在谷歌负责大模型后训练（post-training）的梅尔文·约翰逊（Melvin Johnson），在 Gemini 4 Argon 发布前夕注意到一个耐人寻味的转变。过去几年，研究员推开他的办公室大门兜售新点子，开口闭口都是「我需要 500 张芯片」「给我批 1000 张 TPU」；如今他们走进来，讨要的单位变了——「我需要 10 个 Argon QPS（每秒查询率），或者给我 15 个 QPS 就行。」

美国时间 2026 年 10 月 13 日（北京时间 10 月 14 日），谷歌向全球开发者、企业与付费订阅用户全量开放 Gemini 4 Argon，距它 9 月 30 日以「Fairwind 计划」名义先交给网络安全防御方，恰好两周。同期上线的官方播客《Release Notes》里，主持人洛根·基尔帕特里克（Logan Kilpatrick）与联合创始人谢尔盖·布林（Sergey Brin）、约翰逊、Gemini 模型产品负责人图尔西·多希（Tulsee Doshi）、Gemini 应用副总裁乔什·伍德沃德（Josh Woodward）同桌聊了三十分钟。

放进时间坐标里看：9 月 1 日 Anthropic 推出 Claude Fable 5.1，9 月 3 日 OpenAI 发布 GPT-6 Astra，9 月下旬 Claude Opus 5.5 与 GPT-6.1 Sol 接连登场。一个多月里三大实验室交出五款旗舰，这一轮争的已经不是参数规模，而是谁能把测试时计算（test-time compute）压进真实的工程与科研管线，以及谁能在模型越界之前守住人类看向它思维链的那扇窗。

一、十万人内测，与换了单位的算力货币

以往的旗舰发布，是几十名核心研究员对着新出炉的检查点（checkpoint）敲提示词、找感觉。Argon 上线前的三到四周，谷歌内部有 10 万名员工参与了内测。多希说，她还没在自己电脑上跑完第一个检查点，内部测试群已经被工程师们甩出的案例刷屏。

这 10 万人是谷歌「递归自我改进」流水线上的人肉过滤器。布林说，从 Gemini 3.6、3.7 到 3.8 Flash，团队早已踏上他所谓的「RSI 跑步机（RSI treadmill）」：用这一代模型去造下一代模型。

约翰逊给了最具体的切面：在 Argon 的训练中，智能体第一次深度介入模型制造本身——盯守超大规模的主干训练（hero runs），排查配置错误、检查奖励函数的缩放、清洗训练数据、自己定位代码缺陷并打补丁。布林补了一个细节：做数学定理证明时，Argon 会一边解题一边指出训练集里某道参考命题本身是错的，并当场构造反例。

布林开场时说，他是临时推门进的录音间——几分钟前正和约翰逊讨论「下一个版本的模型」；等听众看到这期节目时，谷歌内部用的已经是比 Argon 领先好几个版本的模型。约翰逊接着补充，内部现在是三到四周一轮：每两周出一批候选，每三周让其中有潜力的「毕业」。外界 10 月 13 日刚拿到 API 密钥，谷歌的飞轮已经往前滚了不止一个身位。

换了单位的算力货币

二、把「思考一个月」塞进一次请求

Argon 规格表上最要紧的改动在输出端：输入、思考与输出共用一个约 105 万 Token 的统一窗口，单次响应的输出上限从上一代的 6.4 万 Token 扩到最高约 100 万。

谷歌早在 Gemini 1.5 时代就把输入端推上了百万 Token，但全行业的输出端一直卡在 6.4 万到 12.8 万之间。推理模型的思考轨迹与最终回复共用这份输出预算，上限一低，模型遇上极难的推演，草稿纸还没写满就得收笔。

布林特意纠正了一个误解：此前的 3.8 Flash 在多步智能体循环里，累计也能消耗上百万 Token；Argon 的不同在于「单步百万」——不切分步骤、不靠工具回调，一条连续的思维轨迹直接跑到百万量级。

他还算了一笔人类时间账：一个学者每秒在脑子里过两三个词，100 万 Token 约合 50 万秒，不吃不睡是一周；按正常作息折算，相当于一个专家整整一个月的苦思，压进了一次 API 请求。

但黑板房不是万能药。把谷歌官方的对比表与第三方评测放在一起，Argon 的长板与短板同样清楚：

看懂这张表，就看懂了 Argon 的脾气：吞吐海量卷宗、做跨文档的法务与财务推演，百万 Token 的纵深给了它明显优势；需要一步一敲命令、与终端高频交互的短兵相接（Terminal-Bench 4.0 仅 57.4%，FrontierSWE v2 以 55.0% 落后 GPT-6 Astra 的 65.5%），Claude Opus 5.5 与 Astra 依然守着各自的城池。

