单次输出拉到100万Token：拆完 Gemini 4 Argon 的续写协议，才看懂谷歌这7个月在憋什么

10 月 13 日，谷歌把 Gemini 4 Argon 端了上来------Gemini API、AI Studio、Gemini App 全量 GA。这是谷歌被催了半年多才端出来的新旗舰 $[6](#6 "#ref-week")$ 。同一周，Claude Haiku 5.5 发布即降价到上一代十分之一，Anthropic 在旧金山开 pre-IPO 投资者日，传闻估值 1.8--2 万亿美元 $[7](#7 "#ref-recap")$ $[8](#8 "#ref-ipo")$ 。

但刷完各家报道，我发现大家都把注意力放在"重回第一梯队""性价比斩杀"这些词上，真正重要的那条规格反而被一笔带过了：

单次输出上限从 64K token 拉到 100 万 token ------不是上下文，是输出。模型可以在一次任务里不间断地思考、生成、修正，中途不用把控制权交还给人类 $[4](#4 "#ref-jrj")$ 。

这个数字本身就是谷歌这 7 个月的答案：大模型的战场正在从"比谁更聪明"转向"比谁能一口气把活干完" 。这篇文章不聊虚的，我把 Argon 官方文档和模型卡翻了个底朝天，讲清楚三件事：100 万输出在工程上是怎么实现的（续写协议）、13/18 项跑分第一到底赢在哪输在哪、以及它的定价为什么敢比 Opus 5.5 便宜三分之二。

速览（6 条硬事实）

定位：Gemini 4 Argon 是全新旗舰，不是旧模型的微调版；大规模稀疏 MoE，原生多模态输入（文本/图像/音频/视频），文本输出 $[2](#2 "#ref-card")$ 。
窗口：输入 + 思考 + 输出共享一个 1,048,576 token 的统一窗口；单响应输出上限 64K → 100 万 $[1](#1 "#ref-doc")$ 。
跑分：官方模型卡 18 项对比里赢 13 项，Vals Index 68.9% 排 41 个模型第一；但 Artificial Analysis 综合智能指数 53 分，与 GPT-6 Astra 并列，只排第 6 $[2](#2 "#ref-card")$ $[3](#3 "#ref-vals")$ $[5](#5 "#ref-yicai")$ 。
成本：AA 测算单任务成本 $1.99，GPT−6Astra是1.99，GPT-6 Astra 是$ 1.99，GPT−6Astra是3.26，Opus 5.5 是 $5.98 $[4](#4 "#ref-jrj")$ 。
定价：11 月 30 日前体验价 $2/2 /$ 2/10（每百万输入/输出 token），之后 $4/4 /$ 4/20；隐式缓存命中再省 95% $[1](#1 "#ref-doc")$ 。
注意：不支持免费层；temperature / top_p / top_k 被直接移除，推理深度改用 thinking_level 控制 $[1](#1 "#ref-doc")$ 。

①为什么"100 万输出"比"100 万上下文"重要得多

先厘清一个很容易被混淆的点：100 万 token 的上下文窗口 不新鲜，Gemini 系列早就有。这次真正的新东西是输出侧 ------单个响应最长可以生成 100 万 token（减去你的输入） $[1](#1 "#ref-doc")$ 。

上一代的上限是 65,536。听起来已经不少了？够用聊天的场景确实够。但谷歌在文档里把动机写得很直白：

Gemini 4 Argon 可以针对复杂的数学、科学和编码问题进行更长时间的思考 。当模型有足够的空间在单次推演中生成数十万 token 时，推理深度就不再受输出预算的硬约束 $[1](#1 "#ref-doc")$ 。

翻译成人话： reasoning 模型的"思考"是要花 token 的 。一个复杂任务的思维链（thinking tokens）可能轻松烧掉几万 token。在 64K 的硬顶下，思考越深入，留给最终答案的预算就越少------模型经常被迫"想一半就交卷"。金融界那篇报道说得形象：输出上限的意义不是"能写更长的小说"，而是模型中途不用把控制权交还给人类 $[4](#4 "#ref-jrj")$ 。

这就是"比聪明"和"比干活"的分水岭。聊天场景比的是单轮回答质量；Agent 场景比的是一个任务从接手到交付，中间不中断、不丢状态、不需要人接管。后者吃的就是长解码能力。

