Gemini 4 Argon把输出上限推至100万Token：超OpenAI与Claude标准接口7.8倍

100万Token单次输出，Gemini 4 Argon先把行业上限推高近8倍

Google发布Gemini 4 Argon后，最值得关注的并不是又一个跑分第一，而是它把单次最大输出从上一代64K直接提升到1M Token。对比OpenAI GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna以及Anthropic Claude Fable 5.1、Opus 5.5、Sonnet 5.5的128K标准输出上限，Argon高约7.8倍。

这里的1M指最大输出，不是输入上下文。它决定模型在一次任务轨迹中最多能够持续生成多少推理、代码、工具调用与修复结果。Google把这一指标一次拉高近一个数量级，为超长任务型Agent开创了先河。

对于C/C++转Rust、数十万行代码迁移、跨文件重构和长周期Agent任务，输出空间越大，越少需要中途拆分任务、压缩上下文和重新交接。模型可以在同一条轨迹中持续修改文件、运行测试、分析错误并继续修复，减少约束丢失、重复修改和前后不一致。Google让Argon参与超过80万行Fuchsia Zircon内核迁移，正是这一规格最直接的应用。

需要强调的是，输出上限不是有效输出质量的保证。任务持续越久，早期错误越容易累积，也越依赖检查点、自动测试、差异审查和回滚机制。单看输出容量，Google已经明显甩开OpenAI和Claude；整体工程能力是否同样领先，还要等待外部用户实测。

为什么大型代码迁移最受益

传统模型即使能读取很长的上下文，也可能在输出长度上受到明显限制。复杂代码迁移、连续实验、长篇研究和多阶段Agent任务，常常需要拆成多轮运行。每次重新开始都会带来状态传递、上下文压缩和错误累积。

Google称，Argon可以在一条任务轨迹中持续推理并生成数十万Token，从而为更长、更复杂的问题提供足够的执行空间。潜在用途包括：

• 大型代码库迁移和跨文件修改
• 长时间运行的软件工程Agent
• 多阶段金融、法律和税务研究
• 大规模漏洞搜索、验证与修复
• 需要反复调用工具和检查结果的工作流

但更长输出不等于自动获得更高质量。任务运行得越久，早期错误被放大的风险越高，成本、延迟和审查难度也会增加。企业真正关心的不是模型“最多能吐多少Token”，而是它能否在几十万Token之后仍保持目标一致、正确使用工具并交付可审查结果。

价格：首发2美元/10美元，之后恢复4美元/20美元

Google公布了Gemini 4 Argon的API价格：

Google尚未说明首发优惠结束的具体日期。100万Token输出上限也不代表每次调用都会生成100万Token；若真的完整生成100万输出Token，仅输出费用按优惠价约10美元，恢复常规定价后约20美元，还没有计算输入和工具调用成本。

从定价看，Google希望Argon进入大规模工程工作流，而不是只做少量旗舰演示。缓存输入打95折，对反复读取同一代码库、合同库或研究资料的长任务尤其重要。

软件工程：DeepSWE v1.1达到77.9%

Google称，Gemini 4 Argon在衡量真实长周期软件工程任务的DeepSWE v1.1上取得77.9%，刷新该基准最高成绩。

Google内部已经把Argon用于日常调试、大型代码迁移和算法设计，并披露了几项案例：

C/C++迁移到Rust

Argon Agent正在参与Google内部与开源项目的Rust迁移，规模从re2、libgav1等数万行核心库，扩展到超过80万行的Fuchsia Zircon内核。Google强调，这些关键系统仍需自动化审计、人工审查、仿真和测试，不能把模型生成代码直接视为可上线成果。

libgav1性能优化

在Google开源视频解码器libgav1中，Argon Agent基于已有Rust移植版本，替换了约3.2万行SIMD代码。它通过多轮性能分析与编译器输出研究，让编译器自动完成向量化。Google称，最终Rust版本的视频输出保持一致，速度达到此前Rust移植版的2.7倍。

这项案例的价值不只是“写出Rust代码”，而是模型能在性能分析、编译器行为、代码修改和结果验证之间反复循环。

Google内部案例：释放300 TiB内存，预计最高节省1 PiB

Google还披露，一组Argon Agent分析了数据中心全局性能遥测，自主识别并应用内存优化。相关改动上线后已经释放超过300 TiB内存，预计总节省规模为500 TiB至1 PiB。

这是一个很有分量的内部案例，但仍需要谨慎理解：Google没有公开完整代码、测量方法、运行周期和人类参与程度，外部无法独立复现。它证明了Argon在Google自身基础设施中的潜力，不等于其他企业接入后可以直接获得同等收益。

量子计算：几分钟内将公开基线优化40%

Google称，Argon帮助量子计算研究人员优化关键子程序的时空资源，即量子比特数量与门操作数量的组合成本。在一个案例中，它在几分钟内把已发表基线提高了40%。

官方没有在发布文章中给出足够技术细节供外部核验，因此这一结果应作为Google披露的内部案例，而不是经过独立同行评审的新纪录。

企业知识工作：金融、法律和自动化基准领先

Argon不仅面向代码。Google给出的基准包括：

• Vals Index：综合金融、编程、法律和税务工作的经济影响评估，Google称Argon排名第一
• Vals Finance Agent v2：多步骤金融研究任务表现领先
• Harvey Legal Agent Benchmark：法律研究与起草表现领先
• AutomationBench：覆盖核心业务流程的端到端自动化测试，得分51.3%，排名第一
• LVBench：长视频理解得分91.7%，Google称达到当前最高水平

