谷歌憋了七个月，终于在 9 月 30 日放出新旗舰 Gemini 4 Argon。官方给出的数字很漂亮：18 项跑分赢下 12 项，输出上限从 6.4 万 token 拉到 100 万，试用价只有对手的一半。
但另一面同样醒目：首批能用的，只有 Fairwind 计划里的安全团队；独立榜单上，它的智能指数还落后 Claude Opus 5.5 一截。跑分第一和”能用上”之间，隔着一道闸门。 这也是老达在老达AI实践专题里反复提醒的那句话——看发布看的是热闹，看口径才看得出真假。
谷歌七个月没发旗舰，这次跳过了 3.5
Argon 由谷歌 DeepMind 官方发布。它是谷歌隔了七个多月才拿出的新旗舰——上一代还是 Gemini 3.1 Pro。更值得注意的是，早就预告过的 Gemini 3.5 被整个跳过，谷歌直接上 4。想回顾谷歌这条”小步快跑”的路线，可以看Gemini 3.8 Flash 的发布解读——当时它 6 周连推 3 款小模型，走的是完全相反的思路。
这也是 Gemini 家族第一个用代号命名的模型——不再叫 Pro、Flash、Flash-Lite。谷歌没说明后面几款 Gemini 4 会怎么命名。
技术上升级最大的其实是输出长度：上一代的输出上限 6.4 万 token，Argon 直接提到 100 万，输入上下文保持 100 万。为了让超长生成不中途超时，谷歌还加了一个 API 特性叫 Long Decode Continuation，可以把一次回答暂停、再在后续调用里接着续。
一句话理解：它不是”想得更多”，而是”一次能写得完更多”，针对的就是大型代码迁移这种活。
跑分：18 项赢 12 项，输的四项全在”终端里写代码”
谷歌自家对比表上，Argon 在 18 项基准里 12 项第一、1 项并列。挑几个关键的：
- DeepSWE v1.1 长程软件工程：77.9%，高于 Claude Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%
- AutomationBench 企业流程自动化：51.3%，第一
- Harvey 法律智能体基准：19.6%，对比 Astra 的 5.4%、Fable 5.1 的 3.8%
- CWE-bench v1 漏洞修复：68%，与 Astra 并列第一
- LVBench 长视频理解：91.7%
但输的四项很集中，全是在终端或研究循环里做多步编程：
- FrontierSWE v2：55.0%，Astra 65.5%
- Terminal-Bench Science：57.6%，Astra 68.1%
- Terminal-Bench 4.0：57.4%，Claude Opus 5.5 66.4%
- PostTrainBench：45.3%，Astra 49.3%
差得不算小，9 到 10.5 个百分点。如果你主要用AI编程工具跑终端 Agent，这块短板值得留意。 谷歌之前在小模型上强，旗舰上”终端干活”一直是弱项，Argon 没完全补上。
独立榜单不给面子：智能指数落后 Opus 5.5
厂商自报的表格只能当参考。第三方这边，Artificial Analysis 给出的结论更有意思：
- 高推理档智能指数 53 分（52.6 口径），和 GPT-6 Astra 打平，比 GPT-6.1 Sol 高 1 分
- 但落后 Claude Opus 5.5（58 分）和 Claude Sonnet 5.5（56 分）
- 相比 Gemini 3.1 Pro Preview，这是 23 分的大跃进
另一个独立榜单 Vals 把 Argon 排在 41 个模型里的第一，68.9%。两家打架，说明”第一”取决于用谁家的题。Bloomberg 还引述消息称，部分谷歌员工认为 Gemini 4 在跑分上强、在部分真实编码任务上偏弱，谷歌对此不认。
顺带说一句，这几家模型现在是互相咬着跑。想看上一轮的对比，可以翻OpenAI DevDay 2026 那篇，Astra 的定位、Sol 的降价都在里面；更早的同日降价分析则解释了为什么现在各家都爱打”每任务成本”这张牌。
便宜是便宜，但它话多
定价是 Argon 最直接的卖点：试用期每百万输入 token 2 美元、输出 10 美元，缓存输入再打 0.5 折；试用期结束后回到 4 美元和 20 美元——正好和 Claude Opus 5.5 同价。谷歌没有说试用期到什么时候结束。
