谷歌Gemini 4 Argon上线：API限时五折，Chrome重构从数月缩到几周

跳票多时的 Google Gemini 4 系列，这回总算落地。谷歌 DeepMind 刚刚面向全球推出该系列的首发前沿模型 Gemini 4 Argon。

按照官方说法，Gemini 4 Argon 瞄准的是现实世界里的复杂任务，主攻软件工程、企业知识工作以及网络防御三块，眼下先向全球开发者、企业和消费者分批开放。

基础能力方面，谷歌在长上下文和多模态原生架构上的优势被 Argon 继续放大：上下文输入支持 100 万 token（1M），文本、高分辨率图像、视频和音频都是原生覆盖。至于链条特别长的复杂任务，Argon 能跨请求接续输出多达上百万 token，Agent 执行长周期规划任务时动不动就超时、断流的老毛病算是有了着落。

Artificial Analysis 的首发基准里，Argon 在 Intelligence Index 榜单上拿到 53 分，跟 GPT-6 Astra（Max）打平；不过靠结构效率和定价比，同样难度的高智力任务，它的单任务加权成本大约只有后者的 60%。

官方定价显示，Argon 的 API 目前是输入 2 美元 / 百万 tokens、输出 10 美元 / 百万 tokens。长程交互里反复用到的上下文缓存（Context Caching），折扣给到了 95%。

但这个优惠只到 11 月 30 日，过了这个点就恢复原价，涨到 4 美元 / 20 美元。

使用渠道上，全球开发者和企业用户可以通过 Gemini API 付费版本以及 Gemini 平台调用；Google Antigravity 的 Ultra 订阅用户，还有 Gemini 应用和搜索中的 Ultra、Pro 订阅用户，同样能体验这款模型。

几周完成 Chrome 数月的重构工作

编程是 Gemini 4 Argon 此番重点秀的能力。谷歌称，公司内部 Argon 已经大量用于复杂软件工程任务：过去几周借助 Antigravity，由 Agent 完成的代码提交量涨了超过 35%，代码回滚量则少了近三分之一。

典型例子是 Chrome。Chromium 的代码量约 4000 万行，其中单是一个装着浏览器功能的历史遗留目录，就有约 600 万行代码。

Chrome 团队想做的事，是把核心网页处理逻辑跟浏览器功能代码拆开，让网页在标签页、侧边栏和浮动窗口之间切换时不必重新加载。可这牵扯到数百个文件的架构调整。

有了 Argon 帮忙，团队分成多批做代码修改，原本要耗上数月的重构被压到几周，上面那个功能的落地也就有了底子。

谷歌开源的 Agent Development Kit（ADK）同样因为 Argon 提了速。工程师只给 Argon 一份项目规则文件和一小段目标描述，让它压低框架开销，同时别破坏现有应用的兼容性。

Argon 自己跑了一整夜，拿出的优化方案现在已经合进这个开源项目：长会话中的内存会话准备耗时少了 40%，冷启动导入速度提高 21%。

模型推理这块，Argon 还帮团队优化了 Gemma 4 E2B。只用几天，团队就在 A100 GPU 上做出 2.85 倍的端到端推理加速，吞吐量从每秒约 3.79 万 Token 升到超过 10.8 万 Token，输出 Token 则保持完全一致。

底层工程之外，Argon 在视觉编程上也有进步。谷歌晒出多个借助 Antigravity 完成的案例：用 Blender 自主搭出复杂的寺庙建筑、把真实桌面照片变成能玩的迷你赛车游戏，还有从零写一个 Python 光线追踪引擎。

专业工作流：金融分析结果与人工模型高度一致

企业知识工作是 Argon 的另一项核心能力。

谷歌表示，Argon 面对法律、金融这类专业场景时，推理、视觉理解与写作都更强，能够应对动辄涉及海量文档、图表以及多重约束的多步骤工作。

金融分析平台 Kepler 在早期测试里用 Argon 做了两件事：依据美国证券交易委员会（SEC）的申报文件搭建多年财务报表，同时分析复杂的资本结构和企业收购。