统一输入+输出窗口：（1,048,576 token）

输出上限提升倍数： 65,536 → 1,048,576

每个续写 hop 的最大

token 数：64k

thinking_level：

low / medium / high

②工程拆解：100 万输出是怎么"续"出来的

100 万输出不是模型一口气吐出来的。谷歌的官方文档把机制写得很清楚，我拆成三层讲 $[1](#1 "#ref-doc")$ 。

机制：64K 一跳的"续写协议"

要生成超过 64K 的输出，你需要两件事：开启后台执行（background: true），并把 max_output_tokens 设到 65,536 以上 。之后模型以每次最多 64K token 的"跳跃"（hop） 生成长响应，每一跳从上一跳停下的位置继续。服务器替你跑完这个连续循环，直到模型写完或撞上 token 上限 $[1](#1 "#ref-doc")$ 。

每一跳都会往 interaction.steps 里追加一个 model_output 步骤。所以拿到最终结果的方式是：轮询互动状态直到完成，然后把所有 model_output 步骤的文本按顺序拼起来 $[1](#1 "#ref-doc")$ 。

官方给的 JS 示例（我保留了关键结构），一个"证明素数定理"的 26 万 token 级任务长这样：

javascript 复制代码

import { GoogleGenAI } from "@google/genai";

const client = new GoogleGenAI({});

let interaction = await client.interactions.create({
  model: "gemini-4-argon",
  input: "Write a complete, rigorous proof of the prime number theorem.",
  background: true,
  generation_config: {
    max_output_tokens: 262144,
    thinking_level: "high",
  },
});

// 后台执行期间轮询状态
while (interaction.status === "in_progress" || interaction.status === "queued") {
  await new Promise((r) => setTimeout(r, 5000));
  interaction = await client.interactions.get(interaction.id);
}

// 每一跳都是一个 model_output 步骤，全部拼接才是完整答案
const text = interaction.steps
  .filter((s) => s.type === "model_output")
  .flatMap((s) => s.content ?? [])
  .filter((c) => c.type === "text")
  .map((c) => c.text)
  .join("");

有三个坑文档里专门标了，直接抄作业时注意：

开了 background: true 但没设 max_output_tokens，服务器会在 64K 处直接停 ------长解码不会自动开启 $[1](#1 "#ref-doc")$ 。
max_output_tokens 是思考 + 输出的合计硬顶 。思考级别越高，烧在思维链里的预算越多，限额要给足，否则答案被截断 $[1](#1 "#ref-doc")$ 。
硬任务可能要跑几分钟 ：要么用后台执行，要么把 HTTP 客户端超时调到至少 15 分钟 $[1](#1 "#ref-doc")$ 。

旋钮换代：temperature 没了，thinking_level 上位

一个容易被忽略的破坏性变更：Argon 会直接忽略 temperature、top_p、top_k ，迁移时要从请求里删掉 $[1](#1 "#ref-doc")$ 。控制生成行为的旋钮换成了三档思考级别：

思考级别	token 消耗 / 延迟	适用场景
`low`	最少 token、最低延迟	简单任务、成本敏感型工作、轻度分析写作
`medium`（默认）	均衡	大多数任务，包括复杂代码和 Agent 用例
`high`	最多 token、首 token 最慢	复杂推理、数学科学、最难的代码/Agent 任务；长解码绝配

谷歌的建议很工程化：三个级别都跑一遍评估，选满足质量要求的最低档 $[1](#1 "#ref-doc")$ 。因为输出 token 是连思考一起计费的（$10/百万），high 档随便一开，账单就是思维链的长度。

架构层面的信号

移除采样参数、用思考级别做唯一旋钮、思考 token 计入输出计费------这三件事合起来说明：谷歌已经把 Argon 彻底当"推理引擎"而非"文本生成器"在设计。你控制的不再是随机性，而是推理预算。

③跑分地图：13/18 赢在哪，5 项输在哪

DeepMind 官方模型卡给了 18 项对比，对手是 GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5 $[2](#2 "#ref-card")$ 。我把全表搬过来，加粗的是该项第一：

