的进步。 在谷歌内部，已经有数千名员工使用模型完成任务： 算法优化： 在量子计算团队，一个Argon参与的算法优化项目只用了几分钟，就把公开基线提高了40% 代码迁移： 在Google开源的视频解码器libgav1中，Argon Agent还基于编译器输出进行了多轮性能实验，替换了3.2万行SIMD代码。按照Google公布的结果，最终得到的Rust版本运行速度达到原Rust移植版的2.7倍，同时保持相同的视频输出结果。 再来经典跑分环节。 先看它最想证明自己的编程能力。 Argon在衡量真实、长周期软件工程能力的DeepSWE v1.1上，拿下了77.9%的新高。谷歌公布的对照成绩里，Claude Opus 5.5是74.2%，GPT-6 Astra是74.1%。Argon高了约4个百分点。 而企业任务中 ，AutomationBench显示，Argon拿到51.3%，Opus 5.5和Astra分别是42.5%、41.4%，差距扩大到了接近10个百分点。 金融研究也有类似表现。 Vals Finance Agent v2中，Argon拿到65.4%，超过Opus 5.5的58.6%和Astra的53.5%。 法律任务的数字更抢眼。 Harvey的法律Agent测试里，Argon得分19.6%，谷歌列出的三个对手都没超过7%。 多模态方面 ，Google 表示，模型可以分析专业图表、从长视频里识别细节，并根据一系列文档采取行动。在长视频理解Benchmark LVBench中，它得到91.7%，Google称其达到当前最佳水平。 而在目前广泛关注的网络安全方面。 Argon在防御型网络安全任务上的能力，并用它驱动网络安全Agent，不仅可以寻找漏洞，还能自主验证漏洞，并进一步生成补丁。 在与安全公司Wiz合作的"Scan for Good"项目，Argon已经在一套被全球医院使用的医疗软件中发现一个高危漏洞，该漏洞可能导致敏感个人信息泄露，而此前测试的其他前沿模型均没有发现这一问题。 在专门测试漏洞修复能力的CWE-bench v1上，Argon得到68%，并列第一。在Wiz自己的黑盒渗透测试中，它还可以在看不到源代码的情况下分析真实Web系统，发现攻击面、寻找漏洞，并生成PoC来验证漏洞是否真的存在。 但目前Argon 不走全面开放路线，而是通过"Fairwind 计划"先向一小批可信的网络安全防御者推出，同时正参与美国政府的自愿性发布前模型准入流程。 后续才会逐步向开发者、企业和消费者开放。 不过，Argon这份漂亮成绩单也不是没有争议。 最直接的质疑来自Google内部。彭博援引直接接触Gemini 4项目的人士称，Argon虽然在主流Benchmark上表现亮眼，但员工真正把它放进工作流后，表现会明显下降，尤其在部分Coding和界面设计任务上仍会"卡壳"。 但Google方面否认了"真实Co