Gemini 4 Argon 全面开放:热门创作案例集锦 从复杂工程到调用工具完成工作再到用代码制作 3D 和可视化视频

结合 Google 工程复盘、作者教程与 18 段演示,看懂 Argon 怎样把资料、代码与工具接成完整工作。

作者:Google / Google DeepMind10-14 · 25 分钟

Google 正式发布 Gemini 4 Argon ,这是Google沉寂许久后再次发布其旗舰模型,这款通用 AI 模型能持续处理代码和资料,并调用工具完成多步骤任务。

Gemini 4 Argon 的功能特点

  • 持续处理复杂任务:分步骤推进软件工程、法务金融分析和科研推导,持续阅读资料、推理并修改方案。
  • 理解多种资料:处理文本、代码、PDF、图像、音频和视频,把不同格式的信息联系起来。
  • 调用工具完成工作:配合 Agent 工作环境运行代码、检索文件和搜索网页,再根据工具返回的结果继续执行。
  • 用代码制作 3D 和可视化:编写脚本,配合 Blender、Three.js 等工具制作场景、游戏和动画;Argon 生成文本与代码,成品由渲染工具生成。
  • 更大的窗口与长输出:输入和输出共用约 1M token 窗口;同步调用默认最大输出 65,536 tokens,更长输出可使用 Long Decode。

目前哪些人可以用?

  • Google AI Pro 订阅者:在 Gemini App 和 Google 搜索的 AI Mode 中使用。
  • Google AI Ultra 订阅者:除上述入口外,还可在 Google Antigravity 和 Google AI Studio 中使用 Argon。
  • 付费 API 开发者:通过 Gemini API 付费层接入,可在 AI Studio、Android Studio 等开发环境中调用。API 按 token 计费,与个人 Pro/Ultra 订阅分开。
  • 企业用户:通过 Gemini for business、API 和 Antigravity 等入口,按相应企业接入方案使用。

科研与安全团队另有申请通道:Google 为符合条件、获选的科研人员提供 10,000 个最高额度 Antigravity 的六个月免费名额,按容量和遴选结果逐步开通;Fairwind 计划 面向受信任的网络防御团队,须单独申请专用版本。

本次 Argon 开放对象中未列入普通免费账号,各入口正在逐步推送。具体范围见官方发布说明和 API 模型文档。

这些工作的难点,是前后步骤要接得上。改动一个文件,需要照顾其他模块的接口;读到一张分子结构图,需要找到几十页外对应的实验结果;写出机器人的动作,还得观察它有没有投中。下面结合 Google 的工程复盘、X 热门主题帖和 18 段演示,看看 Argon 如何推进这些工作,以及成果怎样经过验证。


接管现有复杂代码:从架构解耦到夜间自主优化

大型代码库的改动,需要同时满足既有接口、模块依赖和测试要求。Chrome 与 ADK 的案例展示了 Argon 在这些条件下的表现。

1. Chromium:分离核心网页处理与 600 万行遗留功能文件夹

Chromium 代码库整体规模约 4000 万行。在长期迭代中,核心网页处理(core webpage handling)与包含书签、下载等功能的约 600 万行遗留浏览器功能代码文件夹深度交织。这种耦合使得活跃网页难以在标签页、侧边栏和独立浮动窗口之间平滑迁移,也容易引发浏览器崩溃。

Chrome 工程师讲述 Gemini 4 Argon 如何协助解耦 600 万行遗留功能模块。
在规范约束下,模型并行提交多组清晰改动(Clean Changes),跑过数十万项自动化测试与两名工程师审查。

根据 Chrome 工程师的说明,浏览器的整体组件化原本是一项按年计算的长期工作;而在具体跨越数百个文件的架构重构中,Argon 协助团队将数月的工作压缩到了数周推进。模型每次并行拉起多组清晰改动(Clean Changes),跑过数十万项自动化回归测试、通过两名工程师的人工审查,并在新旧设备上经历了数百万次测试。

