Gemini 4 Argon｜输出百万Token半价腰斩对手　跑分屠榜深度解释

撰文：黄赞臣

出版：2026-10-01 08:12更新：2026-10-01 08:50

Alphabet 旗下谷歌 Google 无预警发布全新第四代旗舰模型 Gemini 4 Argon（美国时间 2026 年 9 月 30 日晚）。全新模型架构将单次生成输出上限由原先的 64K 一口气拉升至 100 万 Token，首发定价每百万输入仅 2 美元、输出 10 美元，价格仅为对手 Claude Opus 5.5 的一半，更在18项企业与代码基准评测中，夺得13项第一名，被网民称为“屠榜”。根据X平台多名测试者披露，Gemini 4的生成速度是对手的3倍或以上，非常快速。

Gemini 4 Argon 展现王者归来的气势，令科技市场震动，但首阶段仅开放予网络防御审查团队。而且，传说中的Gemini 4 Pro 并未现身。

王者归来：13 项榜单霸榜背后有哪些优点和缺点？

在此次发布的 18 项前沿基准测试中，Gemini 4 Argon 拿下 13 项第一，并在 1 项与对手打平。其中一般普通用户最关注的“AI幻觉”方面，Gemini 4 能力有明显提升。

根据AA-Omniscience Non-Hallucination Rate 非幻觉率评测，Gemini 4 Argon 直接登顶第一名（高达 96% 左右）。这意味著该模型在几乎不会瞎猜，回答的可靠性极高。在模型能力方面，在多名测试者抢先发布的作品中，可见Gemini 4 Argon的表现确实全面碾压 OpenAI 的顶级模型GPT 6 Astra。（见下文的多则 X 帖文）

AA-Omniscience Non-Hallucination Rate（非幻觉率） • 定义：计算公式为 1 - 幻觉率。这个指标衡量模型在面对不确定的盲区时，能否准确辨识自己的知识边界，选择“拒绝回答”或“承认不知道”，而不是胡编乱造（即产生幻觉）。

长程软体工程评测 DeepSWE v1.1 上，Argon 跑出 77.9% 的历史新高，直接越过 Claude Opus 5.5（74.2%）与 GPT-6 Astra（74.1%）。

在专注真实业务工作流的 AutomationBench，Argon 录得 51.3%，领先第二名 Opus 5.5 整整 8.8 个百分点。

法律推理基准 Harvey's Legal Agent Benchmark 的差距更加悬殊，Argon 取得 19.6%，接近 Claude Fable 5.1（6.7%）与 GPT-6 Astra（5.4%）的三倍。

数据亮眼，但并非全无破绽。

细看终端系统操作与底层代码，Argon 出现明显失分。在考验底层复杂架构修复的 FrontierSWE v2 上，GPT-6 Astra 以 65.5% 狠甩 Argon 的 55.0%，落后幅度达 10.5 个百分点。

在终端指令操作 Terminal-Bench 4.0 上，Claude Opus 5.5 亦以 66.4% 保持 9 个百分点的明显身位。

Gemini 4 Argon未算全能战神，传将推出Ultra终极版

社群平台 X 上，科技圈早期Gemini 4测试者（如被广泛转载的推文与技术讨论串）近期流传一种论调：代号“Argon”（氩气）的模型仅是 Gemini 4 世代的中阶定位，后续还有更庞大的重量级杀手锏。这个说法只对了一半。

从化学元素的命名体系推敲，氩（Argon，原子序 18）属于钝气家族。根据矽谷开发者社群在 Reddit 与 Hacker News 的代码爬梳，Google 内部过去确曾出现不同气体代号（如早期测试的 Krypton、Xenon 甚至 Radon）的实验版本纪录。

但官方事实完全相反。Google DeepMind 执行长德米斯·哈萨比斯（又译：德米斯·哈萨比斯 / Demis Hassabis）团队在发布会中将 Argon 定义为该公司“最强大的前沿智能体（Frontier Intelligence）”。之所以被社群猜测为“入门”，主因在于其 2 美元的定价过于激进，加上早期泄漏基准过高，让部分期待“全方位碾压”的开发者产生心理落差。

目前的权威定论清晰：Argon 就是 Google 现阶段推向商业战场的真正旗舰，而非缩水试水版。不过，X平台上多位参与测试的专业人士纷纷披露，Google 很可能推出Gemini 4 Ultra 终极版，将拥有更强大的能力。

突破 100 万输出 Token，底层技术到底改了甚么？

过去的大模型，往往以“百万 Context 窗口”作为宣传卖点，但那指的是“读取（Input）”，实际“写入（Output）”通常被死死卡在 8K 到 64K 的狭窄区间。

Argon 彻底打破这个紧箍咒。

模型具备高达 100 万 Token 的单轨迹生成能力（Single-trajectory Generation）。这意味著它不再需要被人类开发者一段一段拆解催促，而是能够在单次任务中维持连续逻辑链，从头到尾写出数万行具备上下文关联的可用代码。

多名抢先测试的用家，在X平台上惊叹，Gemini 4 能轻易生成复杂而华丽的3D作品：

成果已在 Google 内部落地：

核心系统迁移：Argon 智能体已接手 Fuchsia 系统中超过 80 万行的 Zircon 微内核代码，将 C/C++ 自动改写为具备记忆体安全的 Rust 语言。

底层性能跃升：在 libgav1 影像解码器重构中，Argon 重写了 32,000 行 SIMD 指令代码，成品运行速度比过往人工移植版本快出 2.7 倍，产出位元影像完全一致。

