谷歌于2026年9月30日发布了Gemini 4 Argon，称其为迄今为止最先进的前沿AI模型。该模型专为长周期软件工程、法律和金融等领域的企事业单位知识工作以及防御性网络安全而设计。
最引人注目的技术改进是单次输出限制约为100万token，而此前Gemini模型的上限为64,000。谷歌表示，这一余量使模型能够在多步骤任务中保持深度推理，而无需在输出上限处停止并重新启动。
访问仍然受限。截至2026年10月1日，公开的Gemini API目录或更新日志中尚未出现Gemini 4 Argon的条目或可请求的模型ID，且该模型在OpenRouter、Vertex AI、Gemini CLI、Cursor和GitHub Copilot的列表中均未出现。
喜忧参半的基准测试结果
谷歌公布的结果显示，Argon在多个领域处于领先地位。它在DeepSWE v1.1（一个针对真实世界长周期软件工程的基准测试）上得分为77.9%，领先于Claude Opus 5.5的74.2%和GPT-6 Astra的74.1%。它在Zapier的AutomationBench上以51.3%排名第一，在Vals Index上以68.9%排名第一，在LVBench长视频理解上以91.7%排名第一。在漏洞修复基准测试CWE-bench v1上，它以68%并列第一。
在其他方面，结果则不那么乐观。Argon在FrontierSWE v2上得分为55.0%，落后于GPT-6 Astra的65.5%和Claude Opus 5.5的62.3%。在Terminal-Bench 4.0上，它得分为57.4%，比Opus 5.5的66.4%低了9个百分点。
这些是供应商报告的数据。谷歌通过Gemini API在最高思考设置下运行了Argon的分数，而竞争对手的数字则主要来自各实验室自身的披露或公开排行榜。在发布时，没有第三方复现谷歌的完整表格。
独立评估者的发现
拥有提前访问权限的Artificial Analysis给出的Argon综合智能指数为52.6，与GPT-6 Astra的52.7基本持平，落后于Claude Opus 5.5的57.6。其独立的Terminal-Bench 4.0运行结果也显示，Argon落后于Opus 5.5和Sonnet 5.5。
同样的评估发现了一个显著的权衡。在AA-Omniscience上，Argon的幻觉率为15%，而GPT-6 Astra为51%，但其事实准确性较低——50%对Astra的63%。实际上，Argon更频繁地说“我不知道”，而不是猜测。
Artificial Analysis还测量了促销期间Argon的平均任务成本为1.99美元，低于Astra的3.26美元，但发现Argon每个任务平均输出62,000个token，而Astra为27,000个，这意味着其优势来自token定价，而非效率。
彭博社在发布当天报道，尽管有基准测试结果，但一些谷歌员工对模型在现实世界中的编码性能提出了质疑，特别是在前端设计等领域——这一差异引发了关于模型是否针对基准分数进行了优化的公开讨论。据Axios报道，谷歌对此说法提出了异议。
报告的内部用例
谷歌表示，Argon已在内部使用。据报道，Argon代理将开源libgav1视频解码器中32,000行手写的SIMD代码重写为安全的Rust，生成的版本在输出相同的情况下，运行速度比之前的Rust端口快2.7倍。
另一个Argon代理团队分析了集群遥测数据，以寻找谷歌数据中心的内存优化，迄今已释放超过300 TiB的内存，预计总节省量为500 TiB至1 PiB。谷歌还报告称，Argon帮助量子研究人员在几分钟内将已发布的基线提高了40%。这三个例子均为供应商报告，未经独立验证。
安全公司Wiz表示，它通过其Scan for Good倡议使用Argon，在全球医院使用的医疗软件中发现了一个关键漏洞，而此前的前沿模型均未发现该漏洞。
定价与访问
在推广期间，Argon的定价为每百万输入token 2美元，每百万输出token 10美元，缓存输入享受95%的折扣。标准定价将升至4美元和20美元——与Claude Opus 5.5的挂牌价格相当。谷歌尚未说明推广价格持续多长时间，以及推理token将如何计费。
初始访问仅限于通过谷歌Fairwind计划的可信网络安全防御者，合作伙伴超过650家。谷歌表示，更广泛的可用性将从付费API客户和Google AI Ultra订阅者开始，但未给出具体日期。
已确认、未知和期待的内容
已确认：9月30日的发布、100万token的输出上限、公布的基准测试表格、推广价格和标准价格，以及Fairwind优先的推出。
未知：公开API的发布日期、官方模型ID、输入上下文窗口、推广价格的持续时间、推理token的计费方式，以及Argon在独立的、针对特定工作负载的测试中的表现。
期待：付费API的推出、第三方对谷歌基准数据的复现，以及一旦访问范围扩大，该模型在日常开发者工作流程中的表现证据。