2026年9月30日，Google DeepMind 发布了 Gemini 4 Argon，这是其面向软件工程、知识工作和网络防御的新一代前沿模型。该模型能够自主发现、验证并修补严重的软件漏洞，并将单次回复的上限从此前的 64,000 个 token 提高到 100万 个 token。它目前尚未全面开放：Google 首先通过其 Fairwind 计划向受信任的网络防御者开放，随后再向付费 API 客户和 Google AI Ultra 订阅用户开放。推广期价格为每百万输入 token $2、每百万输出 token $10。

真正的新闻在于，Google 选择把自己最强的模型先交给保护系统的人，而不是先交到可能攻击系统的人手里。仅这一决定就说明了未来一年安全风险的走向。

Google 公布的内容：用数字说话

  • 输出上限：单次回复 100万 个 token，此前上限为 64,000 个 token。
  • 推广期价格：每百万输入 token $2，每百万输出 token $10，缓存输入享受 95% 的折扣。
  • 推广期结束后的价格：每百万 token 输入 $4、输出 $20。请按这个数字而不是首发价格来做预算。
  • 已公布的基准测试成绩：软件工程方面的 DeepSWE v1.1 得分 77.9%；AutomationBench 得分 51.3%，排名第一；漏洞相关工作的 CWE-bench v1 得分 68%，并列第一；长视频理解方面的 LVBench 得分 91.7%。

这些都是 Google 自己公布的数据。独立测试需要数周时间，而第三方的早期结果好坏参半。这提醒我们：在把实际工作迁移到任何模型之前，都应先用自己的任务对其进行测试。

为什么先给防御者？Fairwind 计划

Fairwind 是 Google 让高优先级防御者（例如政府机构、医疗服务机构和电信公司）提前使用先进模型的方式，使他们能在模型向所有人开放之前领先攻击者一步。Google 还表示，它参与了美国政府关于模型发布前访问的自愿流程，并且 Argon 已经过内部和外部红队的测试，同时配有监控模型思维链及其行为的安全防护措施。

逻辑很简单：一个能够发现漏洞并修补漏洞的模型，落到坏人手里，也能发现漏洞却放任不补。让防御者提前起步，就能缩小攻击者领先的时间窗口。

Google 称 Argon 在内部取得的成果

Google 报告称，Argon 帮助其在各系统中释放了超过 300 TiB 的内存，并帮助将 Fuchsia Zircon 内核中超过 800,000 行代码迁移到 Rust。这些是一家巨头公司在自有基础设施上取得的成果，但它们展示了该模型的设计用途：漫长的多步骤工程任务，而不是简短的聊天回答。

100万 token 的上限在实践中意味着什么

大多数模型在完成大型任务之前就会停止输出。100万 token 的上限意味着，模型可以一次性完成系统中某个旧模块的完整迁移、一份完整的技术报告，或对整个代码库进行全面的安全审查。这很有用，但如果不加注意，也会很贵：一次用满 100万 token 的回复，按推广价需要 $10，按标准价需要 $20。再乘以尝试次数和员工人数，账单会迅速增长。真正的指标是每项完成任务的成本，正如我们在关于 AI 单任务成本 的文章中所解释的那样。

安全教训不会等你拿到访问权限

你今天还用不上 Argon，但这改变不了什么。方向很清楚：能够自主发现漏洞的 AI 正在到来，而且攻守双方都会拥有。未打补丁的旧系统会比以往更快被发现。我们已经在 修复补丁发布后数小时内就开始的 WordPress 攻击 中，以及在 漏洞正被积极利用的网络设备 中看到了这种模式。现在就值得开始的步骤：

  • 清楚自己在运行什么。维护一份最新清单，列出企业所依赖的每一个系统、插件和库，以及每一项由谁负责更新。
  • 缩短修补时间。如果应用一个关键更新需要几周时间，那么这段空档如今已经比攻击者所需的时间更长。
  • 直接询问你的软件供应商。谁在监控你系统中的漏洞？发布修复需要多长时间？然后把答案写进合同。
  • 对照国家控制措施自查。国家网络安全局（NCA）发布的基本网络安全控制措施，是沙特阿拉伯各组织的实用基准。

在采用任何新模型之前

当 Argon 进入付费 API 时，必然会有人问：我们要不要切换？我们对每次发布的建议都一样：不要把你的系统绑定在单一供应商上。构建一个中间层，让你能够在同一任务上比较 Gemini、Claude 和 GPT，并随着价格或质量的变化在它们之间切换，正如我们在比较 GPT-6 Astra 与 Claude Fable 5.1 时所讨论的那样。如果客户或员工的个人数据会经过该模型，请确认这些数据在哪里处理，以及其传输是否符合《个人数据保护法》（PDPL）。

在 Origami，我们构建的系统通过一个由你掌控的中间层把 AI 连接到你的业务数据：由你选择模型、界定它能看到什么，并衡量每项任务的成本。当更强的模型出现时，切换到它只是一次配置变更，而不是重新搭建。

资料来源