谷歌于当地时间 9 月 30 日推出旗舰人工智能模型 Gemini 4 Argon。据彭博社报道，该模型首先向一小批经过筛选的网络安全合作伙伴开放，在完成更多测试后，将优先面向付费订阅用户扩大开放范围。

谷歌称，Gemini 4 Argon 在多项基准测试中取得靠前得分，其中一项安全能力测试的成绩超越了 OpenAI 的 Astra 模型。不过彭博社同时报道，部分参与项目的知情人士表示，当谷歌员工实际用该模型开展工作时，其在代码编写等核心任务上的表现不如基准测试亮眼，尤其不擅长前端设计类工作。

基准成绩与定价

据公开资料，Gemini 4 Argon 在 DeepSWE v1.1 代码基准上取得 77.9% 的成绩，在 CWE-bench v1 漏洞修复测试上为 68%，在 AutomationBench 端到端业务任务上为 51.3%。该模型单次输出最高可达 100 万 token（约 75 万单词），定位软件工程、金融、法律与网络安全等时长较长、复杂度高的任务。

定价方面，入门阶段输入 token 为每百万 2 美元、输出 token 每百万 10 美元，后续将上调至每百万 4 美元与 20 美元。

内部看法出现分歧

谷歌否认”实战表现不佳”的说法，并将彭博社的问询引向谷歌 DeepMind 负责人科拉伊·卡武库奥卢（Koray Kavukcuoglu）此前的公开表态——他对团队性能”抱有十足信心”。一名熟悉研发的谷歌员工则称，公司内部已”形成广泛共识”，认为 Gemini 4 处于行业前沿。

也有员工认为，Anthropic 的 Fable 与 OpenAI 的 Astra 迭代速度已超过 Gemini；另有员工认为新版本已追上领先实验室。业内专家将这种现象称为”基准跑分内卷（Benchmaxxing）”：过度追求测试分数，而非真正把任务做好。

追赶之路并不轻松

Gemini 3 于去年 11 月发布，被视为谷歌追赶 OpenAI 与 Anthropic 的转折点。谷歌曾在今年 5 月 I/O 大会公布 Gemini 3.5 Pro，并承诺次月发布，但据知情人士称该项目后续被搁置。彭博行业研究分析师估算，训练这一级别的大模型单次运行开销最高可达 4 亿美元。

对谷歌而言，Gemini 4 是其几乎全部产品（搜索、地图、邮箱、Chrome）的底层支撑，每一款用户规模都超过十亿。若拿不出顶尖新一代模型，OpenAI 与 Anthropic 打造的编程智能体等产品，就将获得更多说服用户迁移的机会。