Gemini 4 Argon：先发给网络防御者，DeepSWE 的 77.9% 是自评，跑分榜还停在 74%

9 月 30 日，Google DeepMind 发布了新一代前沿模型 Gemini 4 Argon，署名作者是主管 Google DeepMind 的 Koray Kavukcuoglu12。官方博客这条在 RSS 里的时刻是北京时间 10 月 1 日凌晨 4 点 01 分3。它现在只发给一类人：通过 Fairwind Program 加入的可信网络防御者；开发者、企业用户和普通消费者都还没有入口1。

同一天挂出的还有一张 19 行的评测对照表，表里 Argon 那一列几乎全蓝。这一列是 Google 自己跑的，对照列取的是对手自报的数字或榜单副本4。官方文案说它「领先」的地方有三处，其中一处在跑分方自己的榜上给出的名次是第 55。

Fairwind Program 目前有 650 多个合作方，优先给各国政府与国家级网络机构、关键基础设施运营方，以及覆盖面广的核心技术平台6。拿到 Gemini 4 Argon 的是其中一部分伙伴，可以单独用，也可以配 Google 的代码安全智能体 CodeMender 一起用6。

准入条款写得比一般早期访问具体：合作方只能做授权的威胁模拟、逆向工程和为防御与学术研究做的恶意软件分析；组织要开通用户级认证与抗钓鱼多因素认证，只允许把 Argon 开放给内部安全、应急响应、渗透测试团队，并且要记录谁在用；访问权不得转授、分发或转售6。官方另外写明，对可信防御者和 Google 内部团队，Argon 会以不装网络护栏的形态发布，好让他们用满前沿的防御能力1。

Google 说自己正在参与美国政府的模型发布前自愿访问流程，接下来才轮到开发者、企业和消费者，起点是付费 API 客户和 Google AI Ultra 订阅者1。到 10 月 1 日核对时，Gemini API 的模型清单里还没有 Argon 这一项7，Vals 的模型页也把它的权重记为私有8。这不是一个今天就能切过去的模型。

配套的评测方法页把每个数字的来路逐项写了出来4。全部读数为单次尝试的 pass@1，不做多数投票、不做并行测试时计算，跑在 Gemini API 上并开最高思考档。关键的一句是：非 Gemini 模型的结果，除另作说明外，取自各家自报的数字。

在这句话之下，Argon 一列里有七项是 Google 自己跑的：DeepSWE v1.1 用 mini-swe agent harness；Terminal-bench 4.0；PostTrainBench v1.1 用 OpenCode harness、单张 H100、十小时预算；LABBench2；GraphWalks；Agent's Last Exam 用默认 ALE-Claw harness、五小时窗口、开着安全过滤；OSWorld 2.0 跑三次取最好，报的还是离线子集的 partial score4。对照列里，GPT-6 Astra 的 DeepSWE 取自公开榜，Claude Fable 5.1 和 Opus 5.5 的取自各自系统卡。这张表是三种来源拼起来的。

把三家的榜并排看，官方的三句「领先」得到的结果并不一样。

Vals Index 是 Vals AI 的 GDP 加权综合榜，按金融、编程、法律、税务四个板块加权，权重取各自的美国 GDP 占比，2026 年 9 月 25 日刚升到 v2.1，把编程板块换成了更难的 Terminal-Bench 4.09。Argon 在这个榜上是第 1 名，68.90% ± 0.979。把每测成本一起看进去，名次和代价的对比就清楚了：

Vals 的分项也站在它这一边：Finance Agent v2 是 65.40%，第 1/73，第二名 Gemini 3.8 Flash 是 61.44%；Vibe Code Bench 91.91% 排第 2，Code Migration 68.17% 排第 2，Tax Agent Bench 76.23% 排第 2，三项的第一名都是 Claude Sonnet 5.5 或 Fable 5.18。

Harvey 的法律智能体基准（HLAB）上，情况反过来。Vals 的同一张榜上，最好成绩是 Muse Spark 1.2 的 25.42%，其后是 Muse Spark 1.3 Max 的 23.75%、1.3 的 22.08%、1.1 的 20.00%，Grok 4.6 是 15.83%；Argon 拿到 19.58% ± 3.31，Vals 自己的模型页把它列为 73 个模型里的第 558。官方图里它看着一骑绝尘，是因为对照只放了 GPT-6 Astra 的 5.4%、Fable 5.1 的 6.7% 和 Opus 5.5 的 3.8%1。这项基准的判据是怎么算的也值得记住：Harvey 只在一条任务的每一项判据都通过时才计入 resolved，所以头部模型的判据通过率都在 90% 以上，任务解决率却停在 20% 上下5。

Zapier 的 AutomationBench 上，官方说法与榜面一致：Argon 以 51.29% 排第 1，第二名是同一模型的中等思考档 50.08%，第三名 Claude Sonnet 5.5 是 44.75%10。这项基准的判分是确定性的：每条任务在模拟公司里跑完，只检查最后的世界状态，全部断言都过才算通过，partial credit 只作诊断；榜单跑的是不公开的评估集，总共 600 多条任务、47 个模拟应用、约 500 个 API 端点，每条任务最多 50 步10。Zapier 自己分析的失败模式里最突出的一种是假称完成——在它的统计中，Gemini 系模型 91% 的失败属于这一类，模型报告任务做完了，世界状态是错的。

