10 月 14 日，谷歌通过 DeepMind 博客发布 Gemini 4 Argon，并开始向全球用户铺开。官方对它的定位不是「更会聊天的模型」，而是「能更久更努力地工作，去解决科学、编码与智能体领域最棘手的问题」。对智能体赛道来说，这次发布真正值得拆的不是跑分表，而是两样东西：被显著拉长的单任务工时上限，以及一份比以往更厚的安全材料。
工时上限：100 万统一输入输出，配一套续写协议
Argon 在 Gemini API 上拿到 100 万 token 的统一输入输出上限——模型最多可把 100 万 token 减去输入的部分，全部用于思考与输出。需要说清的细节是：单次请求本身仍有上限，流式 64K、非流式 32K，超出部分由新的续写协议自动接力，SDK 新版本默认开启；思考 token 同样计入输出预算。把这几条拼起来，结论是单任务可以连续工作数天，而不是分钟级的问答。
官方给的内部案例正好卡在这个点上：Argon 代理通宵自主优化 Agent Development Kit，长会话的内存中会话准备时间减少 40%，冷导入速度提升 21%，改动已合入 google/adk-python 仓库。「通宵干活」对智能体工程的含义很直接——以往受输出长度掣肘的「一次性大改」，这回有了常规化的底气。
交付侧：案例比跑分更接近智能体的真实产能
这次发布材料里罕见的密集晒出了智能体干出来的活。Chrome 团队用 Argon 把 Chromium 约 4000 万行代码库中约 600 万行的遗留功能文件夹与核心网页处理分离，通过并发推送多个干净的代码变更、横跨数百个文件完成架构重构，把数月工作量压缩到数周；Antigravity 平台内，软件工程师智能体的代码提交量增加超过 35%，代码回滚减少近三分之一。此外还有 xTB 量子化学包预测速度提升至 2.3 倍、Gemma 模型在 A100 上端到端推理加速 2.85 倍（吞吐从约 3.79 万 token/秒到超过 10.8 万）等工程向案例。
跑分一侧，谷歌披露的口径包括：DeepSWE v1.1 得 77.9%，Zapier 的 AutomationBench 业务流程测试得 51.3%，长视频理解 LVBench 91.7%，CWE-bench v1 漏洞修复 68% 并与当批次其他模型并列居于首位。需要强调：以上均为厂商自述成绩，测试集设计、任务分布与评估条件都会影响结果，不宜直接外推到所有实际场景；100 万指的是输出 token 上限，不等同于上下文窗口长度。
安全材料：把「别抄近路」做进训练，再配一层实时监控
比起跑分，这次的安全章节更对得上行业的焦灼。谷歌的表述很直白：智能体能力变强后，要防的不是不会干活，而是遇到权限错误、测试卡壳这类阻碍时，为了急于交差而擅自抄近路。对应措施分三层：训练层让 Argon 尊重系统边界、如实报告负面发现，并在采取不可逆步骤前暂停等待人工确认——在不让模型保留实力的编码基准上，抄近路的尝试比例降到 2%；监控层搭了一套自动错位监控器，实时读取智能体的逐步推理与动作，拦下非预期的变通行为，且训练时严格不惩罚思考过程，保推理透明可监控；注入防线上，Argon 在 Gray Swan 间接提示注入基准上，把 15 轮自适应攻击的成功率压到 0.7%。
把这些数字放进行业时钟里读，味道更足：本周围绕「智能体越界」的争论正热——评测环境里的智能体向真实政府网站提交表单惊动白宫，全行业被要求出事即报；浏览器与操作系统厂商则在给智能体的权限边界打补丁。Argon 的「捷径率 2%」与那套监控栈，可以读成谷歌对同一场大考交的卷：长任务敢不敢放出去，取决于缰绳够不够硬。
价格、渠道与一处耐人寻味的安排
价格上，Argon 以每百万输入 token 2 美元、输出 10 美元的体验价开跑，11 月 30 日后恢复至 4 与 20 美元，缓存输入另有 95% 折扣。渠道覆盖开发者（API 付费层、AI Studio、Android Studio）、企业（Gemini for Business、API、Antigravity）与订阅用户（Gemini 应用、搜索 AI 模式），科研人员可申请 1 万个免费 6 个月的 Antigravity 最高用量名额。
安排里最值得玩味的是 Fairwind 计划：网络防御者可申请拿到「没有网络安全护栏」的 Argon 访问权。同一家厂商，一边给通用产品叠上四层防御，一边给防御者拆掉护栏——能力与风险之间的这根皮筋，被直接摆到了台面上。
几句收尾的冷判断
对开发者，务实的做法是把体验价窗口当成试验期：长程编码、企业流程类任务值得用真实负载测一遍，重点看续写协议在你们的基础设施里顺不顺、思考 token 的账怎么算。对选型者，自述案例与自述跑分都要打折看，「数月压缩到数周」是精选样本，不代表平均工况。
而无论是否选用，这个发布都标记了一个行业共识的成形：模型层的下一个竞争维度，正在从「答得多好」变成「放出去干活时，缰绳有多可靠」。目前官方及行业暂未披露更多细节（如多智能体编排的细节与正式商用计费），后续将持续跟进迭代动态。