Gemini 4 Argon 全球上线，但访问权限仍有边界

Google 在三周内将 Gemini 4 Argon 从受控预览推进至全球可用。Google AI Pro 和 Ultra 订阅用户现可通过 Gemini app 使用该模型。这一变化让 Argon 从备受关注的研究发布，转变为付费用户可在实际工作中测试的产品。

更广泛的覆盖带来了比任何发布基准测试都更严峻的考验。Google 将 Argon 描述为一款面向复杂、长期任务的前沿模型，适用于软件、金融、法律分析、科学和网络安全等领域。用户现在需要判断，它能否在这些工作流中始终保持准确，而不只是给出令人印象深刻的首次回复。

OpenAI 和 Anthropic 是显而易见的竞争参照对象。然而，更深层的竞争在于 Google 对持续 AI 工作的承诺，与前沿模型仍然存在的局限之间。Argon 必须证明，更长时间的推理带来的是可靠结果，而非更长、却更具说服力的错误。

Gemini 4 Argon 的上线覆盖全球付费用户

关键变化不在于 Google 发布了又一个模型，而在于普通订阅用户终于可以检验其最雄心勃勃的主张。

Google 于 2026 年 9 月 30 日推出 Gemini 4 Argon。当时，访问权限主要面向参与 Google Fairwind Program 的受信任网络安全防御人员。Google 表示，分阶段推进将支持测试、收集反馈，并在更广泛发布前加强安全保障。

扩展于 10 月 13 日到来。Google 的 Gemini app 发布说明显示，Argon 正在向全球 Google AI Pro 和 Ultra 订阅用户推出。该模型已出现在 Gemini app 中，符合条件的订阅用户也可通过 Google Search 的 AI Mode 使用它。

在 Google 的其他产品中，可用性有所不同。开发者和企业可通过付费 Gemini API 层级、Google AI Studio 和 Gemini 平台访问 Argon。Google AI Ultra 订阅用户则可通过 Google Antigravity——该公司的面向智能体开发环境——获得访问权限。

这一差异很重要，因为“全球可用”并不意味着每位 Gemini 用户都能不受限制地访问。面向消费者的访问仍与指定订阅计划绑定。Antigravity 的访问资格边界更窄，而 API 使用则遵循单独的开发者和企业条件。

这则订阅用户公告概括了核心变化。不过，这次产品发布并不只是聊天应用中多出了一个模型选择器。Google 正在将同一模型部署到消费者、搜索、开发者、企业和智能体环境中。

这一分发策略让 Google 能以多种方式观察 Argon 在内部评估之外的表现。消费者可能要求它分析一份财务报告，或根据零散来源制作演示文稿。开发者则可能交给它一项需要工具使用、测试和反复修正的全代码库重构任务。

此次发布也经历了一段异常短暂的公开过渡期。Google 在不到一个月内，从强调受限访问和额外安全工作，转向向全球订阅用户提供访问权限。这并不意味着测试仓促，因为在首次公告之前已经进行了大量评估。

但这意味着，外部审视如今将大规模展开。内部团队和选定合作伙伴在受控环境、精心筛选的任务和既定审查流程中工作。订阅用户的工作流则更难预测，往往包含不完整的指令、模糊的文件或不可靠的来源。

Google 表示，Argon 可以端到端完成复杂任务。这一表述设定的标准高于回答难题。它意味着规划、维持上下文、选择工具、检查中间工作，并产出人们实际可用的成果。

因此，这次上线将 Argon 的核心主张转变为一个可衡量的产品问题：当任务、证据和用户不再经过精心筛选时，该模型能否在延伸的工作流中保持质量？

更广泛的访问加大了 OpenAI 和 Anthropic 的压力

Google 竞争的是完整工作流的控制权，而不仅仅是聊天窗口中最好的答案。

Argon 的全球扩展对 OpenAI 和 Anthropic 施加了压力，因为 Google 能通过多个成熟入口分发同一个模型。Gemini 已经通过专用 app、Search、开发工具、API 和企业产品触达用户。Argon 为这些入口提供了一个共享的旗舰模型。

眼前的竞争焦点是留存。能够在一个 Google 环境内完成研究、写作、文档分析和原型开发的订阅用户，较少有理由将同一任务转移到其他地方。当工作本身已存在于 Google 更广泛的产品环境中时，这一优势会更加明显。

开发者面临着类似的选择。选择前沿模型，越来越意味着选择其周边的执行系统，而不仅是原始推理能力。工具权限、上下文处理、可观测性、部署选项和故障恢复的重要性，可能与基准分数不相上下。

Google Antigravity 体现了这一转变。它专为智能体式开发而设计，在这种模式下，模型会规划并执行多项操作，而非只返回一段文本。Ultra 访问权限让 Google 可以将 Argon 作为实际工作的软件智能体进行测试，同时保留其更为熟悉的对话角色。

