Google 发布 Gemini 4 Argon：输出上限拉到 100 万 token，主攻硬核编程与安全

大家都在习惯把几百万 token 的文档塞进大模型，但如果要让模型自己一口气写完几十万字、甚至一整套完整的项目代码，以前的模型往往写到几万字就直接断片了。

Google 发布了新一代前沿旗舰模型 Gemini 4 Argon。这一次它把重点放在了最吃力、最耗时间的重活上：单次输出上限直接从之前的 64K 暴增到了 100 万 token，相当于一次回答就能吐出约 70 万个英文单词。

除了庞大的输出胃口，Argon 在真实工程任务上也交出了一张漂亮的成绩单：真实软件工程基准 DeepSWE v1.1 拿到 77.9%，Zapier 业务流程测试 AutomationBench 拿下 51.3%，在 Google 的自测中，它在 19 个基准里有 13 个超过了 GPT-6 Astra 和 Claude Opus 5.5。

先拿自家代码库和数据中心动刀

Google 这次没有先急着向所有人开放，而是先让自家工程师和安全团队当小白鼠，拿去跑最繁重的系统级任务。

比如在底层工程重构上，Argon 正在帮 Google 把内部数十万乃至 80 万行的 C/C++ 代码迁移到 Rust。在视频解码库 libgav1 的测试中，它自己跑了多轮优化实验，把 3.2 万行底层 SIMD 代码替换成了安全的 Rust，最终运行速度提升了 2.7 倍，几乎追平了手工优化的 C++。

在数据中心运维上，多个 Argon 智能体协同分析遥测数据，自动给 Google 的服务器集群找内存优化方案，上线后省下了超过 300 TiB 内存，后续预计能省下 500 TiB 到 1 PiB。

另外在量子计算上，它帮研究人员优化算法的子例程，几分钟就把论文里的基线指标提升了 40%。

拆掉安全护栏，先给安全专家用

有意思的是，Google 这次并没有把 Argon 直接推向消费级市场，而是通过 Fairwind 计划，先交给了可信的白帽安全团队。

因为 Argon 被训练成了能自主寻找、验证并修补高危漏洞的工具。为了让受信任的安全团队发挥全力，Google 甚至内部破例给他们提供了没有网络安全护栏的版本。

安全公司 Wiz 已经用它参与了 Scan for Good 公益项目。在早期测试中，Argon 挖出了一处波及全球医院系统的核心医疗软件漏洞，之前的前沿模型全都没有发现。

虽然在 Arena 文字榜初评和 Artificial Analysis 评测里 Argon 拿下了高分，但并不是所有人都买账。彭博社援引内部消息称，有员工觉得它在基准测试里分很高，但在真实日常开发里并没有那么神，不过 Google 否认了这种说法。

至于价格，Argon 的起步 API 定价是百万输入 token 2 美元、输出 10 万 token 10 美元，缓存输入打半折只要 0.1 美元，推广期过后将恢复到 4 美元和 20 美元。普通人还得等一等，Google 计划后续才逐步开放给付费 API 客户和 Google AI Ultra 订阅者。

为什么重要

在 Gemini 3.5 Pro 被砍掉、大半年全靠 Flash 系列撑场面之后，Argon 标志着 Google 终于重新杀回了最顶级的模型战场。但更关键的不是跑分，而是「100 万输出 token」这个底层动作。

以前我们让大模型写代码，顶多是生成一个函数或一个模块，剩下的架构拼接还得人肉处理。输出上限拉到 100 万，意味着模型有了充足的思考缓冲带，能在一趟推理里端到端重构几十个文件、从头生成完整项目，甚至自主执行几百步复杂的渗透测试。

对企业和开发者来说，这把 AI 从「打下手的自动补全」拉向了「能承接长周期工程的独立工程师」。但代价也很明显：一次百万输出的调用成本和延迟必然极其高昂，如果模型在第 80 万个 token 时逻辑跑偏，纠错成本也会成倍增加。

我们认为，Google 选择先做企业重活和安全防御是步聪明的棋。防守方往往需要最强大的推演深度来堵漏洞，而这种重工业级的场景也最愿意为高昂的算力买单。接下来就看公开测试展开后，它在真实的脏代码里能不能撑住这些耀眼的数字了。