Gemini 4 Argon 发布：19 项测试拿下 14 项第一，单次输出上限提至 100 万 token

Gemini 4 Argon 发布 — woshipm.com · 20 小时前 · 🤖 AI / ML

Google 于今天凌晨发布新一代前沿系统 Gemini 4 Argon，并把单次输出上限从上一代的 64K token 直接提升到 100 万 token，推广期定价为每百万 token 输入 2 美元、输出 10 美元。在与 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 的横向对比中，Argon 覆盖知识工作、Agent 编程、机器学习工程、科学与数学、长上下文、电脑操作、多模态理解和网络安全等 18 项测试、19 个分项，拿下 14 项第一，其中 CWE-bench v1 与 GPT-6 Astra 并列；其余 5 项第一分别属于 GPT-6 Astra（FrontierSWE v2 65.5%、Terminal-Bench Science 0.1 68.1%、OSWorld-2.0 72.6%）和 Claude Opus 5.5（Terminal-Bench 4.0 66.4%、PostTrainBench 49.3%）。Argon 的分数均在 Gemini API 最高思考档位下以单次 pass@1 取得，不做多数投票，也不并行多次采样。编程方向上，它在长周期软件工程测试 DeepSWE v1.1 上取得 77.9% 的新高，Vibe Code Bench 为 91.9%；在按各行业对美国 GDP 贡献加权的 Vals Index 上以 68.9% 首次登顶，超过 Claude Opus 5.5 的 67.0%。法律、金融、企业流程自动化与长上下文分项同样领先。Google 内部已用它做 C/C++ 到 Rust 的迁移和数据中心内存优化。该版本尚未全面开放，先通过 Fairwind 计划交付受信任的网络防御者，并进入美国政府发布前评估流程，之后从付费 API 用户和 Google AI Ultra 订阅者开始分批放开。

核心信息

对比成绩：Argon 与 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 在 18 项测试、19 个分项上同台，Argon 拿下 14 项第一，CWE-bench v1 与 GPT-6 Astra 并列；丢掉第一的 5 项分别是 FrontierSWE v2（GPT-6 Astra 65.5%）、Terminal-Bench 4.0（Claude Opus 5.5 66.4%）、PostTrainBench（Claude Opus 5.5 49.3%）、Terminal-Bench Science 0.1（GPT-6 Astra 68.1%）和 OSWorld-2.0（GPT-6 Astra 72.6%）。
能力规格与开放节奏：单次输出上限由上一代的 64K token 提到 100 万 token，推广期价格为每百万 token 输入 2 美元、输出 10 美元；发布后先通过 Fairwind 计划交给一批受信任的网络防御者，并进入美国政府的发布前评估流程，随后才从付费 API 用户和 Google AI Ultra 订阅者开始，逐步开放给开发者、企业和普通用户。
工程与编程表现：长周期软件工程测试 DeepSWE v1.1 拿到 77.9%，高于 GPT-6 Astra 的 74.1% 和 Claude Opus 5.5 的 74.2%；Vibe Code Bench 为 91.9%，其余三家都在 90% 上下；Google 工程师已在日常调试、大规模代码库迁移和算法设计中使用它，并完成了 C/C++ 到 Rust 的迁移以及数据中心内存优化。
行业价值与长上下文：按行业对美国 GDP 贡献加权的 Vals Index 上以 68.9% 首次登顶；金融研究测试 Vals Finance Agent v2 得 65.4%，比第二名 Claude Fable 5.1 高 6.5 个百分点；Harvey 的法律测试得 19.6%，其他三家均不足 7%；Zapier 的 AutomationBench 以 51.3% 领先 Claude Opus 5.5 的 42.5%；长视频 LVBench 91.7%、图表理解 Chartography 71.6%、GraphWalks 的 256K 到 100 万 token 分项 84.2%。

💡 为什么值得读: 一份可直接横向比较的成绩总表，加上从 Fairwind 到付费用户的分阶段开放路径，是判断这一代前沿系统真实能力与落地节奏的少见切片。

✍️ 小编看法: 小编看法：Argon 这份成绩单里最值得注意的不是 14 项第一，而是单次输出上限被推到 100 万 token 之后，任务的边界被重新定义了。过去一次调用只能完成一段代码或一份摘要，现在可以要求它一口气写完一整个模块、一份完整的法律意见书，或者一段跨系统的运维脚本。代价也随之放大：按每百万输出 token 10 美元计算，一次满载输出就是 10 美元，叠加最高思考档位带来的延迟，单次交互的时间与金钱成本都会明显高于以往。更值得警惕的是评测口径。Argon 的成绩全部来自最高思考档位的单次 pass@1，而对手的数字多数取自各家自己公布或公开榜单，档位、采样方式与测试环境未必一致，14 比 5 的差距不宜被直接读成能力差距。分阶段开放的安排同样意味深长：先交给受信任的网络防御者，再走美国政府的发布前评估，然后才轮到付费接口和订阅用户，这说明前沿能力的扩散节奏正在被监管与风险控制重新编排。对做产品和做工程的人来说，真正的机会集中在法律、金融和企业流程这三块，Harvey 法律测试上 19.6% 对不到 7% 的落差说明高价值专业场景仍有大片空白；而长周期任务的可靠性、成本控制与结果可审计，会是接下来最实际的门槛。下一步值得盯的是正式开放后的真实调用数据，以及竞品在长上下文与长输出上的回应速度。

🏷️ Gemini 4, Google, LLM, token limit