该公司称，使用 Antigravity 中 Argon 的工程师，智能体式代码提交量提高了 35% 以上。它还表示，代码回滚减少了近三分之一。这些都是内部结果，因此应被视为公司主张，而非普遍适用的生产力估计。

不过，这些指标显示了 Google 希望买家评估的内容。其论点不再只是 Argon 能写出更好的代码片段。Google 希望团队判断，它是否能完成有意义的工程工作，同时减少代价高昂的返工。

Google 还描述了一个 Chromium 重构项目，涉及一个约有 600 万行代码的遗留目录。根据该公司的说法，更广泛的 Chromium 代码库约有 4,000 万行。报道称，Argon 帮助在数周而非数月内完成了一项多文件架构变更。

这一案例瞄准了所有主要模型提供商都在争取的同一企业需求。企业希望 AI 系统能够跨大型代码库、长篇文档集合和专业流程开展工作。相比之下，它们对那些永远无法投入生产的孤立演示兴趣较低。

因此，竞争压力已超出模型质量本身。OpenAI 和 Anthropic 必须匹配 Google 在推理、分发、集成以及可信工作流证据方面的组合。与此同时，Google 必须证明，其广泛的产品覆盖不会掩盖不同入口之间表现不一致的问题。

Search 也构成了另一处压力点。AI Mode 中的 Argon 能将高级推理与人们已经用于查找信息的产品结合起来。这种组合可能让模型选择变得不那么显眼，因为助手已融入既有的使用习惯。

不过，分发能力本身并不代表领先地位。用户可以同时维持多个提供商的订阅，开发者也可以将任务路由至不同模型。与许多传统企业平台相比，切换成本仍然较低。

因此，Google 必须赢得重复使用。该模型必须表现得足够好，让人们愿意将下一项复杂任务交给它，而不是仅因出现了新选项而试用一次。OpenAI 和 Anthropic 仍可在可靠性、速度、透明度和工作流控制方面展开竞争。

这也是为什么主要竞争仍然是承诺与现实之间的较量。Google 拥有异常广泛的发布渠道。Argon 现在必须在该渠道中产出一致的结果，包括那些与公开演示完全不同的任务。

长程推理是 Google 押注背后的机制

Argon 的核心主张，是在一条长时间轨迹中持续工作，并由统一的一百万 token 上限支持。

token 是模型处理的文本或数据的小单位。Argon 的统一上限同时覆盖输入和输出，使任务轨迹可通过 Gemini API 达到一百万 token。Google 将这一限制与其上一代模型 64,000 token 的输出上限进行对比。

更大的上限并不会自动带来更好的推理。它让模型有更多空间检查证据、规划行动、修订工作，并生成大量输出，而无需将所有内容拆分成独立会话。实际价值取决于 Argon 如何有效利用这一空间。

Google 将目标类别称为“长程”工作。该术语指的是在得到结果之前需要完成许多相互依赖步骤的任务。代码库迁移、法律分析、科学调查和复杂金融研究都符合这一模式，因为早期错误可能破坏后续的一切。

Argon 使用稀疏混合专家架构。这种设计会让不同输入经过更大规模神经网络中被选定的部分，而非同等激活每一个组件。Google 的 Argon 模型卡称，该模型可接受文本、图像、音频、视频和文档。

这种多模态设计支持证据以多种格式到达的工作流。一项金融调查可能结合申报文件、图表、电话会议和电子表格。一项软件任务则可能包含代码、截图、日志、文档和交互式工具。

Google 报告称，Argon 在 Vals Index 上获得了 68.9%，该指标评估了具有重大经济意义的专业类别中的工作表现。该公司列出的 GPT-6 Astra 为 63.1%，Claude Fable 5.1 为 65.8%，Claude Opus 5.5 为 67%。

其他测试中的结果则有所不同。Argon 在 Google 的比较中以 77.9% 领跑 DeepSWE v1.1，但它并未在列出的每项工程评估中领先。在 FrontierSWE v2 上，Google 报告 Argon 得分为 55%，低于多款竞争模型的比较分数。

科学和计算机使用测试中也呈现出同样的混合态势。Argon 在一些评估中领先，在另一些评估中落后，并在一项网络安全基准中与最高分持平。这比单一的“最佳模型”标签更具参考价值。

这表明，模型选择应遵循具体任务。处理长篇文档的团队可能看重上下文保持能力和多模态分析。另一个团队则可能优先考虑终端性能、延迟，或竞争对手表现更好的特定科学推理类别。

Google 的案例解释了为何它仍将长轨迹视为 Argon 的差异化优势。该公司称，该模型将其 Agent Development Kit 的 Python 会话准备流程优化了 40%，并使冷导入速度提升了 21%。