机房算力释放：Argon 针对底层运行库进行自我调优，直接为 Google 数据中心释放了超过 300 TiB 的记忆体资源，预计最终可节省多达 1 PiB。

更让资安界震动的是抗干扰能力。有报导指出，在 Gray Swan 的间接提示词注入（Indirect Prompt Injection）测试中，Argon 在连续 15 次攻击下的沦陷率仅为 0.7%，而 GPT-6 Astra 的失败率为 8.5%，国产模型 Kimi K3 则高达 52.7%。

防御固若金汤。

API 定价屠杀：性价比狂甩对手几条街？

根据 Proje Defteri 成本分析精算，Google 为 Argon 设定了极具掠夺性的首发促销价：

输入 Token：每百万 2.00 美元（正式期恢复至 4.00 美元）
输出 Token：每百万 10.00 美元（正式期恢复至 20.00 美元）
快取输入（Cached Input）：直接给予 95% 折扣，每百万仅 0.10 美元

横向对比业界：Anthropic 的 Claude Opus 5.5 当前每百万输入要价 4 美元、输出 20 美元，Argon 正好是它的五折。OpenAI 的 GPT-6 Astra 更是高居输入 10 美元、输出 50 美元，Argon 的单次调用成本整整便宜了 80%。

若以一个包含 100 万输入 Token 及 20 万输出 Token 的中型自动化稽核任务计算：GPT-6 Astra 帐单：20.00 美元
Claude Opus 5.5 帐单：8.00 美元
Gemini 4 Argon 首发：4.00 美元

当企业面对百万次呼叫时，这笔差额不是四舍五入的零钱，而是上千万美元的真金白银。

成功秘密：Gemini自己训练自己　Google实现 RSI 突破？

递归自我改进（又译：递归自优化 / Recursive Self-Improvement, RSI）在 2026 年秋天跨越理论红线。Google 旗下研发团队近期在康奈尔大学预印本库（arXiv）接连公开重磅研究，证实 AI 研究智能体已能在模型底层权重冻结的前提下，透过双层优化架构与回放模拟机制，自主改写外围工具代码并自我纠错，使研发效率呈跨领域递增。这项技术随即被无缝注入最新旗舰 Gemini 4 Argon 官方架构，让单一模型能自主重构数十万行作业系统内核代码。

长久以来，AI 研发被困在“人力堆砌”的死胡同，从此改写：

工程师写 Prompt、调超参数、搭建工具链，模型只是被动执行的计算单元。一旦遇到极其复杂的长程科研任务，搜寻空间动辄包含数千次方案生成与评估，固定策略的智能体往往反复误入死胡同，耗尽算力却一无所获。

DeepMind 打破了这个僵局。

根据刊登于预印本平台的 Dream-RSI 论文专案，研究人员提出了一套“世界演化架构”。核心秘密在于把探索历史转化为“可回放的模拟地图”。AI 走出第一趟盲区后，毋须每次在真实环境硬碰硬测试，而是能在内部构建的模型中快速想像、预演不同决策分支，大幅缩减在演算法设计、GPU 核心工程及数学优化时的无效试错成本。

权重不用动。策略自己进化。

另一项刊载于 arXiv 的 AI 研究智能体递归自我改进论文更进一步揭露了惊人实测：在完全无人干预的 8 天自主连续运行中，双层优化系统（Bi-level Optimization Loop）的外层代理不断审视并改写内层代理的代码结构。改动从未见过的架构代码，结果却成功泛化至完全陌生的科研任务，研究效率持续拔高。

Analytics India Mag 专题分析点出关键：Google DeepMind 在通往人工通用智能（AGI）与超级智能的蓝图里，早就把 RSI 列为最致命的四大支柱之一。

以往，自我优化最容易陷入“奖励作弊（Reward Hacking）”——AI 为了冲高跑分，钻空子修改评测脚本。

最新架构用外层元优化锁死了评价基准，逼使智能体只能老老实实改良问题求解策略。

成果直接体现在刚面世的 Gemini 4 Argon 上。能一口气接管 Fuchsia 系统超过 80 万行 Zircon 内核、将 C/C++ 自动改造成 Rust 记忆体安全代码，靠的正是这套 RSI 循环。

自我迭代的闸门已经拉起。

传Google内部对 Gemini 4 能力存质疑与分歧

彭博社（Bloomberg）报导指出，Google 内部员工对即将全面推向市场的新一代旗舰模型 Gemini 4 Argon 在“程式码编写（Coding）”等关键实务表现上存在质疑与分歧。

基准测试与实际应用落差：虽然 Google 官方公布的基准测试数据表现亮眼（部分资安与推理测试超越竞品），但知情内部人士向彭博社透露，在真实复杂的工作场景及特定软体编程任务中，Gemini 4 的实测表现不符预期。

竞品进度压力：部分员工忧心竞品（如 OpenAI 的 Astra 系列与 Anthropic 的 Fable/Mythos 系列）在真实任务与代理（Agent）能力上的迭代速度仍快于 Google。

Google 官方立场与反驳

否认表现不佳：Google 官方反驳了这项指控，表示称其在编程等领域表现欠佳并不准确。由 Koray Kavukcuoglu 带领的 Google DeepMind 团队表示，Gemini 4 已在内部广泛投入复杂工程任务，包含大规模资料中心记忆体最佳化以及将大型 C/C++ 专案迁移至 Rust 等实务工作。