类似的代码工程优化也扩展到了开源科学计算与大模型推理:在分子量子化学工具包 xTB 中,研究人员借助 Argon 将分子结构预测提速最高 2.3 倍、构象搜索提速 1.8 倍;在开源模型优化中,团队借助 Argon 在 A100 上通过 vLLM 将 Gemma 4 E2B 的推理吞吐提升 2.85 倍(从约 3.79 万提升至超 10.8 万 tokens/s),且该测试中的输出 tokens 保持 100% 一致。


2. ADK 框架 11 小时夜间实战:先过滤再拷贝与按需加载

Agent Development Kit(ADK) 是 Google 用来搭建 Agent 的开源框架。Agent 指能调用工具、连续完成任务的 AI。ADK 团队公开了一次 11 小时的夜间性能优化过程,包含模型提案、测试结果和维护者的取舍。

ADK 是 Google 驱动企业 Agent 的 Python 基础框架,拥有约 20.5 万行代码、近 800 个文件,以及近 1.7 万个单元测试。性能瓶颈会跨越多个文件,改动前需要理清调用关系和共享状态。测试中还有 Mock,也就是用来代替真实对象或外部服务的模拟对象,改动同样要兼容它们。

两次尝试的成败分水岭

  • 第一轮(未配置仓库规范):团队仅给了一段目标提示词,未配置仓库具体规范,运行约 2 小时。Argon 在 7 分钟内写出基准脚本,花 70 分钟阅读代码,确实找出了会话拷贝和依赖导入的真实瓶颈,部分代码最终被采纳。但在缺少维护准则时,它在认证模型上挂载了自定义钩子,改变了公共 JSON Schema,漏掉了 Mock 事件边缘情况,仅执行了附近的 216 个测试,PR 中也未附带基准对比数据。
  • 第二轮(规则对齐):团队在仓库 .agents/skills 中沉淀了清晰的规范文件(如私有模块命名规范与懒加载检查规则),并在 Google Antigravity 中开启 /goal 模式保持目标跨上下文压缩不丢失,明确要求提交附带前后对比数据且不合并的 Pull Request。
查看 ADK 团队使用的官方提示词(英文原文与中文译文)

官方英文原件(来自 Google Developers 博客公开用例):

/goal Make ADK add no noticeable overhead to any agent:
at startup, in long sessions, in multi-agent and workflow setups.
Keep what the model receives and the public API unchanged, and back each change with a test that would catch a regression.
Open one pull request against main that the ADK maintainers would approve, with before and after numbers in its description. Don't merge it.

中文完整译文:

/goal 让 ADK 在任何智能体场景下都不产生可察觉的开销:
包括启动阶段、长会话、多 Agent协同以及复杂工作流配置。
保持模型接收的上下文载荷与公共 API 完全不变,并为每处改动
补充能够捕获退化问题的回归测试。
针对 main 分支提交一个符合 ADK 维护者批准标准的 Pull Request,
在描述中附带前后对比数据。切勿直接合并。

在整整 11 个小时的夜间运行中,Argon 阅读了 12 份规则文件,在 4 套基准负载上各跑了 30 次基线测试,甚至在结束前的最后 3 分钟还在审查自己的 Diff,自主修复了多 Agent 缓存里的 Bug 并完整跑通了全部 16,892 个单元测试。

