9 月 30 日，Google 发布 Gemini 4 Argon。同一天，Bloomberg 把部分员工对它的疑虑写进了报道。两篇文章放在一起，最值得追问的是：模型拿到高分以后，还需要经过哪些检验，才能交到开发者手里放心使用？

先抓住全文

Gemini 4 Argon 的发布，把一个老问题又摆到了开发者面前：评测成绩怎样变成真实工作里的好用？Google 展示了长任务能力与工程案例，Bloomberg 则报道了部分员工的疑虑。两者关注的任务和证据条件不同。本文从可检查的优化结果出发，区分输出预算、榜单表现、使用反馈与接入成本，保留判断所需的技术细节。

libgav1：先看模型怎样参与一次优化

Google 的发布稿里，libgav1 视频解码器是一个值得停下来看的案例。Argon 围绕已有 Rust 移植版反复做性能实验、检查编译器输出，改写约 3.2 万行 SIMD 代码，让安全 Rust 更容易被自动向量化。官方报告速度达到原 Rust 移植版的 2.7 倍，视频输出一致，性能更接近优化过的 C++ 版本。Google 发布稿

SIMD 是用一条指令处理多份数据，适合视频解码里的大量重复计算。自动向量化则由编译器识别这种机会。难点在于，换一种写法以后，编译器能否仍然把程序转成高效的机器指令。

这个案例有意思的地方，就在反馈。模型提出修改，编译器和性能测量告诉它哪里有效，再据此继续调整。这里可以学到的工程思路，是让优化建议接受程序行为和耗时的检验。

比较基线也不能丢：2.7 倍针对已有 Rust 移植版。它不能被转述成“比成熟的 C++ 实现快 2.7 倍”，更不能直接外推成整个团队的效率提升。

1M 输出：给长任务更多空间

Argon 把输出上限从 64K 提高到 1M token。Google 将它与持续推理、完成更长的多步骤任务联系起来。Google 发布稿

这里的关键词是输出。上下文窗口关心一次处理能容纳多少材料，输出上限关心一次生成可以走多长。读到“百万 token”，把两者混在一起，就会看错这项更新。

可以把它理解为给一次尝试留出更大的生成预算，但不能由此推出模型必然更快、更便宜，或能稳定工作多少小时。实际延迟、工具耗时、失败重试和生成长度，都还要落到具体任务上测。

回到前面的优化案例，空间扩大后，值得观察的是它能否多完成几轮有用的验证。字数本身不是验收结果。

编程评测：同一张表里，也有不同胜者

只看“领先”这个词，很容易把不同任务揉成一个结论。Google 的原始结果表里，下面三项就由不同模型领先：

数据取自 Google 原始结果表 与 评测说明。这些百分比来自各自评测，不能跨行理解成同一种“编程成功率”。

评测说明还有一层重要条件：Argon 默认采用最高思考设置，多数结果按 pass@1 统计，即单次尝试的表现；部分测试有例外。DeepSWE 的 Argon 成绩由 Google 使用 mini-swe 执行框架测得，对手数据来自公开榜单或系统卡。因此，这张表也不是把所有模型放进完全相同环境后得到的一次横测。评测方法

执行框架（harness）负责把任务、工具和模型接起来。同一个模型能看见什么、可以调用什么、得到多少执行时间，都会影响最终交付。比较时把模型版本记住，也要把这些条件带上。

原图来源为 Google 官方发布稿。表中有领先项也有落后项，足以支持“能力随任务而异”；它没有回答每一类实际项目中的表现。

员工反馈：质疑值得听，但不能替代实测

Bloomberg 的德文转载引述匿名知情人士称，Argon 在部分实际编程工作中不如跑分表现，前端设计是被点名的短板；另有两位知情人士认为它可能受到 benchmaxxing 的影响，也就是过度追求测试成绩。Google 否认将其描述为编程表现不佳的说法；报道也呈现了内部认为模型已达到前沿水平的观点。Bloomberg 署名转载

这提供了一个具体的疑问，却还没有给出可复查的结论。转载没有附上完整失败任务、提示词、运行设置和统一验收记录，读者无法据此量化差距，也不能把“疑似过度优化榜单”写成已经证实的训练内幕。

不过，真实使用的抱怨也不该被一张高分表直接打发。一个能完成代码修改的系统，未必同样擅长处理模糊需求、界面细节和来回变化的反馈。这里列的是可能影响体验的任务差异，不是对 Argon 失败原因的诊断。

把两份材料放在一起，更有用的判断是：Argon 已经拿出值得验证的能力信号，通用编程体验仍需要更广泛、任务条件清楚的测试。“全面领先”和“只会刷榜”，目前都超出了这些证据。

开放与价格：把发布稿读到脚注

9 月 30 日的公告先向 Fairwind 项目中的可信网络防御者开放，后续扩大范围时将从付费 API 客户与 Google AI Ultra 用户开始；公告没有给出全面开放日期。专业防御测试与普通用户可获得的服务，要按实际开放阶段理解。Google 发布稿

价格同样分阶段。按每百万 token 计，输入／输出首发优惠价为 2／10 美元，文末脚注写明优惠结束后为 4／20 美元；缓存输入按输入单价优惠 95%。公告没有写优惠期结束日期。定价及脚注

这些是 token 单价。要比较完成一项工作的开销，还需要实际消耗、工具费用和返工量。输出预算加大，让复杂尝试有了更多余地，也让“这次到底用了多少”变得更值得记录。

回到标题的问题，距离“好用”还有多远，不能用一个总分丈量。对自己的项目，更有意义的是给出相同任务、验收条件与预算，看它交回来的成果能否留下。前面的 libgav1 案例之所以有说服力，正是因为它把能力落到了可检查的结果上。

来源与阅读说明

Gemini 4 Argon: our next era of frontier intelligence · Koray Kavukcuoglu / Google · 更新 2026-09-30

Google Grapples With Employee Skepticism About New Gemini 4（英文原文链接，未完整读取） · Julia Love、Davey Alba / Bloomberg · 更新 2026-09-30

Google Gemini 4: Mitarbeiter sehen bei KI-Modell Schwächen beim Programmieren（已读德文转载） · Julia Love、Davey Alba / Bloomberg，经 Yahoo 刊载 · 更新 2026-10-01

Gemini 4 Argon — Model evaluation：评测方法与结果 · Google DeepMind

原始输入拼接了两个网址，本文拆开阅读。Google 发布稿的正文、图表及价格脚注已读取；Bloomberg 英文原站未能完整访问，报道部分依据 Yahoo 刊载、署名 Julia Love 与 Davey Alba 的 Bloomberg 德文转载全文（2026-10-01），不声称已逐句核对英文版。另读 Google 的评测方法说明。文中性能是来源披露的数据，本文没有实际试用 Argon；工程解释与判断不作为模型实测结论。

读取日期：2026-10-03