出来的结果是，Argon 生成的数值有超过 99% 与分析师搭的参考模型对得上。

企业内容管理平台 Box 那边给出的说法是，在自家内部评测中，Argon 的准确率比 Gemini 3.1 Pro 高出 14%。

它可以把多份文档里的信息串起来，连藏在图表中的细节也不放过，再把这些线索汇总起来做多步骤分析。

法律方向上，LexisNexis 也报告了不错的早期测试结果，任务覆盖法律知识检索、合同审查、诉状分析以及研究备忘录撰写。

谷歌还拿出了一个更贴近日常办公场景的例子。

用户把装着零散项目资料的文件夹丢给 Gemini，Argon 会调用自定义 Skill 把内容理顺，做出一份面向客户的提案演示文稿，接着起草并发出邮件，另外还建起自动化工作流，用来接住后续的客户请求。

Argon 发现了此前模型遗漏的医院系统漏洞

这次发布中，网络安全是 Argon 被重点着墨的领域。

在全球开放之前，谷歌就已经通过 Fairwind Program，让经过审核的安全防御人员先用上了这个模型。

安全公司 Wiz 靠 Argon 找出了医院软件里的一处关键漏洞。

谷歌披露的信息显示，该漏洞与公开文件下载限制被绕过有关，还可能造成主密钥泄露、管理员权限被人拿到手。

团队在 Argon 的帮助下识别并修复了这个漏洞，数十万份患者记录面临的风险因此下降。

不过能力越强，被滥用的隐患也越大。

谷歌为此加了好几层防护，比如识别危险请求、实时盯住模型行为，以及拦下异常的任务执行。

谷歌还专门盯防 Agent 为达目的绕开系统限制的做法，要求模型一旦碰到权限边界或者不可逆操作，就得主动停下来，请人来确认。

在 Gray Swan 的间接提示词注入评测中，经过 15 次自适应攻击尝试，Argon 的攻击成功率为 0.7%。

科学研究：几小时设计五种新酶，实验验证有效

科研领域同样给了 Argon 不小的展示空间。

生命科学这边，谷歌研究团队用 Argon 设计出一组新的丝氨酸酯酶。这类酶能催化特定分子中的酯键断裂，在回收、药物制造、生物燃料和洗涤剂等方向都有用武之地。

Argon 花几小时就把相关数据整理好、把模型调完，再依照生物化学原理筛候选方案，最后拿出五种新的酶设计。

之后的实验室测试确认，这五种设计都具备催化活性。

量子计算方面，谷歌的机器学习量子纠错解码器 AlphaQubit 也用上了 Argon。内部版本被改写成高度优化的硬件计算内核后，推理吞吐量几乎翻了一倍，实时处理的要求同样得到满足。

罕见病研究同样有了新进展。Gamow Labs 借助 Argon 分析罕见发育性肺部疾病新生儿的去标识化基因组数据。其中一个案例里，Argon 找出了常规软件多年都没能发现的染色体重排，还说明了此前为何会漏掉。

从这些结果看，模型在科学发现、算法优化和实验设计上都能插上手。

谷歌同时宣布，将向符合条件的 1 万名科学家开放六个月的 Antigravity 最高使用额度，免费。

学人类扔沙包，Apollo 连续投中七次

更受关注的一点是，Gemini 4 Argon 的本事并不局限在数字世界里。

Google DeepMind 放出了一项机器人实验：Argon 看了一段人类玩 Cornhole（扔沙包游戏）的视频，从中分析空间关系和动作轨迹，算出人体动作对应的关节运动，再自动生成机器人模拟代码。这套能力随后被搬到了 Apptronik 的 Apollo 人形机器人身上。

结果，Apollo 在真实环境里连续 7 次投掷命中。

谷歌 DeepMind 研究员 Norman Di Palo 说：「我到现在还有点难以置信，我们让 Gemini Argon 教 Apollo 人形机器人玩扔沙包游戏，它竟然零样本完成了任务。」

说到底，这跟传统的机器人训练路子不一样。

以往做人形机器人，得靠人工设计动作、搭建仿真环境、编写控制策略，再大量训练……

Argon 给出的则是另一条链路：Video → Simulation → Real Robot，也就是视频理解 → 构建模拟环境 → 生成动作策略 → 部署真实机器人。

官方认为，这么做能大幅压低机器人训练成本，让普通视频变成机器人学习现实世界技能的新数据来源。

那你呢，对沉寂已久的谷歌这次发布的新模型怎么看，欢迎在评论区留言、交流！

参考链接：

https://x.com/GoogleDeepMind/status/2110039274922131792

https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/?utm_source=x&utm_medium=social&utm_campaign=&utm_content=

https://x.com/normandipalo/status/2110054176382206379

https://x.com/ArtificialAnlys/status/2110068185793970576