大模型竞争打了两三年，大多数厂商还在卷“一次能读多少”。上下文窗口从 128K 卷到 1M、2M，仿佛读得越多就越强。Google DeepMind 在 9 月 30 日换了个问法：一次能写多长？
这一天，DeepMind 推出 Gemini 4 Argon，把单次输出上限从 64K 直接拉到 100 万 Token。注意，这不是上下文窗口，而是模型一口气能吐出的内容天花板。当同行大多还卡在约 12.8 万 Token 的输出上限时，Argon 这一跳不是领先一个身位，而是把“分段请求、人工拼接”的旧工作流整个掀翻。
Google 没打算把它做成一个人人可用的聊天机器人。Argon 是 Gemini 4 系列首个公开发布的前沿推理模型，走的是分阶段、定向发布：先通过 Fairwind Program 交给可信的网络防御者，再慢慢铺向开发者、企业和订阅用户。它的目标很明确——替专业人士啃下那些需要从头跑到尾的长周期硬活：深度代码库迁移、长篇技术报告、多步自动化流程。
输出上限，才是被忽略的胜负手
过去两年，模型厂商的营销话术高度同质化，发布会 PPT 上永远在比拼上下文窗口的位数。但真实的企业工作流里，瓶颈往往不在“读”，而在“写”。
一个典型的例子是代码库迁移。Agent 要遍历仓库、理解依赖、逐文件改写、跑测试、修编译错误、写文档。每一步都会产生大量中间输出：分析结论、改写方案、补丁代码、测试反馈。输出上限一旦只有十几万 Token，长任务跑到一半就被迫截断，开发者不得不把任务拆成十几段，一段段喂、一段段接，连贯性在反复的请求切换里被磨掉，错误也在拼接处悄悄积累。
Argon 把这道天花板抬到 100 万 Token，意味着单条任务链可以连续生成数十万乃至上百万字。模型可以在同一条轨迹里完成推理、调用工具、反复修订，最后交出一整份完整产物。这不是简单的“更长”，而是工作流形态的改变：从“人当胶水”变成“模型一镜到底”。
这笔账也算得过来。按 Google 的介绍期定价，输入 2 美元/百万 Token、输出 10 美元/百万 Token，一次满额 100 万 Token 输出的成本是 10 美元——对大多数企业任务来说，这是一笔可以接受的价格，用来换取消耗在分段、拼接、返工上的人力。缓存输入还能再打 95% 折，这对那些反复发送同样仓库上下文、策略库、企业知识库的 agent 系统尤其划算。
长周期任务，到了非解不可的时候
Argon 的选择不是拍脑袋。它瞄准的四个方向——软件工程、法律、金融、网络安全防御——有一个共同特征：任务链条长、专业门槛高、错误成本大。短平快的聊天场景养不出这种模型，只有真正漫长的任务才能把它磨出来。
在软件工程侧，Google 给出的成绩单是 DeepSWE v1.1 长时程软件工程 77.9%，创该榜单纪录；Zapier 的 AutomationBench 以 51.3% 排第一；Vibe Code Bench 91.9%。这些评测的共同点是奖励“能把一件事从头做到尾”的模型，而不是只会补全几行代码的做题家。Google 甚至拿出了一个具体案例：C/C++ 代码库向 Rust 的迁移，涉及超过 80 万行代码；另一个是 libgav1 视频解码器，Argon 的工作流把 32,000 行 SIMD 代码替换成安全 Rust 实现，运行速度比之前的 Rust 移植版还快 2.7 倍。
法律和金融是另一个战场。Vals 指数（金融、编程、法律、税务加权）上 Argon 以 68.9% 居首，Vals Finance Agent v2 拿到 65.4%，Harvey 的法律 Agent benchmark 拿到 19.6%。这个分数看起来不高，但对比 GPT-6 Astra 的 5.4%、Claude Opus 5.5 的 3.8%，差距是数量级的。法律工作的价值不在文采，而在“别漏、别错、可追溯”，长输出上限让模型能把推理链、法条引用、条款比对完整写出来，而不是一句“综上，建议咨询律师”打发你。
网络安全则是这次发布的叙事核心。Argon 被训练成能自主发现、验证并修补关键漏洞，CWE-bench v1 漏洞修复以 68% 与 GPT-6 Astra 并列第一。安全厂商 Wiz 通过 Scan for Good 项目，用 Argon 揪出一款全球医院医疗软件里的严重漏洞——在此之前，其他前沿模型都没能发现。对可信防御方和 Google 内部团队，Google 还会放出“无网络护栏”版本，让它能真正触网验证，而不是在沙箱里纸上谈兵。
这些场景拼起来，是一条清晰的判断：大模型的价值重心正在从“回答问题”转向“完成工作”。能回答问题，靠的是理解力；能完成工作，靠的是在长链条里不迷路、不中断、不甩锅。
Google 的算盘，不在模型本身
Argon 的野心不止于一个模型分数。Google 正在把它变成内部生产力基础设施的一部分，先用自己当小白鼠，再把验证过的工作流打包成 API 卖出去。