6 项优化提案的审查取舍:采纳 2 项,否决 4 项

第二天维护团队面对一份涉及 32 个文件的 Pull Request,包含 6 项优化提案。团队最终采纳了 2 项,否决了 4 项。

会话载入/准备耗时 (150 轮深层)
约 -40%
↓ 内存深拷贝转为先过滤后按需拷贝
包冷启动导入 (import google.adk)
约 -21%
↓ 重型模块推迟至初次调用加载
全新进程到发出首次模型请求
3.07s → 3.09s
≈ 基本持平(延迟模块首轮补载)
基线版本:158 轮工具交互累计框架开销 65.6 秒
65.6s
优化后的158轮累计框架开销 56.1 秒(净省 9.5 秒)
56.1s (总耗时约减少14.5%)
(注:ADK 官方独立隔离基准 bench_turn.py 统计,消除模型推理网络波动,纯测试框架在瞬时 Mock 交互下的真实运转负担。)
会话事件先过滤后拷贝 + 支持循环引用的复制器 正式合并
不再对不需要的历史事件先做 Pydantic deepcopy 的逻辑;先根据调用方诉求过滤有效事件,并用自研 cycle-safe 复制器保全 Mock 和共享状态字典。
顶层依赖重型库按需延迟访问(Lazy Accessors) 正式合并
将音视频流、OpenTelemetry、FastAPI/Starlette 等延迟至对应 Agent 首次调用时加载;使用惰性模块访问器,保证测试用例直接 mock 属性时仍完全兼容。
多 Agent 弱引用事件缓存机制 审查否决
虽将合成基准跑分拉高 17%,但使用了 weakref;一旦 Python 垃圾回收后重用内存物理地址,可能跨会话读到陈旧数据,存在一致性风险。
OpenTelemetry 追踪实现私有内部属性直读 审查否决
直接读取了三方库 Tracer 的私有下划线属性;一旦依赖库做小版本升迁,可能在库的小版本升级后出现不易察觉的兼容问题。
会话历史送入模型前的重排格式重构 审查否决
大幅增加了核心路径的代码可读性复杂度,但经独立基准实测,端到端延迟未见改善。
工作流事件重放查找加速索引 审查否决
引入了额外的状态跟踪开销;该机制收益集中在合成回放测试,维护者认为不足以抵偿日常运行的额外复杂度。
  • 正式采纳的 2 项优化:
    1. 会话历史先过滤后拷贝:原框架在读取历史时对完整会话执行 Pydantic deepcopy。Argon 更新为先按需过滤事件再执行复制,并实现了一个支持循环引用的复制器(cycle-safe copier),保留共享状态字典与测试 Mock。
    2. 重型依赖库延迟懒加载:Argon 在第 2 轮移除 llm_agent.py 内部导入后,16,892 个开源测试全部通过,但 25 个内部测试 Target 因直接 Mock 这些属性而失败。最终方案采用模块惰性访问器(lazy accessors),使重型库仅在首次使用时载入,同时保留公共属性可被测试 patch 的入口。
  • 审查否决的 4 项提案:
    1. 多 Agent 事件弱引用缓存:使合成基准提速 17%,但依赖 weakref,在 Python 垃圾回收复用内存地址时可能跨会话返回过期数据。
    2. OpenTelemetry 私有属性读取:读取三方库私有 _ 属性,依赖库小版本升级时可能破坏现有功能。
    3. 会话历史格式化重写:增加了核心代码的阅读难度,但在独立基准上端到端延迟并未显现变化。
    4. 重放查找索引:增加了状态跟踪复杂度,仅对合成重放测试有收益,日常 Agent 运行收益不明显。

团队最终将两轮有效改动合并为涉及 22 个文件、补充 17 个新测试函数的提交。详细过程可参考 Google Developers ADK 博客。

什么是 Turn?如何理解会话准备开销下降约 40%

在 ADK 框架中,用户输入问题并得到最终回答称为一次 Invocation;而 Agent 内部每次发起工具调用、并发查询或与外部交互,被记为一个内部 Turn。

在官方设立的独立隔离基准 bench_turn.py 中(使用 instant 模型与 instant 工具以纯测框架自身开销),该优化主要针对内存会话存储 InMemorySessionService。在 158 轮工具交互场景下,框架总耗时从 65.6 秒下降至 56.1 秒,节省约 9.5 秒框架开销,会话准备阶段开销降低约 40%(外部 SQLite、Firestore、Redis 等存储因直接从数据库反序列化,无此项收益)。

从全新独立进程启动到发出第一个模型请求的时间基本持平(3.07 秒 vs 3.09 秒),因为惰性加载的依赖在首次发出请求时仍需完成载入。在生产部署中,可通过发送预热请求平摊首次载入耗时。


从代码计算光影,再用工具制作 3D 场景

3D 创作要求模型同时处理形状、材质、光照和程序行为。图书馆与赛车演示展示了两种具体做法。

1. Python + NumPy 逐像素光线追踪与 WebGL2 实时渲染

在 3D 渲染示例中,Argon 构建了两个独立的实现版本:一个是基于 Python 和 NumPy 的离线光线追踪器,不依赖现成 3D 图形引擎(如 OpenGL、Blender 或 Unity),也不加载外部模型与材质贴图,纯靠逐像素数学计算;另一个是基于原生 JavaScript 和 WebGL2 的独立浏览器版本,两者互不依赖。NumPy 负责数组计算,Pillow 用来保存生成的图片文件。