类别	评测	Argon	GPT-6 Astra	Fable 5.1	Opus 5.5
知识工作	Vals Index	68.9%	63.1%	65.8%	67.0%
AutomationBench	51.3%	41.4%	31.4%	42.5%
Vals Finance Agent v2	65.4%	53.5%	58.9%	58.6%
Harvey 法律 Agent	19.6%	5.4%	6.7%	3.8%
Agentic 编码	DeepSWE v1.1	77.9%	74.1%	67.4%	74.2%
FrontierSWE v2	55.0%	65.5%	56.3%	62.3%
Vibe Code Bench	91.9%	89.6%	90.3%	90.3%
Terminal-bench 4.0	57.4%	58.2%	57.9%	66.4%
ML 工程	PostTrainBench	45.3%	44.3%	40.2%	49.3%
科学与数学	Terminal-Bench Science	57.6%	68.1%	52.6%	63.3%
LABBench 2	88.8%	85.4%	68.6%	73.1%
RiemannBench	76.0%	72.0%	65.6%	69.6%
长上下文	GraphWalks ≤128K	99.7%	98.7%	91.4%	90.6%
GraphWalks 256K--1M	84.2%	71.8%	65.0%	66.8%
计算机使用	Agent's Last Exam	39.5%	34.2%	---	38.2%
OSWorld-2.0	69.2%	72.6%	---	---
多模态理解	Chartography	71.6%	71.0%	46.2%	66.3%
LVBench	91.7%	87.5%	79.7%	83.7%
网络安全	CWE-bench v1	68.0%	68.0%	58.0%	67.0%

18 项里 Argon 拿 13 个第一。仔细看分布，赢的全是"干活"类 ：知识工作 4 项横扫（其中 Harvey 法律 Agent 19.6% 对第二名 6.7%，接近 3 倍------虽然绝对值都不高，说明法律 Agent 本身还是早期）、长上下文两项（尤其 256K--1M 区间 84.2% 对 GPT-6 的 71.8%，长窗口衰减控制明显更好）、Agentic 编码里的 DeepSWE 和 Vibe Code Bench、多模态两项 $[2](#2 "#ref-card")$ 。

输的 5 项也很诚实 ：FrontierSWE v2 输 GPT-6 十个点（55.0 对 65.5）、Terminal-bench 4.0 输 Opus 5.5 九个点（57.4 对 66.4）、Terminal-Bench Science 输 GPT-6 十个点、OSWorld 计算机使用输 GPT-6、PostTrainBench 输 Opus $[2](#2 "#ref-card")$ 。注意一个规律：带 "Terminal" 字样的长程终端场景，Argon 全输了------命令行多步操作这个细分场景，Opus 5.5 依然是王。

但这里必须泼一盆冷水：跑分第一不等于综合智能第一 。Artificial Analysis 的综合智能指数上，Argon 是 53 分，与 GPT-6 Astra、Claude Fable 5.1 并列，总榜只排第 6 $[5](#5 "#ref-yicai")$ 。怎么理解这个反差？模型卡那张表是谷歌挑的"干活向"评测组合，反映的是它在知识工作、长上下文、Agentic 编码上的场景优势 ；AA 指数是更宽口径的综合智能，大家还在同一梯队。谷歌赢在赛道选择，不是全面碾压。

④成本经济学：$1.99 一单是怎么算出来的

跑分之外，Argon 真正的杀手锏是成本。Artificial Analysis 测算：完成一个智能指数任务的平均成本，Argon 是 $1.99，GPT−6Astra是1.99，GPT-6 Astra 是$ 1.99，GPT−6Astra是3.26，Opus 5.5 是 $5.98 $[4](#4 "#ref-jrj")$ 。同档智能，价格分别是对手的 6 折和 3.3 折。

这个价格怎么来的？三个层面：

定价本身激进 ：11 月 30 日前体验价 $2/百万输入、2/百万输入、$ 2/百万输入、10/百万输出；之后也才 $4/4/$ 4/20 $[1](#1 "#ref-doc")$ 。对比 Opus 4.7 世代 $25/百万输出的价位，差了一个量级 $[4](#4 "#ref-jrj")$ 。
隐式缓存 95% 折扣 ：≥4,096 token 的提示默认开启隐式缓存，命中后缓存输入 token 只要 $0.10/百万 $[1](#1 "#ref-doc")$ 。Agent 场景反复携带长系统提示和工具定义，缓存命中率天然高。
稀疏 MoE 架构 ：模型卡确认 Argon 是大规模稀疏 MoE $[2](#2 "#ref-card")$ ------每次前向只激活部分参数，这是 2026 年所有"便宜又大碗"模型的共同底色。

但要提醒一句：体验价 11 月 30 日截止，之后翻倍到 $4/4/$ 4/20 $[1](#1 "#ref-doc")$ 。现在基于 $1.99 单任务成本做的架构决策，年底要重新算一遍账。另外 Argon 不进免费层，也不含在 Google AI Pro 里 $[1](#1 "#ref-doc")$ ------谷歌把它明确定位成"干活的生产力工具"，不是拉新玩具。

