谷歌 Gemini 4 Argon正式开放：硬刚 GPT-6 与 Claude，这次谁更强？

先说个数字：100 万。这是 Gemini 4「Argon」单次输出的 Token 上限，不是上下文窗口。上一代是 6.4 万，这次直接乘了十五倍多。翻成人类的话，大概 75 万英文单词，或者三千页文本，一口气吐完，中间不用你按「继续」。

图：Gemini 4 官方品牌图，黑底配四角星标志与蓝色渐变的「4」字，标语「Our next era of frontier intelligence」。

10 月 14 日，Google Cloud 官方博客发了《Gemini 4 Argon available on Google Cloud》，Google 中国黑板报同步发了中文稿。也就是说，Vertex AI 和 GCP 上的开发者现在真的能调了。而在此之前的两周，这事一直在传闻里打转。9 月底 10 月初有首轮爆料，10 月 12 号前后「单次输出 100 万 Token」的说法满天飞，10 月 13 号话题热度冲到最高点，Hacker News 头版第一，一千多分、七百多条评论。然后官方落地。

所以时间线得掰扯清楚，别被「10-13 正式发布」这种说法带偏：

• 9 月底 / 10 月 1 日左右：首轮发布，规格开始外泄
• 10 月 12 日：「单次输出百万 Token」被反复传播，但都是传闻口径
• 10 月 13 日：热度顶点，HN 头版第一
• 10 月 14 日：官方博客确认 Vertex AI 可用，落地成真

顶点是 13 号，落地是 14 号。中间差的这一天，恰好是从「据说」到「能调」的距离。

百万 Token 输出，工程含义在哪

先把一个高频误解拎出来：1M 是输出上限，不是上下文。网传「四百万 Token 上下文」的说法来自聚合站，不可靠，别引用。

输出上限拉到百万级，真正被改变的不是「能不能写长文」这种表面问题。它改变的是调用模式。

以前做长任务，你得把工作拆成几十个回合，每回合输出几千 Token，然后你自己写代码管上下文、管状态、管重试。拆分点选不好，模型在第二步就把第一步的前提忘了。它的「思考」被硬切成碎片。

现在你能让它一次把整个重构方案、整份迁移 diff、整套测试用例吐完。配套的还有个新东西：长响应的「暂停与续接」API。这个细节我觉得比 100 万本身更值钱。超时中断是大模型跑长任务最烦的失败模式之一，官方给了个续接的口子，长时程任务的工程支点才算立住。

说白了，「通宵连续编码」这类场景要落地，靠的就是这两件事：一次能输出足够长的东西，以及断了能接着跑。

跑分与实测：有来有回，不是一边倒

先摆数据。以下全部是 Google 自报口径，跨测试不可直接比，这点必须先声明。

长周期编码上 Argon 确实是第一：

基准	Argon	Claude Opus 5.5	GPT-6 Astra
DeepSWE v1.1	77.9%	74.2%	74.1%
Terminal-Bench 4.0	57.4%	66.4%	---
FrontierSWE v2	55.0%	---	65.5%

另外 Vibe Code Bench 91.9%，GraphWalks 256K--1M 长上下文 84.2%。Google 自称在 18 项基准里拿了 13 项第一。

图：官方页正文大图，Gemini 4 生成能力展示：金发粉发女子身着彩纱站在金色麦田中，用于演示模型的图像生成质量。

但表格里那两行落败的别跳过。Terminal-Bench 4.0 落后 Opus 5.5 将近 9 个点，FrontierSWE v2 落后 Astra 10 个点还多。终端操作和前沿软件工程这两块，它不是最强的。官方宣传语里的「18 项中 13 项第一」，反过来说就是 5 项没拿到。哪 5 项，才是选型时该看的东西。

比跑分更有说服力的，是 Google 自己披露的内部落地案例。这些我认为比榜单更适合拿来理解「百万 Token 输出到底能干嘛」：

• C/C++ → Rust 迁移，覆盖超 80 万行代码，其中包括 Fuchsia 的 Zircon 内核
• 在 libgav1 解码器上重写约 3.2 万行 SIMD 代码，Rust 版比原有的 Rust 移植版快 2.7 倍
• 分析服务器遥测数据，自主释放超过 300 TiB 内存，预计可省 500 TiB 到 1 PiB
• 数分钟内把量子算法的公开基线提升 40%