Python 与 NumPy 逐像素计算的光线追踪日光书房。
5000 余行数学与向量计算,不加载外部 3D 模型与网格,借助有符号距离函数(SDF)与波动函数解算光影。

在 Python 渲染脚本中,几何体与材质特性被表示为数学函数:

  • 数学化建模:通过模算术控制书架上数百本书籍的差异化倾斜角;借助有符号距离函数(SDF)完成刚性立方体到沙发软包的平滑过渡。
  • 算法纹理:通过分层波函数在像素级计算木纹微孔与石材质感,生成法线扰动。
  • 光学 7 步计算:光线投射求交、法线扰动、环境光遮蔽(AO)、地面二次漫反射、各向异性高光反射、穿透玻璃水杯的双重斯涅尔折射焦散,以及大气体积散射。

在本地运行该开源项目(仓库见 gemini-4-demo-vanilla-3D),可按以下步骤操作:

git clone https://github.com/google-gemini/gemini-4-demo-vanilla-3D.git
cd gemini-4-demo-vanilla-3D
python3 -m venv .venv
source .venv/bin/activate
pip install -r python/requirements.txt
python3 python/sunlit_library.py

渲染图像默认保存至 renders/ 目录下(如 renders/sunlit_library_1600x1200.png)。若需体验浏览器实时交互版本,可直接启动本地服务器打开 /javascript/index.html,该页面基于 WebGL2 独立运行,无需先执行 Python 离线渲染:

python3 -m http.server 8000
# 浏览器访问 http://localhost:8000/javascript/index.html

2. 从桌面照片到可玩赛车:作者怎样指导多 Agent 工作

Google 开发者关系工程师 Geneviève Huskens 把自己书桌的照片变成了 Desk Racer 赛车游戏。她发布的完整主题帖补充了制作过程:先和模型确定玩法与视觉方向,再让它持续搭建、检查和修改。

Geneviève 讲解桌面赛车的完整制作过程。
从照片、概念图到多 Agent 分工,再用截图检查成果。 查看原帖

她先上传桌面照片,用 /grill-me 让 Argon 通过提问明确玩法、光照和物品处理方式。Nano Banana 生成概念图供她选定风格,方向确定后,Argon 给出计划与 /goal 命令,开始长时间推进任务。多个 Agent 分别处理灯光、桌面物品和纹理,Blender MCP 负责建模,Three.js 把场景接成浏览器里的游戏。

空间对齐是一个具体难点。作者的复盘提到,Argon 做了相交检查,让赛道的 68 根支柱落在桌面或摆件表面。她的指南还建议从四种视角检查成果:总览看构图,特写看材质,低角度看物体是否悬空,线框看几何和相交关系。这样,“再做精细一点”就能变成模型可以定位的修改目标。

人类也持续调整目标。早期赛车的 1:87 比例让道路显得拥挤,她把比例改为 1:150,同时拉近跟车镜头。车在屏幕上仍然一样大,道路却感觉宽了近一倍,桌上的物品也更显巨大。这说明做出可玩版本之后,尺度和镜头仍会明显影响体验。

Desk Racer 桌面赛车成品。
桌面物品成为赛道环境,Three.js 接入物理、着色器与音效。 查看原帖

想先体验作品,可以打开 AI Studio 的 Desk Racer 试玩或改编。想从自己的照片开始搭建,则可参考作者的完整英文 3D 制作指南:普通浏览器场景可以先用 Three.js,需要复杂物件时再加入 Blender;原演示的长任务与多 Agent 编排运行在 Antigravity 中。

展开查看更多 3D 程序化建模与游戏生成演示(视频 02、04、06)

案例 A:多 Agent视觉审查雕刻古典寺庙建筑群

多 Agent审查循环生成的佛寺建筑群(演示说明与画面文字)。
智能体在 Blender 中通过多轮视觉互评,自主迭代多栋建筑结构、复杂飞檐斗拱、周边植被分布与写实光影。

