henry 发自 凹非寺
量子位 | 公众号 QbitAI

要我说，谷歌就是季节性气候模型公司，天气凉了，旗舰也就熟了。

刚刚，Gemini 4 Argon正式面向全球开发者、企业及付费订阅用户陆续开放。

按照谷歌的定位，这一代主要加强了编程、专业知识工作和复杂任务的持续执行能力，同时也把此前比较擅长的视觉理解、空间推理和工具调用能力进一步推向前沿。

在官方展示的demo中，看得出这次Gemini 4 Argon最自信的还是多模态方面。

输入一段模拟风筝的文字提示，生成的效果直接起飞。

而在大家更关心的能不能重回御三家、给用户多一个模型选择这件事上，Gemini4 Argon这次在评测中也表现得相当争气。

在谷歌自家评测中，Gemini4 Argon覆盖了办公、智能体编程、机器学习以及科学推理等多个方向，整体表现已经达到GPT-6 Astra、Opus5.5的水平，其中不少项目甚至实现领先。

第三方Artificial Analysis智能指数中，Argon High也与GPT-6 Astra Max、Claude Fable5.1 Max并列53分。

更关键的是，在达到同等水平的情况下，Argon High的平均每任务成本仅为1.99美元，比Astra低约39%。

这一成本优势体现到首发价格上，就是API每百万输入token2美元，输出10美元。粗算了一下就是Argon的调用成本约为Opus5.5的一半、Astra的五分之一。

