现在的 AI 圈，卷得让人窒息。 以前 OpenAI 和 Anthropic 神仙打架，大约是每隔 10 个星期发一个新模型。如今这个迭代周期，已经被强行压缩到了每隔 11 天。 身在局中，半点不由人，谷歌 DeepMind 也不得不加入这场战局，就在刚刚连夜端出了承载全村希望的 Gemini 4 Argon（氩）。 不过看似发了，但又好像没发： Argon 不走全面开放路线，而是通过「Fairwind 计划」先向一小批可信的网络安全防御者推出，同时正参与美国政府的自愿性发布前模型准入流程。 后续才会逐步向开发者、企业和消费者开放，首批对象是付费 API 客户和 Google AI Ultra 订阅用户。 Gemini 4 发布后，铺天盖地的宣传那叫一个意气风发，大有一举荡平 OpenAI 和 Anthropic 的架势。但与此同时，彭博社爆料称，谷歌自家员工对这新模型疯狂倒苦水，直言其实战写代码极其拉胯，主打一个「高分低能」。 按官方描述，Argon 是一款在真实软件工程、金融法律等企业知识工作和网络安全防御领域拥有前沿性能的杀器。 最核心的升级，在于输出窗口限制从 6.4 万 Token 一口气飙升到行业领先的 100 万 Token，约等于一口气吐出 75 万个单词，长篇代码和深度分析报告中间绝不断片。 有了这种深层推理的空间，AI 就能一次性搞定极为复杂的长线任务。 首发定价也极具攻击性：输入每百万 Token 2 美元，输出 10 美元。如果命中缓存，输入端直接打 0.5 折（95% off），堪称骨折价。 官方声称，内部数千名员工已经用它搞定了不少硬核工程，战报相当华丽： 量子算法优化： 帮量子计算研究员优化瓶颈子程序的时空资源（量子比特×门），其中一个案例几分钟内就比已发表的基线高出 40%； 数据中心省内存： 一支 Argon 智能体团队分析了全集群的遥测数据，自动识别并应用内存优化，落地后已释放超 300 TiB 内存，预计总节省量在 500 TiB 到 1 PiB 之间； 大规模代码迁移： 正在把谷歌的 C/C++代码库迁往更安全的 Rust，规模从 re2、libgav1 等核心库的数万行，一直干到 Fuchsia 操作系统 Zircon 内核的 80 多万行。 在视频解码库 libgav1 的案例中，Argon 通过多轮性能分析实验替换了 3.2 万行 SIMD 代码，最终得到一个内存安全的解码器，比现有 Rust 移植版快 2.7 倍，性能逼近手工优化的 C++。 基准测试方面，DeepSWE v1.1 真实长线软件工程基准拿下 77.9% 的新纪录； 在按美国 GDP 权重衡量经济价值的 Vals Index 上全面领跑金融、编程、法律和税务；Zapier 的 AutomationBench 端到端业务执行基准以 51.3% 排名第一；长视频理解基准 LVBench 更是刷到 91.7%。 在网络防御赛道，新模型更是叠满了 Buff。 通过与安全公司 Wiz 的「Scan for Good」公益计划合作，Argon 在全球医院都在使用的医疗软件中挖出了一个泄露敏感个人信息的高危漏洞，这是以往所有前沿模型都没察觉的。 在漏洞修复评估 CWE-bench v1 上，它以 68% 的得分并列第一。同时，它在 Gray Swan 的间接提示词注入（IPI）基准上也拿下了行业最高分。 听起来是不是遥遥领先，谷歌要一战封神了？ 然而彭博社的报道泼了一盆冷水。多位能直接接触该项目的知情人士透露，Argon 在各类基准测试上确实大杀四方，可一旦扔进真实的业务代码里就频频卡壳，特别是在决定 App 外观和交互的前端设计上极其拉胯。 有意思的是，这种「分数碾压、实战拉胯」的现象在业内早已泛滥成灾，甚至有了专属名词，Benchmaxxing，简单点理解就是，客户爱看分数，工程师就投其所好疯狂刷榜。 不仅如此，一部分悲观派员工甚至私下认定，Anthropic 的 Fable 和 OpenAI 的 Astra 进步速度更快，Argon 哪怕榨干潜能也难逃被动局面。当然，也有另一派员工认为，新版本已经追上了头部实验室。 熟悉模型开发的核心员工也站出来辟谣，称内部其实存在广泛共识，认定 Argon 绝对处于行业最前沿，所谓搞不定复杂代码的说法纯属无稽之谈。 DeepMind 负责人 Koray Kavukcuoglu 上周的表态也被当成了定心丸：「我对团队有绝对的信任。在我看来，我们将永远站在最前沿，这是确定无疑的。」 与此同时，谷歌发言人硬气回怼彭博社的报道，称「Gemini 4 在编程等领域表现不佳」的说法完全不准确。 而回头看谷歌这一年的操作，其实掉队的焦虑早就写在了脸上。 去年 11 月发布的 Gemini 3 曾被视为