案例 B:巫师棋 3D 程序化建模与单人博弈 AI

程序化建模、绑定骨骼与碎裂物理的巫师棋(演示说明与画面文字)。
Python 脚本在 Blender 中完成棋子雕刻与 PBR 贴图烘焙,Three.js 加入 GLSL 碎裂着色器与单机博弈决策。

案例 C:单张概念草图驱动哥特大教堂声光场景

单张概念图自主推导完整 3D 哥特建筑(演示说明与画面文字)。
校准网格相机视角,自主循环雕刻回廊与立柱,并配置能够根据背景音乐动态闪烁的音频响应灯光系统。

3. 代码画廊:534 项作品与版本,怎样画出光影?

外部创作者 Surya(@kickingkeys)分享了一组由 Argon 编写代码绘制的图像和动画,并公开作品代码。它把编程能力用在了绘画上:程序决定物体的形状、透视、阴影和笔触,再由画布渲染出来。

Surya 展示代码绘画与动画。
雪地自行车、几何分格水壶等作品,以及最后的画廊总览。 查看原帖

Argon Paintings 画廊 收录了 534 项作品及迭代版本,每项带有轮次信息。以《棕榈泉泳池躺椅》第 14 轮为例,页面提供一份 1,823 行的 sketch.js。其中的透视函数把三维坐标投到二维画面,阴影函数计算阳光如何落到泳池边的台阶、水面等位置,笔刷函数再处理多边形填色、水彩肌理和排线。

这种做法的吸引力在于,视觉效果可以对应到代码里的参数与函数。想改变椅子的朝向、太阳方向或笔触,可以从这些具体位置调整。画廊托管在 Claude Artifacts 中,作者把这些作品归于 Argon;这里展示的是模型写代码后得到的图像与动画,Argon 的原生输出仍是文本与代码。

4. Pixel 拆解与动态字体:已有资产和纯几何的两种动画

Sundar Pichai 分享的 Google 员工主题帖,补充了两种视觉创作用法。第一种从 已有 Pixel CAD 文件出发,在 Antigravity 中通过 Blender MCP 编排手机组件的展开与合拢,并处理灯光、镜头和音频。

Pixel 手机组件展开与重新装配。
工作起点是已有 CAD 文件,模型将它编排成产品动画。 查看原帖

Pichai 描述,这个演示运行了 1,000 轮迭代,检查渲染结果并修改代码。这里值得观察的是输入资产与反馈过程:CAD 提供结构,代码控制组件和镜头的运动,渲染结果再反过来指导修改。1,000 轮是这个项目的工作量描述,帖文没有给出相应耗时或成本。

第二种是 3D 动态字体。发帖称,它没有使用预录视频或视频剪辑软件,每帧由三维网格、粒子模拟和矢量几何等算法绘制,音乐也通过代码生成。视频里,字母与网格线、粒子一起变化,组成 GEMINI 的视觉动效。

通过代码绘制的 3D 动态字体。
观察字母形态、网格与粒子如何随时间变化;发布者称音乐也由代码生成。 查看原帖

这两种方法分别适合产品结构展示和程序化动效。对能够取得源码的项目,后续修改可以落到几何、材质、镜头或动画时间上,而不仅是重新描述一遍想要的画面。


机器人投袋四步:从看人投掷到实机 7 连中

在具身物理场景中,Gemini 4 Argon 在具身常识推理基准 ERQA(Embodied Reasoning)上取得了 87% 的纯推理成绩(数据来自 Google Developers 机器人博客)。在内部试验中,团队展示了基于 Video-to-Sim-to-Real 流程学习投掷沙包(Cornhole)的过程。

Apptronik Apollo 人形机器人沙包投掷(Cornhole)试验。
观察人类投掷视频并建立仿真,在实机上微调完成连续 7 次命中。

在投沙包的内部试验中,模型通过 4 步完成从视频到实机的投掷学习:

1 观察人类投掷输入:人类投掷沙包的视频

追踪手臂摆动与出手动作,将观察到的运动映射到机器人的关节和双手。

观察视频映射动作
(根据官方投袋视频的四步说明整理;选择步骤可查看输入、动作和反馈)
  1. 观察人手摆臂释放:观看人类投掷沙包的视频,追踪手臂摆幅与释放动作,将人体动作映射到机器人的关节与手部。
  2. 双目测板并建仿真:机器人通过头部双目相机测量目标板的 3D 空间位置,并在物理仿真器中构建身体与目标板的仿真环境。
  3. 仿真调整姿态:在仿真中加宽站距并调整挥臂轨迹,让手部在挥动中避开髋部,投出平滑弧线。
  4. 实机微调达成 7 连中:在真实机器人上观察每个沙包的落点,微调出手位置数厘米,最终达成连续 7 次空心入洞。

网络安全排查、专利分析与多模态数据应用

专业工作常常需要把相距很远的信息连起来:文件下载异常与配置里的密钥、专利结构图与实验读数,都要放在同一条分析过程里。

1. Wiz “Scan for Good”:发现并修复医疗系统中的漏洞链

云安全公司 Wiz 在“Scan for Good”计划中用 Argon 排查政府、医院和其他关键基础设施的安全问题。模型可以连续分析多个风险线索,判断它们串起来会产生什么影响。

Wiz 披露通过 Gemini 4 Argon 排查医疗系统漏洞链。
排查公开文件下载绕过风险,定位配置文件中的 Master Key,通过只读操作验证管理员权限并评估波及范围。

在公开披露的案例中,Argon 协助安全团队发现公开文件下载功能可被绕过以获取内部系统配置文件。配置中包含 Master Key,随后团队通过只读操作验证了管理员访问权限(admin access),查清了漏洞影响范围并协助完成修复,避免了潜在的患者数据泄露。


2. Isomorphic Labs:跨页关联制药专利结构与读数

在生物制药领域,每一款先导化合物的研发都离不开庞大文献与专利的摸底。

Isomorphic Labs 研究员展示专利文档信息提取。
阅读长篇专利,将相距数十页的化学分子结构与实验读数跨页对齐并整理成结构化报告。

化学制药专利篇幅较长(有时可达 500 页),分子母核结构图与具体的生物活性读数可能相隔 50 页以上。Isomorphic Labs 的研究员在访谈中提到,其以往需要耗费近一个月手工比对的 10 份复杂专利,借助 Argon 可以在一个下午内完成跨页关联、数据提取与制表输出,用于辅助药物研发前期的调研工作。


3. 把扫描数据、文档和照片做成可操作的成果

在企业级知识管理与物理资产生成上,Argon 同样提供了完整的链路支撑:

查科峡谷(Chaco Canyon)考古数字化重建演示。
融合机载激光雷达(LiDAR)、GIS 矢量与历史图纸,演示中构建了可交互遗址与太阳投影刻度模型。

在查科峡谷考古遗址数字化的演示中,模型整合了包含机载激光雷达(LiDAR)点云、GIS 矢量与历史建筑图纸等资料,在生成的互动模型中加入了模拟古代太阳观象夏至与冬至投影的日晷刻度。

NASA 火星资料:把 8 万余份文件接到汇报制作

Pichai 的主题帖还展示了资料整理。演示者在本地保存了 8 万余份 NASA 开放档案,包含火星每日天气数据与 Ingenuity“机智号”直升机遥测日志。CSV、图像、PDF、网页文章、XML 日志和视频混在同一批资料里,先要从中找到与火星大气和飞行有关的信息。

NASA 混合资料转为 Google Slides 演示文稿。
先解析文件夹中的资料,再按用户给定的模板与设计规范提炼图表、原图和叙事。 查看原帖

流程分成两段:Argon 在 Antigravity 中通过工具读取和解析本地资料;用户再提供自定义幻灯片模板与严格设计规范,让它把分析结果组织成演示文稿。视频展示了从数据集取图、根据发现制作图表,以及把结果排成连续的说明。

8 万余份文件是工作流处理的资料规模,1M token 则是模型输入与输出共用的窗口上限。 通过工具访问文件夹,可以分步读取需要的信息,文件数与一次请求装入多少内容是两回事。Pichai 将这次整理描述为数分钟完成;它提供的是从资料到汇报的用法示范,具体图表用于研究或决策前仍应回查原始数据。