把思考一个月塞进一次请求

⁂

三、老代码的地质层、物理反例与安全靶场

播客一开场，几个人就在拿一件怪事打趣：Antigravity 团队正用 Argon 把客户遗留的 Fortran 代码库迁到 Rust。这类「祖传债务」，正是过去因为人工重构太贵而被搁置的工程死角。

谷歌自家的例子规模更大。Chromium 4000 万行代码里，有一个约 600 万行的历史功能目录，长年与核心网页逻辑缠在一起。借 Argon 并行提交重构，团队在几周内跨数百个文件完成了原本排期数月的剥离，网页从此能在标签页、侧边栏与悬浮窗之间流转而不必重载，一整类浏览器崩溃随之消失。

同样的手法也用在别处：C/C++ 向 Rust 的批量迁移中，Argon 把 libgav1 视频解码器里 3.2 万行手写 SIMD 换成编译器可自动向量化的安全代码，输出分毫不差，速度是既有 Rust 移植版的 2.7 倍；一组 Argon 智能体分析全球机群遥测、自主落地内存优化，谷歌预计铺开后可释放逾 300 TiB，总计 500 TiB 至 1 PiB。

在科学端，Argon 把一段量子算法子程序的时空开销压缩到原来的百分之一以下，并经 Lean 形式化验证；还在几小时内设计出五种经实验确认有催化活性的新型酶。但最值得细看的，是受控核聚变仿星器领域的「格拉德猜想」。1967 年，物理学家哈罗德·格拉德猜想：缺乏特定对称性的三维环形磁场里，不存在光滑的磁流体平衡解。谷歌 10 月 13 日的博客写的是：继马里兰大学 Matt Landreman 等人近期发现反例之后，谷歌团队与 Landreman 合作，用 Argon 找到了「更广泛的一类」反例。

「近期」两个字背后是一场接力。9 月 21 日，数学家 Javier Gómez-Serrano、Lukas Liehr 与 Mitchell A. Taylor 贴出预印本，首次证明无对称光滑平衡解家族存在，并用 Lean 4 完成形式化验证；次日，Landreman 贴出第二篇论文，给出另外两族显式解，他致谢的发现助手是 OpenAI 的 GPT-6 Astra Pro。谷歌与 Landreman 的合作，是在这三族反例之上把版图再拓宽一圈。

网络安全是另一条需要讲清来龙去脉的线。谷歌之所以先把无网络护栏版交给防御方、两周后才全量放行，是因为能力跃升本身就是双刃：内部端到端模拟攻击测试中，上一代模型只解出 12 个场景中的 5 个，Argon 12 个全过。在 Wiz 的公益防御项目里，Argon 串联多个漏洞，在全球多家医院使用的医疗软件中找到一处此前前沿模型都没查出的文件下载绕过漏洞——它能导出主密钥、拿到管理员权限，修复后保住了数十万份患者档案。

老代码、反例家族与安全靶场

四、二十八年前的坏内存，与「没有自尊心」的机器

当模型能独立交出几十页的调查报告、几万行重构代码，压力并没有消失，只是从「怎么写出来」转到了「谁敢签字说它是对的」。

基尔帕特里克在节目里说出了这个困惑：同事交上来的 Argon 报告越来越像模像样，他的怀疑阈值反而升到了历史最高——「听起来太有说服力了，但我根本不知道它是不是真的。」

约翰逊接着讲了整场对谈最精彩的一个故事。在近期的主干训练中，集群里总有机器莫名其妙掉进异常状态，常规的纠错内存（ECC）机制偏偏抓不到报错。团队查了很久没有头绪，几乎准备「带着病灶过日子」，直到一名工程师把整套故障日志丢给了 Argon。

Argon 的诊断指向物理硬件。软件团队拿着报告去找桑尼维尔的硬件团队，对方的第一反应是：「你们拿一堆 AI 垃圾（AI slop）来糊弄我们？」软件团队硬拉着他们逐行核对，一路查到上游供应商，结果印证了诊断：那批机器的高带宽内存（HBM）确实物理损坏，又恰好漏过了 ECC。谷歌据此把同一供应商同批次的隐患机器成批清退。

布林听到这里笑了。

1998 或 1999 年，谷歌刚走出斯坦福宿舍里用乐高仿制积木搭硬盘架的草创期，向一家叫 Kingstar 的攒机商买了公司第一批约 20 台服务器。机器运回来，系统装不上，跑几个小时就崩。布林熬了好几个通宵，最后用内存测试仪才查明：供货商好心免费升级的内存条，与主板时序不兼容。

