Gemini 4 Argon 的百万 token 输出上限，不只是为了写长答案

Gemini 4 Argon 发布了，按 Google 发布公告，这次输出上限提高到了 100 万 token，还拿出了长周期编程与知识工作的评测成绩。真正值得期待的，是模型能不能少停下来几次，把一件复杂工作持续做完。截至 2026 年 10 月 1 日，它仍先向受信任的网络防御者和测试者开放；付费 API 用户与 Google AI Ultra 订阅者在后续批次，没有确定开放日期。

更新（2026 年 10 月 14 日）： Google 已于 10 月 13 日公告 Argon 进入公开访问阶段，入口包括付费 API 与指定订阅产品。最新文档明确，1,048,576 token 是输入、思考和输出共享的窗口；引入期报价截至 11 月 30 日。开放入口、后台配置与长任务预算详见公开访问新专题。下文的首批开放、报价日期与订阅判断保留首次发布时的观察，不代表当前访问状态；窗口说明已按新文档澄清。

一百万听起来很大。但对大多数人来说，更有吸引力的问题可能是：以后把一叠报告、一个代码项目交给 AI，它能不能不等你反复催促，沿着同一个目标继续做下去？这篇先看它实际展示了哪类工作，再说写作、价格和你现在能否用上。

改完一段代码之后，它还得继续干活

让 AI 写一个函数，和让它负责一次完整优化，难度很不一样。后者要先找到慢在哪里，提出改法，运行测试，再确认没有把别的地方改坏。一次漂亮的回答，只是这条链上的第一步。

假设一个团队正在赶版本，真正耗人的往往是后半段：新改法跑快了，却让另一个测试失败；修好测试，又要重新检查性能。人需要不断把上下文和目标交回给模型。长任务能力想减少的，正是这种来回接力，而不只是让第一版代码更长。

Google 给出的案例是视频解码项目 libgav1。按官方描述，Argon 接手了一个已经存在的 Rust 移植版，反复做性能实验，替换其中约 3.2 万行 SIMD 代码。这类代码用于同时处理多份数据，是性能优化的重要部分。

Google 报告，改动后的版本与原移植版输出相同，运行速度达到后者的 2.7 倍。比较对象是那个 Rust 移植版，并非所有软件，更不是让任何代码提速的保证。

这个案例的看点在过程：测量、修改、再测量，模型能否一直围绕目标推进。长链上的每一步会改写下一步的条件：性能变好却改变了输出，或者测试通过却牺牲了维护性，都得退回去重想。相比生成一次代码，模型更需要保存目标、理解反馈并决定下一步动作。Google 的案例恰好让这种差别变得可见，而不是只展示一屏漂亮的代码。

这也改变了人机分工的重点。人不再只盯着模型写出的第一版，而要设计能发现回归的测试、决定什么结果算完成。对于重要系统，Google 仍要求自动与人工审计、仿真测试等环节。把任务交给模型，不等于可以把验收一起交出去。

官方公布的 DeepSWE v1.1 成绩为 77.9%，衡量长周期软件工程任务。根据 Google 的评测方法，Argon 的这项结果用 mini-swe agent harness 自测，图中其他模型来自公开榜单或系统卡，不能当作本站把四个模型放进同一个环境亲测。它提供了观察模型的窗口，但不是一家公司的项目自动完成率。

不写代码的人，该看哪部分？

换一个场景：你要核对几份金融报告，找出前后不一致的数字，再写出一份带出处的分析。难处不只是读懂一页，而是跨文档找证据，在几十次判断后仍记得最初的问题。

第三方 Vals AI 的 Argon 模型页列出 Vals Index 68.90%、Finance Agent v2 65.40%。按 Vals Index 方法说明，综合指数把金融、编程、法律等任务按经济权重组合，使用部分非公开测试。下方 Google 官方总览中的 Vals Index、金融和法律项，按其评测方法说明，分数同样来自 Vals，并不是另一组独立测试。

专业工作有个与代码相似的地方：漂亮的最终答案，未必说明中间的证据链正确。读者真正需要知道的，可能是模型有没有遗漏一份关键文件，是否把同一个财务指标在不同年份的定义混为一谈，以及能否在修改结论后重查出处。Vals 的测评提供的是这类多步骤工作的信号，而不是一张对所有职业都有效的合格证。