这里有个容易被忽略的坑：Artificial Analysis 测出 Argon 每完成一个平均任务花 1.99 美元，是 GPT-6 Astra 的 60%；但同时它每个任务平均输出 6.2 万 token，Astra 只有 2.7 万。也就是说，单位价格的优势，有一部分被”话多”吃掉了。促销期一过，单任务成本回到约 3.98 美元。
还有一个反差：它的幻觉率只有 15%，远低于 Astra 的 51%，但准确率也是 50%，比 Astra 低 13 分。不乱说，但说的也没那么对——这一点比跑分更值得记住。
谷歌拿它改自己的内核：80 万行 C/C++ 转 Rust
谷歌这次少见的公开了内部用法，而且比跑分更有说服力：
- 用 Argon 智能体把谷歌自己的 C/C++ 代码迁到 Rust，规模超过 80 万行，涉及 Fuchsia 系统的 Zircon 内核，以及 re2、libgav1 等核心库
- 其中一个 Rust 版 libgav1 里，Argon 替掉了 3.2 万行 SIMD 代码，谷歌称同画质下比上一版 Rust 实现快 2.7 倍
- 在数据中心里发现并应用内存优化，释放了超过 300 TiB 内存（估算区间 500 TiB 到 1 PiB）
- 还有量子子程序相关优化，谷歌称把时空开销比公开基线降了 40%
安全侧也放了一个案例：Wiz 通过 Scan for Good 计划用 Argon 在医疗软件里找到一个高危漏洞，能让医院使用的系统暴露个人信息，而更早的前沿模型没发现。
这些仍是谷歌和合作方的内部口径，没有第三方审计，但”已经在改自家内核”这件事，比任何跑分都更能说明一款模型的工程能力。
现在谁能用、什么时候能用上
这是全文最实际的一段：
- 现在能用：Fairwind 计划里的受信任安全团队，以及谷歌内部团队。给这批人时不带网络防护限制，好让它全力找漏洞
- 接下来：付费 API 客户和 Google AI Ultra 订阅用户，谷歌只说”尽快”，没给日期
- 发布当天：Argon 在 OpenRouter、Vertex AI、Gemini CLI、Cursor、GitHub Copilot 里都还查不到，工程团队迁移不了生产流量
- 给公众前：谷歌列了四道安全闸，包括滥用与 CBRN 拒答、间接提示注入防护、思维链与行为错位监控等
跟谷歌上一款只在安全圈先跑的 Gemini 3.8 Flash Cyber 是同一套节奏：先给防守方，再给大众。
该不该等它：三类人的不同答案
按AI工具评测的老规矩，直接给判断：
可以重点评估——做大仓库代码迁移、需要超长单次输出的团队。100 万 token 输出上限目前是独一档。
先别急着换——重度依赖终端 Agent 的开发者。Terminal-Bench 4.0 落后 Opus 5.5 约 9 分，这块短期内 Claude 系更稳。
现在用不上——普通开发者和个人用户。API 没开、Cursor 和 Copilot 里也接不到，等它不如先把手上能用的模型用熟。
替代方案也很清楚：要长输出和代码迁移看 Argon；要终端 Agent 稳，用 Claude Opus 5.5 或 Sonnet 5.5；要极致便宜，GPT-6.1 Sol 每任务成本更狠；预算极紧又不需要超长输出，Gemini 3.8 系列仍是性价比选项。
老达点评
第一，“跑分第一”和”你我能用”是两件事。 谷歌这次把发布做成了准入制，先给安全圈再给大众，好处是把风险压住，代价是大多数开发者连试都试不了。宣传口径里的第一名，短期内跟你没关系。
第二，单位价格便宜不等于每件活便宜。 6.2 万 token 对 2.7 万 token 的输出差距，比单价差距更值得算。选模型要按”完成一个任务花多少钱”算，而不是按每百万 token 报价。
第三，看独立榜单要交叉验证。 Artificial Analysis 说它落后 Opus 5.5，Vals 说它是第一。两家都不算收钱办事，分歧只说明一个事实：跑分取决于出题人。谁的第一都别全信，自己拿真实任务测一遍才作数。
第四，这次最值钱的不是跑分，是”它已经在改谷歌自己的内核”。 80 万行 C/C++ 转 Rust、释放 300 TiB 内存，这些内部收益是可持续的，比发布会上的一张对比表更能说明方向。工具真正落地，从来不是因为它跑分高，而是因为它真的省了活。