⑤迁移清单：8 条官方 checklist 里的实战要点

如果你现有应用跑在旧 Gemini 上，官方迁移清单有 8 条 $[1](#1 "#ref-doc")$ ，我按"容易踩坑程度"重新排序并加注：

改模型 ID ：gemini-4-argon。
删采样参数 ：temperature / top_p / top_k 传了也会被忽略------旧代码里如果靠 temperature 控制风格，行为会变，要回归测试。
停用显式上下文缓存 ：Argon 不支持 cachedContents / caches.create，相关调用全部移除；隐式缓存（≥4,096 token 默认开）命中享 95% 折扣。
抬高 max_output_tokens：旧应用如果显式设过 32K 以下的限额，至少提到 32,768------Argon 会把更多预算用于思考，限额太低直接截断。
配 thinking_level：三档都测，选满足质量要求的最低档（成本直接挂钩）。
超 64K 输出走后台执行 ：background: true + max_output_tokens > 65,536。
客户端超时拉到 15 分钟以上：硬任务要跑几分钟，别用默认值。
多轮对话用 previous_interaction_id 在服务器端保留状态，别再每次全量重传历史。

知识截止与稳定性提醒

模型卡写明：知识截止 2026 年 3 月；仍可能幻觉，"偶尔会有响应缓慢或超时" $[2](#2 "#ref-card")$ 。长解码任务跑几分钟是常态，生产环境务必配好重试和超时兜底。

⑥判断：从"比聪明"到"比干活"，选型逻辑怎么变

把这周的几件事串起来看------Gemini 4 Argon 押注长解码和知识工作、Claude Haiku 5.5 发布即降价 10 倍、Anthropic 以近 2 万亿估值冲刺 IPO $[7](#7 "#ref-recap")$ $[8](#8 "#ref-ipo")$ ------头部厂商的动作指向同一个判断：综合智能的军备竞赛进入平台期，"能干完活"和"干活便宜"成了新的差异化战场。

对开发者的选型含义，我给三条：

第一，按"任务时长"分层选型。 单轮问答、短交互------各家旗舰智能并列（AA 指数 53 分大家打平 $[5](#5 "#ref-yicai")$ ），选便宜的；几十分钟级的长程知识工作（法律分析、金融研究、大型重构）------Argon 的长解码 + 长上下文衰减控制（GraphWalks 1M 区间 84.2% 对 71.8% $[2](#2 "#ref-card")$ ）目前是独一档；终端命令行密集的场景------Opus 5.5 依然最稳（Terminal-bench 66.4% $[2](#2 "#ref-card")$ ）。 "一个模型打天下"的时代结束了。

第二，把"思考预算"纳入成本模型。 思考 token 计入输出计费，thinking_level: high 加长解码，一个任务烧几十万输出 token 是常态。体验价 $10/百万下是几美元一单，12月1日翻倍后要重算。选型时别只看单价，∗∗用真实任务测"单任务成本"才是有效指标∗∗------AA的10/百万下是几美元一单，12 月 1 日翻倍后要重算。选型时别只看单价，**用真实任务测"单任务成本"才是有效指标**------AA 的$ 10/百万下是几美元一单，12月1日翻倍后要重算。选型时别只看单价，∗∗用真实任务测"单任务成本"才是有效指标∗∗------AA的1.99 就是这么算出来的 $[4](#4 "#ref-jrj")$ 。

第三，关注"服务器端状态"这个新范式。 后台执行、interaction.steps、previous_interaction_id------谷歌这套 API 设计把越来越多状态挪到了服务器端。对开发者是省事（不用自己管续写循环和对话历史），但也意味着更深的平台绑定。这套互动模型一旦深度采用，迁回别家的成本会变高。架构决策时这是个真实的权衡。

一句话总结

Gemini 4 Argon 不是在"更聪明"上赢------AA 指数上它和对手并列。它赢在把"输出长度"这个被忽视的维度拉开了 15 倍，并用 1/3 的价格把战场引向"谁能一口气把活干完"。如果你的场景是长程知识工作，值得立刻测；如果是终端密集或短交互，手里的牌不用换。

💬留三个问题给你

100 万输出的真实利用率会有多高？ 思维链烧 token 没有上限，"想得更久"和"想得更好"之间的边际收益在哪拐点？你有测过思考级别对最终质量的真实影响吗？
Harvey 法律 Agent 上 19.6% 对 6.7% 的 3 倍差距，是能力断层还是评测口味？ 绝对值都不到 20%，法律 Agent 这个赛道是不是根本没到可用线？
服务器端状态（后台执行 + previous_interaction_id）带来的平台绑定，你愿意用多少迁移成本换开发便利？