Gemini 4 Argon现已向所有人开放。谷歌在Gemini应用和Google AI Studio中上线了这款模型，并通过Google Cloud上的Gemini API和Antigravity提供。此次全面开放距谷歌首次公布该模型的基准测试成绩约两周，发布前已有超过10万名谷歌员工使用过这款模型。有两项变化尤为突出：Argon单次生成即可输出多达100万个token（模型读写文本时使用的小单位），其写作也经过重新调校，摆脱了AI生成文本中常见的千篇一律的腔调。谷歌还表示，Argon已经在协助打造下一代Gemini模型。下面梳理有哪些变化、这款模型最值得先在哪些场景试用，以及如何核查它的输出。
从基准测试到正式发布的两周测试
谷歌表示，公布基准测试结果后的两周里，它从多个方面对Argon进行了测试：
- 安全： 谷歌与Wiz等网络安全合作伙伴一起，借助Argon发现并修补关键系统中的漏洞。
- 分阶段推出： 部分企业客户获得抢先使用权，谷歌借此收集生产环境中的反馈和真实世界的边缘案例。
- 专业领域评估： 谷歌DeepMind的研究人员在量子计算、机器人和前沿科学等领域测试了该模型。
- 政府审查： 谷歌将该模型提交给美国政府进行安全评估。
- 内部测试： 超过10万名员工使用了Argon，这是谷歌历史上规模最大的发布前内部测试之一。
谷歌把它的安全措施描述为两层：一层是内置于模型权重本身的监控，另一层是模型运行时部署在其外围的护栏，也就是过滤系统。
在谷歌内部，Argon的使用范围也从工程团队扩展到了Google Cloud销售等团队。谷歌以此为证据，说明Argon不仅能处理代码，也能胜任一般的知识工作。此前对早期检查点（训练过程中保存的模型版本）给出严厉评价的内部测试人员，态度也明显转向正面。
单次生成输出100万个token
谷歌率先在业内提供了100万token的输入窗口。在Argon上，它又加入了单次生成输出100万个token的能力，谷歌称之为业界领先。上一代模型的输出上限为64k个token，据团队介绍，这一上限束缚了模型在难题上的推理。
| 此前的模型 | Gemini 4 Argon | |
|---|---|---|
| 单次生成的输出上限 | 64k个token | 100万个token |
| 生成100万个token | 只能像Gemini 1.5 Flash那样串联多个步骤 | 一个推理步骤即可完成 |
这种长输出窗口面向的是高难度数学和开放式科学问题，这类问题需要模型在作答前展开很长的思维链，也就是逐步推进的推理过程。要使用这项能力，开发者需将推理强度（reasoning effort，即控制模型思考深度的设置）设为high。当问题需要深度计算时，Argon就会把推理延伸到100万token的上限。
谷歌联合创始人谢尔盖·布林用人类的时间来解释这个数字。按照他的估算，100万个token大约相当于50万秒的专注思考，相当于不间断地思考约一周，或按正常工作时间计算约一个月，而这些思考都用于回答一个问题。
减少AI垃圾内容的写作
谷歌实验室副总裁乔什·伍德沃德表示，团队在Gemini应用中的Argon写作上投入了大量精力。目标是AI垃圾内容，也就是机器批量产出的平淡、套路化的文字：成堆的项目符号、可预测的填充语，以及“说实话”之类的套话式过渡。专业写作者为模型输出做了标注，制作出用于训练的高质量参考数据。谷歌表示，最终的文字更紧凑、更有个性，摆脱了大语言模型常见的千篇一律的语气。
伍德沃德自己的做法展示了其中一种用法。他会在走路或通勤时录下语音笔记，然后让Argon扮演一位严格的文字编辑：指出最薄弱的三个论点，点出盲点，并标出读者可能感到困惑的观点。他把这款模型视为出色的编辑和思考伙伴，但表示原创想法仍离不开人的判断。
▲ 从语音笔记到精修文稿
谷歌DeepMind的一位产品负责人用类似的方法来缓解手腕劳损：把没有脚本、东拉西扯的想法直接说给模型听。以前的模型往往会把这类输入变成密集而生硬的摘要，而Argon能返回条理清晰、组织良好的文档。如果仍觉得默认文风过于套路化，可以直接告诉模型避免使用列表、填充语和千篇一律的结构。
AI如何参与打造Gemini
负责Gemini后训练的研究副总裁称，Argon是首个由AI智能体在整个训练流程中发挥积极作用的重要版本。后训练是模型完成初始训练之后的精调阶段，智能体则是能够自行执行任务的AI系统。在Argon的开发中，智能体承担了以下工作：
- 持续监控规模最大的训练任务，发现系统配置错误
- 检查奖励信号的缩放是否正确
- 找出程序错误并提出代码补丁
- 在后训练之前和期间，筛查数据集中的重复记录和不一致之处
研究人员申请资源的方式也变了。后训练团队过去按500块或1000块GPU或TPU芯片申请资源，现在则按QPS（每秒查询数）申请Argon的处理能力，规模如5、10或15，因为他们要用这款模型本身为下一个版本生成训练数据。布林还补充说，Argon曾发现自身训练数据中的错误，找出有缺陷的数学定理证明，并给出有效的反例。
节奏很快。谷歌DeepMind每三到四周进行一轮训练迭代，每两到三周评估一次候选检查点。Argon本身在更大范围推出之前，也经历了三到四周的内部后训练测试。布林以Flash 3.6、3.7和3.8接连推出为例，称谷歌如今已站上一台“RSI跑步机”。RSI是递归自我改进（recursive self-improvement）的缩写，指模型帮助研究人员设计自身后继者的循环。内部团队通常领先公开模型好几代，在Argon发布之前，布林和后训练负责人就已经在测试后续的原型模型。