值得一提的是，优惠截至11月30日，12月1日起，输入和输出价格将分别恢复至4美元和20美元。也就是说，先打五折，欢迎大家来试。

当然，如果模型不够聪明，做个任务来回烧token，那省下来的钱可能又全烧回去了。

提前体验过Gemini4 Argon的Ethan Mollick，也给出了相当中肯的判断：

这一代相比此前的 Gemini 是一次明显跃升，创造力、写作和使用体验都有进步，但复杂多智能体任务仍有差距，偶尔还会过于自信、犯点懒。

至于为什么新一代旗舰又让大家等了这么久，我翻了翻谷歌的新发布页面，看到了一份217页的安全报告～

（谷歌还是太怕出事了）

最自信的还是多模态

从Pro版本一次次跳票，到今年9月30日宣布首期限量，再到不知道多少个“下周见”之后——

Gemini4 Argon，终于来了。

在官方技术博客中，谷歌把Argon的核心升级总结为一点：更强的长流程任务执行能力。

简单来说，就是模型不再只是回答问题，而是理解目标之后，能够自己查资料、调用工具、修改代码、检查结果，在多个步骤之间持续推进，把一件复杂的事真正做完。

不过，相比于企业、工程场景里的示例，谷歌这次最舍得展示，PR的其实还是多模态能力。

比如，劈柴哥就在推特上放出了一波“自家模型生成自家手机”的demo——

Argon直接生成了Pixel手机相关的3D场景。

另一个案例中，Argon甚至完全通过代码生成了一套3D动态排版效果，包括其中的音乐。

整个过程没有调用预录素材，也没有使用视频编辑软件。

Hassabis在转发巫师棋演示时，也特别提到了模型对于物理规律和3D建模的理解。

甚至这一幕，还让他想起了自己当年在Amiga上玩《战争象棋》的经历。

当然，网友也没闲着，很快把Argon和GPT、Claude、Kimi等模型放到一起进行了生成效果对比。

整体来看，谷歌这次的视觉质感确实非常突出，虽然细节上，比如鲸鱼的运动，仍然能看出一些不自然。

不过，也有网友测出来的结果是，Opus 5.5依旧是神中神。

除了好看的demo以外，这种空间理解能力，也进一步延伸到了真实机器人身上。

在官方展示中，Argon观看了一段人类玩沙包投掷游戏的视频。

随后，它分析环境中的空间关系，计算全身关节运动，自主编写仿真代码，并将方案迁移到Apptronik的Apollo人形机器人上。

可以说，看着GPT、Claude这两天疯狂进军机器人，谷歌这次也终于坐不住了。

谷歌表示，这套“视频—仿真—现实”的流程，可以把过去需要数周人工完成的机器人仿真建模工作，压缩到数小时。

背后的意义是，人类示范正在变得更容易转化为机器人可以学习、练习和验证的任务。

过去，看视频理解动作、搭建仿真环境、编写控制代码，往往是三个割裂环节。

而现在，多模态模型开始尝试把这条链路串起来。

编程提升，谷歌先拿自己的代码库试了

编程方面，这次Gemini4 Argon的核心提升，是处理大型真实项目的长期维护和优化能力。

相比过去只能完成单个代码任务，新一代模型更擅长理解整个代码库的结构，定位性能瓶颈，并跨文件修改、运行测试，把一个复杂工程任务持续推进下去。

这个能力，谷歌首先拿自家的开源智能体框架ADK做了验证。

这个Python项目约有20.5万行代码。团队给Argon的任务是：在不改变接口和现有行为的情况下，降低框架运行开销，并通过测试证明优化有效。

结果，Argon在无人值守状态下连续工作11小时，提出了涉及32个文件的6项优化方案，并跑完了全部16892项开源测试。

最终，经过工程师审核，其中两项优化被合并，包括减少会话历史复制开销，以及让大型模块按需加载。

基于这些修改，ADK长会话中的内存准备开销降低约40%，包导入耗时降低21%。

类似的能力，也被谷歌用在了更大规模的工程任务中。

在Chromium浏览器项目中，Argon协助完成了一项涉及数百个文件的架构重构，把原本预计需要数月的工作压缩到了数周。

此外，在优化Gemma4E2B推理程序时，Argon将特定配置下的吞吐量从每秒约3.79万个token提升至超过10.8万个token，端到端速度达到原来的2.85倍。

谷歌表示，这类优化过去通常需要数月时间，而这一次只用了几天。

放到Google内部整体来看，过去几周，Antigravity中的Argon已帮助团队将智能体代码提交量提升超过35%，代码回滚次数减少近三分之一。

当然了，也有网友表示，自己用起来就没这么好了。真正具体表现还要看之后的大规模使用效果了。

这也和前面的榜单相互印证：Argon在DeepSWE、Vibe Code Bench上很强，但在FrontierSWE和Terminal-bench中，仍落后于表内几款主要竞品。

真实项目里的收益已经有了，能不能稳定复现到更多人的工作里，还得继续看。

专业知识工作能力进一步提升

专业知识工作方面，这次Gemini4 Argon的提升，主要体现在处理多种材料、关联信息，并把结果整理成可以直接使用的产物。

官方展示了一个非常典型的办公场景：

用户给Gemini一个装满零散项目资料的文件夹，要求它整理成一份客户提案。

随后，Gemini会根据自定义技能生成演示文稿，起草邮件、发送材料，并为后续客户请求设置自动化流程。

此外，Gemini应用也同步加入了任务入口。用户可以从聊天切换到任务执行模式，让模型在用户离开电脑后继续完成工作。

与此同时，Antigravity的编程界面也被整合进Gemini macOS应用。

科研场景中，这种连续执行能力则进一步延伸到了实验验证。

谷歌科学家让Argon参与设计丝氨酸酯酶。模型在数小时内完成数据整理、模型调优和候选筛选，最终提出5个新设计。

随后，研究人员把这些设计送进实验室，验证它们能否真正发挥作用。

实验使用的检测分子，其酯键被切断后，生成的产物会在紫外光下发出荧光。按照谷歌披露的结果，五个设计均表现出较强的催化活性。

模型交出的方案，已经走到了实验验证这一步。

谷歌还宣布，将向符合条件并获选的1万名科学家，免费提供六个月的Antigravity最高使用额度，分批开放。

One more thing

前面虽然调侃谷歌怕出事，但这次安全能力确实值得单独说两句。

在评估漏洞修复能力的CWE-bench v1中，Argon取得68%的成绩，与GPT-6 Astra同处官方对比表的最高分。

前Anthropic，现DeepMind Mechanistic Interpretability负责人表示，Argon的安全报告是Google目前最详尽的。

217页可不详尽吗？

在Gray Swan间接提示词注入评测中，经过15次自适应攻击尝试，Argon的攻击成功率为0.7%。

所以，那217页里，还是有不少正经内容的。

至于这是不是旗舰发得慢的原因，咱们没有证据。

只能说，模型终于发出来了，谷歌还顺手交了一本书。

参考链接
[1]//blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/