这些结果体现了Argon的定位：不是追求短问答跑分，而是处理需要多阶段研究、视觉理解、文档操作和工具执行的工作。

不过，不同厂商在模型、工具框架、推理预算和测试环境上的配置可能不同。排名不能直接转换为企业真实任务成功率，采购前仍需使用自己的文档、流程和权限环境重测。

网络安全是最强能力，也是暂缓全面开放的原因

Google把网络防御列为Argon的核心能力。模型可以自主发现、验证并修补严重软件漏洞。

在CWE-bench v1漏洞修复基准上，Argon以68%并列第一。Google还表示：

• Argon在内部漏洞基准中发现了覆盖20种编程语言的多类安全问题
• 在Wiz内部黑盒渗透测试基准上，它在攻击面发现、漏洞识别和概念验证证据生成方面超过Gemini 3.8 Flash Cyber
• Wiz已通过Scan for Good计划使用Argon保护关键公共基础设施
• 一次早期测试中，Argon发现了全球医院使用的医疗软件中的严重漏洞，该漏洞可能暴露敏感个人信息，且此前前沿模型没有发现

这些能力既能帮助防御，也可能被用于攻击。因此，Google当前只向可信防御者提供无网络安全限制的版本，并参与美国政府的模型发布前访问流程。普通版本将保留针对恶意网络攻击以及化学、生物、放射和核风险的拒绝机制。

Google为Argon增加四层安全措施

防止高风险滥用

Google通过内部和外部红队测试强化网络攻击与CBRN相关防护，并尝试监测模型内部激活信号来识别滥用。

抵御间接提示注入

Agent读取网页、邮件和文档时，可能遇到隐藏的恶意指令。Google称Argon在Gray Swan间接提示注入基准上处于领先水平，并使用自动红队和对抗训练提高鲁棒性。

监测越权与目标偏移

Google部署了失配监控，观察模型推理和操作；当Argon试图以超出用户意图的方式完成任务时，系统可以停止执行。Google还表示，在训练过程中使用类似机制向专门事件响应团队报警。

加固执行环境

高能力Agent需要运行代码和操作工具。Google正在隔离并封闭高风险训练、测试所使用的沙箱，避免模型能力超过测试环境的控制水平。

这些措施说明，Argon的挑战不只在“模型答得准不准”，还在于长时间自主工作时能否始终遵守权限与目标。

目前谁能用，什么时候全面开放

Gemini 4 Argon采用分阶段发布：

1. 当前通过Fairwind Program向可信网络防御者开放
2. Google内部和少量可信测试者继续进行真实场景评估
3. 参与美国政府自愿的发布前访问流程
4. 完善防护后扩大到开发者、企业和消费者
5. 更广泛发布将优先从付费API客户和Google AI Ultra订阅用户开始

Google只说“尽快”扩大开放，没有给出确定日期。因此，现阶段看到的价格和能力并不意味着普通开发者今天已经可以在AI Studio或Vertex AI直接调用。

这次发布真正值得关注什么

大模型开始竞争单次任务的持续工作长度

过去行业重点是上下文窗口能装多少内容，现在Google把竞争推到单条轨迹能持续输出和执行多久。100万Token输出上限是一个明确的产品信号：前沿模型要从回答问题转向完成长周期工程。

代码迁移正在成为Agent的高价值战场

C/C++到Rust迁移、性能优化和大规模基础设施改造都有清晰商业价值，也比生成Demo更能检验模型能否跨文件、跨工具保持一致。

网络安全能力正在影响模型发布节奏

Argon不是做完就全面上线，而是先给可信防御者测试。随着模型能够自主发现和利用漏洞，安全评估已经从附加流程变成决定产品能否开放的关键门槛。

百万Token输出也会带来审查成本

企业不可能人工逐字检查几十万Token。真正可用的长周期Agent必须提供过程日志、检查点、差异对比、自动测试和异常回滚，否则“能输出更多”只会让错误更难发现。

总结

Gemini 4 Argon是Google面向长周期专业工作的下一代前沿模型。它支持最高100万Token单次输出，在DeepSWE v1.1取得77.9%，AutomationBench得分51.3%，LVBench得分91.7%，并在CWE-bench v1以68%并列第一。

Google内部已将它用于Rust迁移、视频解码器优化、数据中心内存节省和量子算法研究；网络安全合作伙伴则用它发现和修复严重漏洞。这些案例很有吸引力，但多数仍来自Google和合作方，外部独立验证有限。

更重要的是，Argon目前还不是全面可用产品。它先向可信网络防御者开放，随后才会扩展到付费API客户、Google AI Ultra、企业和消费者。首发优惠价为每百万输入2美元、输出10美元，优惠结束后恢复4美元和20美元。

真正值得观察的不是百万Token这个单一数字，而是Argon能否在超长任务中维持正确率、权限边界和工程质量。如果能做到，模型竞争将从“谁回答得更聪明”进入“谁能独立完成更长、更难、可验证的真实工作”。