据 VentureBeat 报道，每月有超过 10 万名 Google 员工通过内部版 Antigravity 使用 Argon，四周内工程团队的 agent 代码提交量增加 35%，提交后回滚率下降 30%。Google 员工用它调试代码、做算法设计、搞大规模代码迁移。在量子计算研究上，Google 称 Argon 几分钟内就把某个基准提升了 40%。
更夸张的是基础设施优化：Argon 的 agent 找出了能释放超过 300 TiB 内存的改动，Google 估计最终能在 500 TiB 到 1 PiB 之间。对一个数据中心规模的公司来说，这笔账比模型订阅费重要得多。模型本身可以不赚钱，但它省下来的云成本是实打实的。
这就是 Google 的真实策略：内部海量场景把模型磨到能干活，验证过的能力再对外输出。介绍期定价 2 美元输入、10 美元输出，11 月 30 日截止；从 12 月 1 日起翻倍到 4 美元输入、20 美元输出。这个节奏很典型——先用低价把开发者和企业拉进来，等生态跑起来再回到正常价格。Google 赌的是：企业不在乎模型叫什么名字，只在乎它能不能把自己的脏活累活接下来，并且算得过账。
领先是真领先，但不是全面领先
把 Argon 的榜单摊开看，会看到一个有趣的分裂。
它领先的地方，都是“长周期、多步骤、专业领域”：DeepSWE v1.1 77.9%、Vals Index 68.9%、AutomationBench 51.3%、LVBench 长视频理解 91.7%、GraphWalks 长上下文 84.2%、LABBench 2 88.8%。它落后的地方，则是“终端操作、跨代码库漫游、科学推理”：FrontierSWE v2 55.0%，落后 GPT-6 Astra 的 65.5% 十个点；Terminal-Bench 4.0 57.4%，落后 Claude Opus 5.5 的 66.4%；Terminal-Bench Science 57.6%，落后 Astra 的 68.1%；OSWorld-2.0 69.2%，落后 Astra 的 72.6%。
这个分布恰好印证了 Argon 的产品逻辑：它不是要当全能冠军，而是要在“长周期硬活”这个细分赛道建立护城河。Google 很清楚，让一个模型在所有评测上都第一既不现实也不划算；真正的商业价值来自“在特定工作流上比对手可靠”。
不过也要给这些数字泼一盆冷水。包括 DataCamp 在内的观察者指出，Argon 的评测成绩全部来自厂商自报，发布时没有任何第三方复现。Artificial Analysis 的独立测试给出了另一幅画面：Intelligence Index 53 分，AA-Omniscience 幻觉率 15%，答案准确率低于 GPT-6 Astra。LMSys Arena 的排名也在波动——Argon High 初发布时 Text Arena 排第一，后来在专家评审中跌到总榜第七、agent 任务第十。
厂商自报和第三方测试之间的落差，是所有大模型发布时的常态。对采购方来说，正确的态度不是看榜单下单，而是把自己的真实负载拉进去跑一遍。
安全牌与接力赛
Argon 的发布方式也值得玩味。它没有一上来就全民开放，而是从网络安全防御者开始定向发布。这个群体任务最长、容错最低、反馈最直接——模型哪里不行，防御者第一个知道。等这些最苛刻的用户点头，再推向开发者和企业，是一条稳扎稳打的路线。
在放开广泛可用之前，Google 还在加固四道前沿防线：防滥用、防提示注入、监测错位的思维链、强化沙箱。长输出上限带来一个新风险：模型生成的内容越多，出现有害输出或思维链漂移的概率就越大。Google 显然不想在这个问题上翻车。
竞争也没给 Google 留太多放松的时间。Business Insider 在 10 月 10 日报道，Google 员工已经在测试内部版 Gemini 4 的后续版本，代号 Barium 和 Carbon，有测试者反馈编码能力显著提升，Google 对此拒评。这意味着 Argon 可能只是 Gemini 4 家族的第一块拼图，后面还有更快的迭代。
对行业来说，Argon 会把压力传导给所有玩家。OpenAI、Anthropic，以及中国的大模型厂商，接下来要么跟进输出上限的军备竞赛，要么在“长周期工作流”上拿出自己的杀手级场景。只靠聊天界面和通用能力，已经不够看了。
而对普通开发者和企业，建议很直接：别被“百万 Token”这个数字吓到，也不要立刻把它当成银弹。先挑一个你团队里真实存在的长周期任务——代码迁移、合规审查、季度报告自动化——用 Argon 和现有模型各跑一遍，比产物质量、比返工次数、比总成本。谁能在你的工作流里省下人力，谁才值得付费。
大模型的下半场，拼的不是谁更会答题，而是谁更能把一件长活从头干到尾、还不烂尾。Google 把输出上限抬到 100 万 Token，等于给所有玩家立了一块新标杆：从今天起，能“跑完全程”的模型，才有资格谈生产力。
快报