在这个案例中，Argon 获得了一个简短目标和项目的智能体指令。据称，它通宵工作，识别出优化机会，并产出了后来进入实际开源项目的改动。其有价值的成果不是一条代码建议，而是一系列经过测试并通过审查的步骤。

Google还描述了科学应用。据称，Argon生成并正式验证了一项量子实现方案，将某个算法的时空成本降低了100倍以上。另一项实验产出了五种酶设计，随后在实验室测试中表现出催化活性。

这些示例仍由Google挑选，其中一些涉及与公司研究人员的紧密合作。它们并不能证明订阅用户的平均成功率，却展示了Google希望用户尝试的工作流形态。

对于知识工作者而言，这种形态可能涉及整合大量文档，并产出可执行的结果。难点在于：在整个过程中维持证据链接、处理相互矛盾的信息，并区分事实与假设。

知识融合系统可以在模型开始推理前，帮助整理源材料。更好的输入无法保证结果正确，但能让遗漏和缺乏依据的结论更容易被识别。

Argon更大的工作空间或可减少将此类项目拆分为大量彼此割裂提示词的需求。它也可能在修订过程中保留更多中间上下文。不过，更多上下文本身也带来挑战，因为模型必须区分重要证据与无关材料。

长输出还会带来另一种风险。模型可能花费更多token去强化错误前提，或生成看似合理的细节。因此，真正有用的机制并非长度本身，而是受控的持续推进、验证，以及在某个步骤失败时的恢复能力。

Google押注于Argon能够结合足够的上下文、推理深度和工具使用能力，以应对这些条件。全球发布将这一理论带入了用户可以比较任务完成质量、而不只是比较输出规模的环境。

基准测试无法定论的部分

Argon的基准测试排名，并不能证明它在非脚本化、高风险工作中的表现足够可靠。

Google的模型卡明确将幻觉列为Argon已知的局限性之一，也警告其偶尔会出现速度缓慢和超时问题。当任务包含数百个步骤或需要产出大型交付物时，这些局限会变得更加重要。

简短答案可以快速核查。代码库迁移、合同审查或财务分析则需要成本高得多的验证。链条早期隐藏的错误，可能在多个后续步骤中存续，因为模型会将自己的输出视为既定上下文。

基准分数衡量的是模型在定义明确的任务和评分体系内的表现。它们有助于比较模型，却无法完整代表私营公司的数据、特殊的软件环境、不断变化的网站，或含糊的用户指令。真实工作流经常同时包含这些条件。

Google自身的结果也不支持简单的“胜者”叙事。Argon在Vals Index和多项长上下文测量中领先。在同一份已发布的比较中，竞争对手则在部分编程、科学、计算机操作和机器学习工程评估中领先。

这种差异对买方而言很重要。即使某个模型在广泛的经济指标中排名第一，也可能在公司实际需要的特定工作流中表现不佳。团队应测试具有代表性的工作，而非以通用排行榜排名替代本地证据。

模型卡还提出了另一层安全张力。Google表示，无法排除Argon在生物信息和网络安全方面达到既定关键能力等级的可能性，也无法排除其达到与隐蔽性和情境感知相关门槛的可能性。

这些发现并不意味着公开模型在没有保护措施的情况下运行。Google表示已采取保障措施，并评估剩余风险低于相关门槛。然而，这些发现解释了为何最初发布强调受限访问和监控。

它们也让更广泛推广的速度值得关注。9月30日，Google表示将在广泛可用前加强保障措施。10月13日，该公司将Argon扩展至订阅用户、开发者、企业及其他符合资格的用户。

公开版本包含的安全控制措施，与向部分网络防御人员提供的访问权限有所不同。Fairwind参与者可以申请不含某些网络安全护栏的专门访问权限。这种区隔旨在保留防御能力，同时限制有害使用。

提示词注入仍是一项尤其相关的风险。间接提示词注入会将恶意指令隐藏在AI代理读取的内容中，例如网页、电子邮件、文档或代码库文件。成功的攻击可能让模型偏离用户目标。

Google表示，在Gray Swan Indirect Prompt Injection基准测试的15次自适应尝试中，Argon的攻击成功率为0.7%。这一结果令人鼓舞，但它只代表一种评估环境。一旦模型得到广泛使用，攻击者可能会改变策略。

该模型迈向一百万token的轨迹，增加了可进入任务的材料量，也扩展了不可信指令、受损数据或错误假设可能出现的位置数量。强有力的防御必须在整个工作流中持续有效。

独立审视已经带来了谨慎态度。早期的发布报道提到了Google的基准测试主张，同时也援引了有关内部反应不一的报道。Google对内部表现不足的说法提出了异议。

这种分歧无法仅凭营销示例解决。外部开发者需要可重复的测试，企业则需要来自与自身任务相似的部署证据。订阅用户提供了更大的经验样本池，但个别成功案例仍会充满噪声。

用户报告也往往偏向显眼的成功。一项出色的应用或一次成功的编程会话能迅速传播，而普通的超时问题则较少受到关注。反过来，一次病毒式传播的失败，也可能让模型显得比系统性测试所显示的更不可靠。