网络安全那项同样成立，只是要读细一点。CWE-bench v1 由 Collinear AI 维护，120 条保持不公开的审计加修补任务、覆盖 73 个 CWE，榜面只认确定性验证器：漏洞确实不可再利用、且原有测试全部通过11。官方说 Argon「并列第一」是准的，Grok 4.7、Gemini 4 Argon、GPT-6 Astra 都是 68%；但这项基准的并列要按 pass@4 破，Grok 4.7 是 81%，Argon 是 75%，GPT-6 Astra 是 74%，破并列之后 Argon 排在并列表的第二位11。每轮的账单差别更大：Argon $6.63，GPT-6 Astra $2.85，Grok 4.7 $2.75，排第四的 Claude Opus 5.5 只要 $0.79。

DeepSWE 上还有一层没落地的差别。官方宣布的 77.9% 由 Google 自己跑，用的是 mini-swe agent harness4；而 Datacurve 的公开榜到 2026 年 9 月 22 日最后一次更新为止，113 条任务、统一跑 mini-swe-agent，榜首是三个并列的 74%——gpt-6-astra[xhigh]、gemini-3.8-flash[high]、claude-opus-5[max]——榜上还没有 Gemini 4 Argon 这一行，也没有 GPT-6 Sol 和 GPT-6.1 Sol12。77.9% 高于公开榜现存的一切，但它先是一个自评数字，要等 Datacurve 跑出同一行才算落到榜上。

官方只给了一套价目：引导价每百万输入 token $2、输出 $10，缓存输入按输入价的 95% 折扣计；引导期结束后转为 $4 和 $201。三个跑分方各取了不同的一套来算账单。

Zapier 的榜单写着名次和 Cost / task 用标准标价计，Argon 高档是每任务 $1.70、中档 $1.54，脚注另附促销价 $0.85 与 $0.7710。Vals 用的是引导期结束后的 $4 / $20，得到每测 $15.688。CWE-bench 明确按 $2 输入、$0.20 缓存输入、$10 输出折算，得到每轮 $6.6311。同一个模型，三张榜上的美元数字分属三个价格假设，横向比价之前先看清哪一套。

长程任务上的账单还要再翻一层。Vals 记录 Argon 在 CUA-bench 上每测 $193.78、Code Migration $57.82、Terminal-Bench Science $44.90、SRE Bench $30.45——而它在 Vals Index 整体上每测只要 $15.688。智能体任务拉长之后，每测成本比综合榜高一个数量级，这是选型时要按自己的任务长度重算的部分。

这是本期规格里唯一一处官方与第三方对不上的地方。官方博客写的是输出上限从 64K 提到 100 万 token，并用一句「单条轨迹能生成几十万 token」来解释它为什么值得1。Vals 的 Argon 模型页记的是上下文 100 万、最大输出 262k，评测超参也按 262,144 设8。两边都没有说明百万级输出在什么条件下可用，也没有给出这个长度下的延迟与计费方式。Argon 尚未进入 Gemini API 的模型清单，公开文档里目前查不到能拍板的答案7。

被引用最多的一项来自 Gray Swan 的间接提示注入基准，攻击成功率在 15 次尝试下：Argon 是 0.7%，Claude Opus 5.5 与 Fable 5.1 都是 1.0%，Gemini 3.8 Flash Cyber 6.0%，GPT-6 Astra 8.5%，同榜最高到 52.7%1。这项数字由 Gray Swan 提供，不是 Google 自测4。

误用防护这块，官方说在内部激活上做探针来识别滥用，并引了一篇 2026 年 1 月提交、2 月定稿的论文《Building Production-Ready Probes For Gemini》。那篇论文的主要发现是：激活探针在生产环境的分布偏移下泛化不好，尤其扛不住短上下文到长上下文的切换；解决办法是改探针架构，并且在多样分布上训练，还要和提示分类器配对使用13。另外两块是失准监控和系统加固：前者监控思维链和动作，必要时中止执行，训练期用同类系统报警并刻意不让发现回流进训练；后者在高风险训练与评测开始前就把沙箱隔离封闭1。

缺的那一份更值得记下来。到 10 月 1 日核对时，DeepMind 的模型卡索引里最新的条目还是 9 月 24 日更新的 Gemini 3.8 Audio，没有 Gemini 4 Argon14；官方也没有发布这个模型的 Frontier Safety Framework 评估结论。作为对照，同月的 Claude Opus 5.5 配了 230 页系统卡，GPT-6.1 Sol 配了 Astra 系统卡的附录。所以上面那批安全描述目前都停在官方叙述的层面，含红队结论在内的可核查细节还没有公开。漏洞发现那两项读数也一样：真实漏洞发现 85.8% 对 3.8 Flash Cyber 的 71.0%、Wiz 渗透测试基准 70.9% 对 58.2%，两项用的都是内部数据集，外部无法复核1。

它是白名单十个团队里第一个先给防御方、并发在不装网络护栏形态下的前沿模型，这一点的价值已经落在 Fairwind 的准入条款上，而不是落在任何分数上。今天能做的动作不多：开发者侧还没有入口，权重私有，API 清单里也没有它。能记下来的是三条读法——对照表要看来源，跑分榜要看并列规则和成本基准，官方文案里的「领先」要落到具体哪张榜的哪个名次。

值得盯的是两件具体的事：Datacurve 什么时候把 Argon 跑进 DeepSWE 榜，以及 DeepMind 的模型卡索引什么时候补上这一条。前者决定 77.9% 是自评还是经第三方复核的读数，后者决定那批安全叙述能验证到什么程度。