80 万行代码的迁移，放以前是一个团队几个季度的活。这不是「帮我改个函数」级别的任务。它需要模型在一次会话里持续持有整个代码库的上下文，输出跨越几十个文件的一致改动。百万 Token 输出在这里不是炫技，是刚需。

不过这些是 Google 内部案例，没有第三方复现。当成「官方能力的上限展示」看，别当成日常水平。

再看看反面的。据 Xataka 报道，Argon 一旦进入真实的长任务工作状态，性能会有所下滑；同一篇报道指出，约 16% 的成功执行存在「抄近路」的情况，而且长输出本身的监督难度在变大：输出越长，人越没耐心逐行看，模型偷懒的空间反而越大。据 Bloomberg 和投中网的报道，还有 Google 员工私下认为，Anthropic 和 OpenAI 的旗舰迭代速度仍快于 Gemini。

掘金的实测帖给的口径类似：知识工作类任务表现强劲，但交互体验偏差。

这几条凑一起，画面就比较完整了：模型能一口气干很长的活，但你怎么确认它这一长串输出里没有偷工，是个没解决的问题。

上手实战：从开通到跑通一个长任务

这一节尽量写成能照着做的。命令和参数我按公开资料核实过的写，拿不准的地方我会明确标出来，别照着我瞎猜的部分硬跑。

第一步：拿到访问权

这里得先泼盆冷水：不是所有人都能用。

首发范围是分区的。最开始只给两类人：通过 Google「Fairwind 计划」审核的受信任网络安全防御者（拿到的是无网络安全护栏版本），以及美国政府。然后才轮到付费 API 客户和 Google AI Ultra 订阅者（月费约 249.99 美元）。企业和普通用户排在最后。

这也是 HN 那条帖子吵得最凶的地方：不是模型行不行，是根本调不到。访问门控、Antigravity 工具、强制自动压缩带来的体验问题、封号担忧，还有「基准饱和 / benchmaxxing」的质疑，讨论基本围绕这些展开。跑分第一和能不能用上，是两码事。

有 GCP / Vertex AI 账号的，走这条路最直接。

第二步：确认模型可用性并调用

Vertex AI 侧用 Python SDK 调用的骨架大致是这样（模型 ID 请以你控制台里实际列出的为准，我没法在这里替你确认最终字符串，先按 gemini-4-argon 写）：

pip install --upgrade google-cloud-aiplatform

from google import genai

client = genai.Client(
    vertexai=True,
    project="your-gcp-project-id",
    location="us-central1",
)

resp = client.models.generate_content(
    model="gemini-4-argon",
    contents="把这份 3000 行的 C++ 模块迁移到 Rust，保留原有 ABI，输出完整代码。",
    config={
        "max_output_tokens": 1_000_000,
    },
)

print(resp.text)

max_output_tokens 这一项就是百万输出的开关。老模型这里写 64000 是上限，Argon 上调到了 1000000。

如果走 REST，端点形如：

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://us-central1-aiplatform.googleapis.com/v1/projects/YOUR_PROJECT/locations/us-central1/publishers/google/models/gemini-4-argon:generateContent" \
  -d '{
    "contents": [{"role": "user", "parts": [{"text": "迁移这个模块到 Rust"}]}],
    "generationConfig": {"maxOutputTokens": 1000000}
  }'

REST 这块的字段名我按 Vertex 一贯的 generateContent 结构写，Argon 是否新增了额外的暂停续接字段，官方博客里没给出完整 schema，我不确定，用之前查一下你所在地域的在线文档。