最好的回应是进行严谨评估。用户应从边界明确的任务开始，保留源材料，要求明确列出假设，并验证重要输出。团队应记录失败类型，而不是将每个结果都简化为单一满意度分数。

对于软件工作，最终测试不是Argon写出的代码看起来是否专业。代码必须能够编译、通过测试、保持安全属性，并经得起审查。对于研究，每一项重要主张都应保持可追溯至证据。

对于文档分析，团队除事实准确性外还应测试遗漏率。模型可以避免明显幻觉，却遗漏某项条款、例外或相互冲突的段落。长上下文能力并不保证能从该上下文中完整检索信息。

Google提供的安全披露，超过了一篇面向消费者的发布文章通常会提供的程度。模型卡指出了局限性、评估不确定性和能力门槛。不过，披露无法取代发布后收集的运营证据。

因此，Gemini 4 Argon的推广应被视为验证的开始，而不是结束。Google已让一个重要模型得到广泛测试。用户如今必须判断，其主张在哪些情况下能在真实压力下保持稳定。

三个信号将定义Argon的下一阶段

采用质量、独立工作流测试和竞争对手的回应，将决定这次推广是否会改变前沿模型市场。

第一个信号是Pro和Ultra订阅用户的持续使用。初始访问量可以反映好奇心，而重复使用它处理复杂任务才能体现实际价值。Google最终应说明，用户是否借助Argon完成了更多工作，还是会回到速度更快的模型。

不同入口的使用模式同样重要。Gemini app内的强劲采用将支持其消费者助手战略。API和Antigravity的大量使用，则表明Argon最清晰的价值在于开发者和企业工作流。

质量信号比单纯的数量更重要。用户应关注完成率、修正频率、超时表现，以及所需人工审查的程度。这些指标能够揭示长周期推理是否真正减少了工作量。

第二个信号是针对完整工作流的独立评估。公开基准已经提供了有用的比较，但许多基准聚焦于具有结构化评分的定义任务。Argon的核心承诺涉及跨越工具、文件和不确定中间状态展开的项目。

外部研究人员和开发团队可以测试模型是否能发现自身错误、在操作失败后恢复，以及保持来源可追溯性。他们还可以检验，随着轨迹接近模型更大上限，其性能是否会下降。

独立复现Google重点展示的案例，将增强此次发布的论据。无法复现并不会自动否定该模型，因为工具和环境存在差异。但这会缩小所报告收益适用的条件范围。

测试应包含日常工作，而不只是引人注目的挑战。一个能够可靠更新中等规模应用，或分析一组熟悉合同的模型，可能比偶尔在非凡演示中成功的模型更有价值。

第三个信号是OpenAI和Anthropic的回应。他们可以通过模型发布、扩展上下文、更强的代理、更好的集成，或更具说服力的可靠性数据作出回应。他们的选择将揭示，他们认为Argon发布中哪一部分最具威胁。

如果竞争对手强调基准领先地位，他们可能认为原始能力是关键竞争。如果他们聚焦代理控制和可观测性，则可能认为工作流部署是Google更强的一步。更广泛的分发合作伙伴关系将直接回应Google的覆盖范围。

Google自身的后续动作同样重要。该公司称Argon只是Gemini 4系列的开端。后续模型可能将访问权限扩展至更多用户、优先考虑速度，或为不需要Argon完整推理预算的任务提供专门的权衡方案。

对于当前订阅用户，明智的做法是用一个重要但可逆的项目测试该模型。向Argon提供完整源材料、清晰的成功定义，以及可检查其假设的检查点。

将结果与另一款前沿模型，以及此前由人工采用的流程进行比较。衡量修正次数、缺失证据、完成时间和最终实用性。不要仅凭流畅度或自信程度评判系统。

对于开发者，应评估完整执行循环。记录工具失败、重复操作、上下文漂移，以及测试失败后模型的行为。成功的代理应能智能恢复，而不是从损坏状态继续执行。

对于企业买方，治理应纳入评估之中。确定哪些数据进入系统、哪些操作需要批准、如何记录输出，以及哪些环节仍必须进行人工审查。强大的推理能力并不能免除责任。

Gemini 4 Argon的推广为用户提供了足够的访问权限，让他们能以证据取代猜测。其广泛分发巩固了Google的地位，而其自身披露也表明谨慎依然必要。

下一个问题不再是Argon能否在选定基准中领先，而是它能否足够频繁地完成要求严苛、杂乱复杂的工作，从而赢得持续信任。哪个真实项目将成为你的第一次有意义测试？