展开查看更多业务自动化与现实物理建模案例(视频 08、09、10)

案例 A:非结构化手写名单与资料直接生成客户提案并设定定时流程

商业提案生成工作流展示(画面节奏有模拟缩短)。
解析手写来宾偏好与菜单草案,生成商业文档并通过定时任务跟进后续流程。

案例 B:融合三个开源项目的三维人体解剖学教学工具

三维人体解剖学习工具工作流展示(画面节奏有模拟缩短)。
展示解剖图层剥离、查看临床元数据与骨骼运动模拟的交互界面。

案例 C:一张尺寸草图 + 沙发照片直出 3D 打印沙发替换腿

草图建模与 3D 打印试装(功能演示)。
根据测量尺寸草图建立 3D 模型并导出打印文件,用于沙发替换腿的试装。

4. 让计算方案接受数学证明与实验检验

除了工程重构,Argon 也在科研探索中承担辅助计算与设计任务:

  • 量子计算:将量子纠错解码器 AlphaQubit 转换为高度优化的硬件内核,推理吞吐提升近 2 倍;在量子算法基础构建块 arcsin 实现中,Argon 编写并通过 Lean 形式化验证的方案将时空成本相比量子 CORDIC 降低超过 100 倍。
  • 核聚变仿真:Google 团队与马里兰大学 Matt Landreman 教授利用 Argon 发现了核聚变仿星器 Grad 猜想更广泛的反例,为磁场仿真代码提供了可靠的基准测试用例。
  • 酶分子设计:针对基准分子 4MU-acetate,Argon 筛选设计出 5 种新型丝氨酸酯酶,随后经真实湿实验室(Wet-lab)测试证实了催化活性。这类生成探索仍需依托外部严谨实验或形式化证明进行最终验证。

哪些任务领先,哪些任务仍有差距

在官方发布的 Gemini 4 Argon Model Card 中,模型在多个领域的标准基准上进行了评测:

评测基准与维度 Gemini 4 Argon GPT-6 Astra Claude Fable 5.1 Claude Opus 5.5
Vals Index领先专业知识工作综合评分68.9%63.1%65.8%67.0%
AutomationBench领先工作自动化评测51.3%41.4%31.4%42.5%
Vals Finance Agent v2领先金融 Agent 评测65.4%53.5%58.9%58.6%
Harvey Legal Agent领先法律 Agent 评测19.6%5.4%6.7%3.8%
DeepSWE v1.1领先Agent 编程评测77.9%74.1%67.4%74.2%
FrontierSWE v2Agent 编程评测55.0%65.5%56.3%62.3%
Vibe Code Bench领先代码生成评测91.9%89.6%90.3%90.3%
Terminal-bench 4.0终端任务评测57.4%58.2%57.9%66.4%
GraphWalks (128k BFS)领先图遍历 F1,最长128k输入99.7%98.7%91.4%90.6%
GraphWalks (256k-1M BFS)领先图遍历 F1,256k至1M输入84.2%71.8%65.0%66.8%
LABBench 2领先科学与实验知识评测88.8%85.4%68.6%73.1%
RiemannBench领先数学推理评测76.0%72.0%65.6%69.6%
Chartography领先多模态图表理解71.6%71.0%46.2%66.3%
( 注:数据均提取自 Google DeepMind 官方 Model Card 公布基准表。部分评测中各模型互有胜负(如在 FrontierSWE v2 与终端基准中对手仍具优势),反映出当前前沿工程模型在各自擅长领域的真实权衡。 )

1. 各领域公开基准测试成绩

  • 知识与专业领域(Knowledge work):
    • Vals Index:取得 68.9%(对比 GPT-6 Astra 63.1%、Claude Opus 5.5 67.0%)。
    • Harvey's Legal Agent Benchmark:取得 19.6%(对比 Astra 5.4%、Opus 5.5 3.8%)。
  • Agent 编程(Agentic coding):
    • DeepSWE v1.1:取得 77.9%(对比 Astra 74.1%、Opus 5.5 74.2%)。
    • FrontierSWE v2:取得 55.0%,落后于 Astra 的 65.5% 与 Opus 5.5 的 62.3%。
    • Terminal-bench 4.0:取得 57.4%,低于 Opus 5.5 的 66.4%。
  • 长上下文(Long context):
    • GraphWalks(合成图遍历基准):在 256k 至 1M 上下文区间,广度优先遍历(BFS)F1 得分为 84.2%(对比 Astra 71.8%、Opus 5.5 66.8%)。