布林认为有两大推动力：一是有意加快发布节奏的决定，二是用现有模型来引导下一代模型的做法。他补充说，代际之间的跃升也包含基础研究上的突破，而这些突破无法按需排期。他预计这一节奏还会继续加快。这是谷歌联合创始人的预测，能否成真，接下来的几次发布将给出答案。
Argon已在谷歌内部完成的工作
发布之前，谷歌向内部各团队征集用例，发现Argon已被广泛使用。下表中有两个项目仅凭提示词起步，提示词即用户给模型的简单指令。
| 团队或项目 | Argon做了什么 |
|---|---|
| Chromium | 支持浏览器开发和复杂的代码任务 |
| Gemma | 推动谷歌开放权重模型系列Gemma的基准测试优化，这一系列的训练权重公开发布 |
| 遗留代码迁移 | 帮助Antigravity团队把外部客户的Fortran代码迁移到Rust |
| 数据中心游戏 | 仅凭提示词构建一款模拟数据中心运营的游戏，内容包括更换故障GPU |
| 阅读学习应用 | 为一位团队成员年幼的儿子研究幼儿学习理论、设定学习里程碑、编写代码并部署前端 |
| Minecraft风格游戏 | 用两次提示词生成一款带有洞穴采矿和屏幕状态显示的游戏 |
Fortran已有数十年历史，但全球许多遗留基础设施仍在用它运行，因此把这些代码迁移到Rust这样的现代语言，至今仍是有价值的工作。
工程师们忍受了几个月的硬件故障
最引人注目的例子与硬件有关。在谷歌规模最大的训练任务中，机器不断陷入损坏状态。工程师们花了几个月寻找原因，最后只能无奈地与这些故障共处。一位工程师把诊断问题交给Argon后，模型指出问题出在物理硬件本身。
硬件团队起初持怀疑态度，把这一分析斥为AI垃圾内容。工程师们与硬件团队坐下来当面沟通，并联系了零部件供应商，最终确认了原因：高带宽内存（HBM）中的静默数据损坏。本应捕获内存错误的纠错码（ECC）机制漏掉了它。这让模型的诊断起到了决定性作用，谷歌也得以在整个机群中找出并隔离受影响的机器。
▲ 隐蔽内存损坏的诊断
布林回忆起1998年或1999年的一件类似的事：谷歌刚买来的约20台服务器，没有一台能装上操作系统。经过几天的调试，他发现供应商发来的是与主板不兼容的高规格内存，每隔几个小时就会损坏数据。大约30年后，一个AI模型追查到了一个惊人相似的问题。
如何核查Argon给出的结果
随着Argon普及，用户将面对一个熟悉的问题：是否该相信一个出人意料或错综复杂的结果。谷歌以外的开发者，并没有10万名同事帮忙复核模型的工作。谷歌称，Argon有扎实的依据，避免谄媚（即说用户想听的话），不夸大结论，也不编造解释。尽管如此，团队仍建议养成几个习惯：
- 对所有人一视同仁地保持怀疑。 布林表示，无论一个想法来自AI模型还是人类同事，都应受到同样的审视。
- 让模型互相评审。 模型没有自尊心，因此会坦然指出另一个模型的输出或早先草稿中的缺陷。不同的模型能提供不同的视角。
- 不要止步于第一个答案。 伍德沃德表示，软件工作的瓶颈正从编写代码转向审查代码。当答案看起来不对劲时，与同事一起改进原始提示词，并不断要求模型深入挖掘，因为额外的推理往往能带来更好的结果。
- 坚持独立思考。 把模型当作头脑风暴的伙伴，仔细阅读它的输出，对任何看似不清楚或有误的地方提出质疑。细微的逻辑错误往往只有在有人主动检查推理是否自洽时才会显现，而非专业人士最容易漏掉这些错误。
在坚持、提问与可见推理之间取得平衡
调校模型的行为，意味着在相互冲突的目标之间进行取舍。过于执着的模型可能在本该调整方向时仍一味向前，而不够执着的模型则会用没完没了的澄清问题让用户疲惫不堪。
展示多少推理过程，也是类似的取舍。详细的思考过程能增加透明度，但过长的思考过程会挤占界面。谷歌在内部测试聊天群中收集反馈，并用Argon对这些反馈进行总结。在Gemini应用中，谷歌测试了思考过程应当显示多长时间，以及用户何时会将其折叠或展开。伍德沃德表示，早期用户往往会仔细研读完整的思考过程，但随着信任加深，他们更喜欢简短的摘要。谷歌还在开发者API中加入专门的思考摘要功能，把模型的推理浓缩成简短的摘要。
总结：现在可以用Gemini 4 Argon做什么
Gemini 4 Argon现已向普通用户和开发者开放。谷歌的主张建立在三点之上：长得多的推理输出、更少AI垃圾内容的写作，以及强大到足以协助打造自身后继者的模型。从10万名员工到政府安全审查，这样的测试规模似乎也表明，发布新模型的门槛正在不断提高。
- 选择入口。 普通用户可以使用Gemini应用，开发者可以从Google AI Studio或Gemini API开始。
- 把它当作编辑。 口述零散的想法，然后让它指出最薄弱的三个论点和盲点。如果文字读起来千篇一律，就让它避免使用列表和填充语。
- 把长推理留给难题。 处理数学证明和深度研究问题时，把推理强度设为high。
- 让展示的推理保持简短。 如果你的应用会展示模型的思考过程，请使用API的思考摘要功能。
- 先核查，再信任。 让另一个模型评审出人意料的结果，改写提示词，并由自己做出最终判断。
- 反馈意见。 告诉谷歌模型何时应停下来提出澄清问题、何时应按自己的假设继续推进，以便谷歌调校下一个版本。