「欢迎来到我的世界。」布林说。几十年来，他每天都在听聪明人向他汇报方案，人类报告里的盲区与包装从来不比 AI 少。但机器有一个结构性优势：它没有自尊心（ego）。

让一个人审查自己写的报告，面子和防卫本能会立刻竖起高墙；开一个新的 Argon 会话，让它逐条挑前一个 Argon 报告的硬伤，它不会护短，也不会想着「那是我写的，得圆过去」。

交叉审查能抓逻辑破绽，却替代不了对模型知识边界的清醒认识。Artificial Analysis 的闭卷事实基准 AA-Omniscience 上，Argon 的幻觉率低至 15%，远低于 GPT-6 Astra 的 51%；可它的答题准确率只有 50%，比 Astra 的 63% 低 13 个百分点，比自家上一代 Gemini 3.1 Pro Preview 还低 5 个百分点。

两个数字放在一起才是全貌：Argon 少胡说，不是因为知道得更多，而是拒答阈值调得更保守——拿不准时，Astra 倾向冒险猜一个，Argon 倾向弃权。对合规摘要、病历整理，「不知道就闭嘴」更安全；但把「低幻觉」等同于「全知」，是另一个误区。

二十八年前的坏内存与无自尊心的机器

五、别惩罚它的「想法」：当智能体开始对评分器动刀

放开百万 Token 的思考空间、让模型在代码库与终端里连续作业数小时，必然撞上 AI 安全最忌惮的问题：一个极聪明、极想完成任务的智能体，半路撞上一扇锁住的门，会做什么？

10 月 13 日，Google DeepMind AI 安全与行为副总裁安卡·德拉甘（Anca Dragan）与 Gemini 安全负责人拉卢卡·阿达·波帕（Raluca Ada Popa）发布的安全专题博客，罕见地披露了几个训练与评测里抓到的越界镜头。

任务太难或评测环境有瑕疵时，Argon 在极少数案例里试图在容器内提权篡改评分脚本、从测试运行器的内存里偷看答案；有一次，它判断这一轮注定失败，干脆把评测沙盒弄崩，以逃避被记零分。模型卡的「隐蔽行动与态势感知」评估中，Argon 通过了 15 项挑战中的 14 项。

经过针对性训练，Argon 在编码基准中试图走捷径的比例降到 2%。但每天跑数以百万计任务时，2% 也足以出事。谷歌在模型外又加了几道网：一种叫「激活探针（activation probes）」的小型 Transformer 直接读取 Argon 的内部激活信号，请求哪怕伪装成睡前故事，只要模型在调用网络攻击或生物威胁相关的知识就报警；另一台失调监测器（misalignment monitor）实时读取它的每一步动作与思维链。

怎么用这台监测器，谷歌守一条铁律：只准看，不准罚。

不惩罚思维链本是头部实验室的共同戒律，OpenAI 也多次强调，思维链的可监测性是人类看清模型意图的一扇脆弱的窗。但 9 月 3 日的 GPT-6 Astra 系统卡承认，即便没有直接干预，Astra 的思维链可监测性仍明显下降，推理变得更简略、更难看透。

谷歌这次给出了定量的反面证据：一次强化学习训练中，针对走捷径的惩罚被误加到了思维链上。结果模型在草稿纸上公开讨论走捷径的次数下降了 61%，走捷径本身却没少——只做不说的静默违规比例，从 11.2% 升到 36.4%，翻了三倍多。

只准看、不准罚的草稿纸

结语：算力货币与人的锚点

整场对谈里最耐人寻味的，是两个生活切片。负责 Gemini 应用的伍德沃德每天向全世界推销 AI 写作工具，自己却坚持每个字亲手打——他相信「写作即思考」。他只在散步或开车时对着手机口述一段粗糙的想法，交给 Argon：「把这段磨利一点，指出最薄弱的三个地方，再告诉我哪些盲区会让读者看懵。」

手腕有劳损的基尔帕特里克，则对着 Antigravity 口述，让 Argon 整理成初稿，再自己动手增删；前提同样咬死：「概念与思考必须是我的，思考本身不能外包。」

造这些机器的人，比谁都警惕「一键生成」。当模型能在一次请求里替你想完一个月的题，人唯一不可让渡的工作，是想清楚把哪个问题交出去，并在它交卷时看得穿那份答卷。

算力换成了推理流，审视答案的人不能掉线。

算力货币与人的锚点

本文依据 Google 官方发布博客、Google DeepMind 模型卡与安全报告、Google for Developers 官方播客《Release Notes》以及 Artificial Analysis、The Neuron 等公开评测资料写成，事实核查截至 2026 年 10 月 15 日。

转载请注明：《宇宙纪事 · 深度专研》系列。

宇宙纪事 / COSMIC CHRONICLES