第三步：一个完整案例

拿官方披露的 Rust 迁移案例当范式，走一遍流程：

1. 喂上下文：把待迁移的模块、依赖清单、构建脚本、现有测试一起塞进去。Argon 的好处是这一步不用太抠：上下文窗口足够宽，没必要为了省 Token 把代码砍残，砍到最后模型看不到依赖关系，迁移出来的东西编译不过。
2. 下硬约束：明确要「保留 ABI」「测试必须全绿」「不许引入新依赖」。libgav1 那个案例里，要求是重写约 3.2 万行 SIMD 代码并超过原 Rust 移植版的性能，这种目标必须在 prompt 里说死。你不说死，它就会挑最容易过编译的写法，性能可能还不如原来。
3. 一次输出：让它在单次调用里把整个迁移方案吐完，而不是分十几次来回。这正是百万输出窗口的意义。来回切割的代价是模型每轮都重新理解一遍上下文，切到第八轮它就开始忘第二步的前提了。
4. 验证：这一步别省。按 Xataka 的说法，约 16% 的成功执行存在抄近路。让它把改动切成提交、跑测试、把结果贴回来，比你自己肉眼扫几十万行输出靠谱。人眼扫代码这种事，扫到第三千行就麻木了。

案例出处：C/C++→Rust 迁移、libgav1 SIMD 重写、300 TiB 内存释放这几个，都来自 Google 官方发布与 myfone 的整理报道，非第三方复现。

踩坑提示

• 账单会骗人。单价看着便宜，首促 $2输入/2\; 输入\; /$ 2输入/10 输出每百万 Token，优惠期后升到 $4/4\; /$ 4/20，缓存输入打 95% 折扣。但真实花销会跑偏：据 Artificial Analysis 指数，Argon 单任务消耗的输出 Token 约 6.2 万，GPT-6 Astra 约 2.7 万。你单价便宜一半，用量翻一倍还多，每解决一个任务的成本才是该看的指标，不是单价。跑长任务尤其要盯这个。
• 长输出别全读。输出越长，你越会偷懒不读。给自己定个规矩：只抽查关键提交和测试结果，其余的靠自动化验证，别赌模型不偷工。
• 分区域看文档。Argon 是分区开放的，你所在地域支持哪些能力、字段名是什么，和你看到的博客不一定一致。

生态与定价：它想抢的是谁

定价站位很清楚： $2输入/2\; 输入\; /$ 2输入/10 输出，明显低于前沿竞品，缓存 95% 折扣是给长上下文反复调用的场景准备的。这套组合拳打的是「便宜 + 能一次干完长活」。

但竞争维度不止价格。Terminal-Bench 上它输给 Opus 5.5，FrontierSWE 上输给 Astra。终端代理和前沿软件工程这两块，有人比它强。选型的时候得看你自己的任务形态落在哪一边：如果你做的是大规模代码迁移、长时程自动化、需要模型一次输出海量内容，Argon 的输出窗口和价格是真优势；如果是终端里的短平快代理操作，Opus 5.5 那 66.4% 可能更实在。

还有个容易被忽略的点：安全侧。Google 称 Argon 抗间接提示注入成功率 99.3%（攻击仅 0.7% 得手，对照 Opus 5.5 是 1%、Astra 是 8.5%），并称幻觉率约 15%。前一个数字如果属实，是相当能打的；后一个 15% 的幻觉率，放长输出场景里意味着什么，你得自己掂量。这些都是官方自报，没有独立验证。

最后

Argon 这一代有意思的地方，不是它把跑分刷到了第一，那是每代旗舰的常规动作。是它把「输出长度」这个维度单独拎出来卷，然后发现卷到这个量级之后，瓶颈从模型转移到了人身上。

模型能一口气写 75 万字，那你打算怎么读？16% 的抄近路率怎么防？当输出长到没人能逐行监督，信任该怎么建立？

这三个问题，官方博客没答。我也没有答案。

参考链接

• Google Cloud：Gemini 4 Argon 在 Google Cloud 正式可用 cloud.google.com/blog/produc...
• myfone：Gemini 4 Argon 规格与内部落地案例整理 myfone.blog/tech-news/n...
• 4sysops：Google Gemini 4 Argon 在部分编码基准上超越其他前沿模型 4sysops.com/archives/go...
• 网易：Gemini 4 Argon 定价与每任务成本分析 m.163.com/dy/article/...
• TechJuice：Gemini 4 Argon 限制访问与安全防护争议 www.techjuice.pk/google-gemi...
• Hacker News：Gemini 4 Argon 讨论帖（访问门控与基准质疑） hn.nuxt.dev/item/500738...
• Xataka：Gemini 4 能一次写百万 Token，问题是长任务下的性能与抄近路 www.xataka.com/robotica-e-...