2. 安全防御与前沿安全框架评估

  • 滥用防范与提示注入防御:
    • 在 Gray Swan 间接提示注入(IPI)基准中,经过 15 次自适应攻击测试,攻击成功率为 0.7%。
    • 编码评测中,针对权限错误或测试失败尝试绕过限制的比例下降至 2%。部署了失准监控器(misalignment monitor)实时审视动作与推演路径,并在强化学习训练中避免惩罚模型的思考过程(thoughts),以防止模型学会隐匿推理。
  • 前沿安全框架(Frontier Safety Framework, FSF)关键能力评估:
    • 生物信息风险(Biological CCL):红队测试显示在特定场景下具备可操作信息支持,评估为“无法排除达到一级关键能力阈值(CCL)”,团队已部署缓解措施以降低残留风险。
    • 网络安全风险(Cybersecurity CCL):网络攻防评估显示具备显著能力提升,同样为“无法排除达到一级关键能力阈值”,并配备了相应安全策略。
    • 隐匿与部署情境意识(Stealth & Situational Awareness TCL):在 15 项测试挑战中通过 14 项,显示较强的部署情境意识(即发现并利用部署环境细节的能力,非主观意识),评估为“无法排除达到 TCL 阈值”,已在内部与外部部署中应用监控防护。
  • 已知局限与使用说明:
    • Model Card 说明模型仍具有基础模型的常见局限,可能出现幻觉、偶发缓慢或超时;内置知识有截止时间,涉及最新信息时需要另外检索并核对。

接入指南与落地建议

对于希望在业务中实际验证 Gemini 4 Argon 的团队,以下是关键的通道、成本核算与实践策略:

1. 接入渠道与门槛

  • 开发者 API 渠道:通过 Google AI Studio 与 Gemini Platform API 正式上线,提供完整的 gemini-4-argon 模型调用标识,首日支持 google-genai 各主力语言 SDK。
  • 全功能工作台 Google Antigravity:面向 Google AI Ultra 订阅者开放,可直接调用 /goal 长程多 Agent 编排模式,支持沉浸式代码与工具链交互。
  • 日常搜索与助理端:面向 Google AI Ultra 与 Pro 订阅用户,在 Gemini 网页端、移动 App 以及 Google 搜索的 AI Mode 中提供服务。
  • 学术扶持计划:官方为全球 10,000 名符合条件的科学家和科研人员提供为期 6 个月的最高额度 Antigravity 免费试用通道。

2. 开发者成本核算

模型提供统一的 1M 联合上下文输入输出窗口,计费规则如下:

  • 推广期价格:
    • 输入 Tokens:$2 / 百万 Tokens
    • 输出 Tokens:$10 / 百万 Tokens
    • 缓存输入(Cached Input):享受 95% 折扣(0.5 折)
  • 推广期结束后:
    • 输入 Tokens 调整为 $4 / 百万 Tokens
    • 输出 Tokens 调整为 $20 / 百万 Tokens

3. 落地建议:如何在自己的仓库中复现 ADK 式的工程收益?

如果准备让 Argon 接管团队的现有项目,先给出目标与项目规则,再检查最终改动:

  1. 先建规则库,再放 Agent 进场:在项目根目录下建立规范目录(如 .agents/skills),将团队的代码规范、私有方法命名、不可变更的公共接口契约与单元测试命令整理为规则备忘。
  2. 明确验证要求:在提示词中明确“保持输入载荷与公共 API 不变”,并强制要求“每一处改动必须附带能够捕获退化的测试”。
  3. 保持维护者的审慎审查:让模型探索可能的解法,但始终坚持人工审查,剔除引入脆弱内部依赖或仅对合成测试有收益的方案,由维护者守住工程底线。
来源
Gemini 4 Argon: Built to solve your hardest problemsGoogle / Google DeepMind·查看主材料