你让 AI 接手一个大工程，难点往往不在“会不会答”，而在它能否连续工作：读懂几千万行代码，规划多步修改，发现失败后回头修正，同时不越过权限边界。Google 新发布的 Gemini 4 Argon，瞄准的正是这类复杂、耗时、不能一次答完的任务。更值得注意的是，Google 同时公布了通用模型、机器人应用和安全报告，试图把“能力更强之后怎么落地、怎么管住”放在同一场发布里说明白。
需要先说清信源：目前可见的模型成绩、工程案例和安全数据都来自 Google 或 Google DeepMind，尚无独立第三方复核。部分页面称已经开放，另一些称正在扩大推出，因此不宜理解为所有入口、所有地区和所有用户都已同步获得使用权。
从少数试用，走向一整套产品入口
Gemini 是 Google 覆盖消费者产品、企业服务和搜索入口的旗舰模型家族。旗舰模型，简单说，就是厂商当期能力最强、任务覆盖面最广的一档，也常被用作后续专用版本的基础。
我们在 10 月 2 日已经介绍过 Argon 的长流程能力、百万 Token 输出上限和内部工程案例。当时它仍主要处于受控试用阶段，只向少数安全团队开放。此次变化首先是可用范围扩大：据 Google DeepMind 官方博客，开发者和企业可通过 AI Studio 与 Gemini platform 的 API 调用；Google AI Ultra 用户可在 Google Antigravity 使用；Gemini app 和 Search 的 AI Mode 则面向相应的 Ultra、Pro 用户提供。API——也就是让开发者把模型接进自己产品的标准接口——开放后，外部团队才有机会真正测试它，而不只是观看演示。
首发价格为每百万输入 Token 2 美元、每百万输出 Token 10 美元。Token 是模型处理文字时采用的基本计量单位，不完全等同于汉字或单词。缓存过的输入 Token 优惠 95%，适合反复引用同一批长文档或代码。不过官方称这是“introductory price”，后续可能调整。
它的新意，不只是一次回答更聪明
Google 把 Argon 的重点放在“deep work”，即需要较长时间、多轮判断和持续修正的复杂工作。这里的多步推理，不是模型立即给出一个结论，而是先规划，再调用工具或检查材料，根据结果继续推进。
官方称 Argon 在 Vals Index 排名第一。该指标衡量模型在金融、编程、法律和税务等经济领域的表现。但跑分之外，更容易理解的是工程案例。
据 Google 披露，Argon 在内部让智能体提交的代码增加超过 35%，代码回滚则减少近三分之一。Chrome 团队还用它处理 Chromium 约 4000 万行代码：从中拆分约 600 万行遗留浏览器功能代码，涉及数百个文件，把原本需要数月的重构压缩到数周。另一支团队只给出一段目标说明和项目规则，让 Argon 通宵优化开源的 google/adk-python；上线后的修改使长会话内存 session 准备时间减少 40%，冷启动 import 加快 21%。这些数字都来自 Google 内部项目，说明了它想解决的问题规模，但不等于外部团队一定能复现相同收益。
从代码走到现实世界
这次发布还包括 Gemini 4 Argon for Robotics。机器人基础模型的工作，是把视觉、语言和空间信息转成对环境的理解或动作计划，连接通用 AI 与机器人的感知、控制系统。
Google 称，Argon 在 Embodied Reasoning（ERQA）基准上得到 87%。这项测试考察模型能否理解三维环境中的物理和空间问题。官方还展示了它如何从原始视频估计深度与物理边界，编写仿真代码，自动搭出尽量贴近现实的模拟环境。机器人可以先在这个“数字排练场”试错，再执行真实动作。
一个具体例子是 Boston Dynamics Spot。它有具备 12 个自由度的腿和 6 个自由度的机械臂；自由度可以理解为机器关节能够独立运动的方向数量。Argon 为脚踏式垃圾桶建立 MuJoCo 数字孪生——也就是在仿真软件里制作一个会按相似物理规律运动的副本——让 Spot 练习踩下踏板，再把易拉罐投入桶中。
据 Google Developers Blog，另一项演示甚至从一张手绘草图开始：图里的人形机器人要把球投向六只叠成金字塔的箱子。Argon 据此建立物理仿真，为拥有 76 个自由度和五指手的人形机器人生成全身投掷动作，并在闭环模拟中击倒全部箱子。所谓闭环，就是机器人每做一步都重新观察结果，而不是从头到尾盲目执行预定动作。这类演示的意义，不是证明机器人已经能处理任意现实任务，而是展示从模糊意图到可验证动作计划的链条正在缩短。
能力越强，安全问题越具体
安全报告给这次发布补上了另一半。Google 称，Argon 在 12 个端到端模拟网络攻击场景中全部成功，上一代模型只完成 5 个；在 CWE-Bench 漏洞修复测试中，它以 68% 并列第一。Wiz 还在早期使用中借助 Argon 找到医院软件的一个严重漏洞，官方称该问题涉及数十万份患者记录。
这些结果同时解释了为什么模型此前只向部分防御团队开放：能找漏洞的系统，也可能被用于攻击。Google 为此设置三层实时防护。第一层检查用户输入和对话上下文；第二层用较小的模型读取内部神经信号，寻找与网络攻击或生物威胁相关的活动；第三层持续观察生成过程，必要时中途停止。官方称，在一组对抗性测试中，Argon 的违规次数较此前模型减少近两倍。
风险还不只来自恶意用户。一个能力较强的 Agent——能够规划、调用工具并持续执行任务的 AI 系统——可能为了完成目标而绕过限制。Google 表示，它训练 Argon 尊重系统边界、如实报告失败，并在关键节点请求人工确认；同时部署自动监控器，实时检查 Agent 的动作和内部推理记录，对严重越界进行阻断。
为什么值得关注
这次发布的关键信号，不是某一个榜单名次，而是 Google 把同一套能力铺向了三条线：通用模型进入 API、应用和搜索入口；机器人版本把推理延伸到物理环境；安全系统则尝试跟随模型的执行过程实时介入。
换句话说，竞争重点正在从“谁能给出更好的答案”，转向“谁能让模型可靠地做完一段长工作”。而当 AI 开始修改大型代码库、操作机器人或寻找真实漏洞时，产品入口、执行权限与安全监控就不再是附属功能，而是模型能力本身的一部分。
局限与未知
- Vals Index、CWE-Bench、ERQA、安全测试和 Google 内部工程指标均缺少独立复核，结果也取决于参测模型、版本和测试设置。
- Chrome、ADK、Wiz 与机器人案例均为官方自述；现有材料没有提供足够细节，用来判断外部复现难度或长期稳定性。
- 官方材料部分正文被截断，也未完整披露安全限制、实验脚注及各产品入口的具体开放节奏。