法律任务又多了一层：引用条款、查对来源，与写得有说服力不是同一件事。Google 公告提及 Harvey’s Legal Agent Benchmark 的研究与起草能力，图中 Argon 得分为 19.6%；真实法律文件仍要由具备责任和上下文的人审阅。我们不把这项成绩移植成产品承诺，也不宣称它能取代专业判断。

中文写作，不能靠工程跑分宣布冠军

有人最关心的也许不是写代码或读合同，而是这次模型能不能把文章写得更好。Google 公告说，内部团队在写作质量上给了积极反馈，也提到创意写作；这是值得关注的线索，却不是公开的中文写作盲评。一个能跨文档检索证据的模型，确实可能更会准备素材，但它也可能写出流畅却没有依据的判断。资料工作与成文工作相连，并不等于两个环节成绩相同。

如果以后拿到访问权，比较写作能力可以很具体：给不同模型同一份有出处的中文材料和相同的目标读者，看它们能否保留限制条件、把事实与评论分开、避免凭空增添引用，再让不知道模型名字的人判断哪一篇更愿意读。长文还要查首尾是否自洽。没有做过这样的测试，就把“写作比代码强”当结论，对想认真用它写东西的人也没帮助。

百万级生成仍受共享窗口约束，不是一百万字

早期公告使用 output token limit 描述从 6.4 万到 100 万的生成能力。最新官方长解码文档进一步明确：1,048,576 token 是输入、思考和输出共享的总窗口，并非在百万输入之外再提供百万输出。Interactions API 默认生成上限为 65,536 token；更长生成需要后台执行并显式提高 max_output_tokens，该预算包含思考与输出，且受剩余窗口限制。token 与汉字也不是固定的一比一关系。

Google 对它的解释，是给单条长运行轨迹留下更多推理和生成空间。对长任务而言，少一次撞上输出硬上限，就少一次被迫中断和重新衔接的可能。试想要在同一条轨迹里读需求、改代码、测试并记录决定：可用输出空间扩大，设计者就多了一种让模型持续走完整条链的选择，而不必因为固定的输出门槛早早拆成几个请求。这是可能的工作方式，不是已证实的生产效率提升。

另一项与长链有关的证据是 Google 报告的 AutomationBench 51.3%。这项测试关注跨业务步骤的端到端执行，既不是输出长度测试，也不能与 DeepSWE 77.9% 相减得到“业务比编程弱多少”。把两项放在一起看，只能说发布者正在尝试让模型在不同类型的任务里持续行动；真实工作中还要让它知道何时停下、何时请人确认。

这不意味着每个任务都该写到上限。如果只是改一段产品文案，答案更短、更准确通常更有用；如果是反复测试的代码优化，或需要连续整理多份材料的研究，额外空间才可能派上用场。输出长度和工作质量，仍是两回事。

这里还有一个容易混淆的细节：Vals 模型页记录的评测配置 Max Output Tokens 为 262,144，Google 公布的模型输出上限则是 100 万。一个是这次测试的设置，一个是模型宣称的能力上限，不能因为数字不同就判定它们矛盾。

现有资料也不足以确认未来公开 API 会给每类账号多少额度。真正设计超长任务流程时，要等目标账号拿到权限，再核对可用上限与成本，而不是先按最大数字改造系统。

为什么先让防御团队试？

这次先进入的是一批受信任的网络安全防御者，属于 Google 的 Fairwind 计划，另有受信任测试者。金融研究、法律草拟和普通写作虽然出现在能力介绍里，却不是所有这些用户现在都能登录使用。

一项真正的防御工作也不是问“这里有漏洞吗”就结束。发现线索后要验证是否可复现，排除误报，找到修复方式，再确认补丁没有引入新问题。Google 报告 Argon 在漏洞修复测试 CWE-bench v1 得分 68%、并列第一，并描述了合作方用于漏洞发现的早期案例；修复测评与发现案例不能互换，更不能当作任意团队上线后的检出率。让先行防御团队在真实工作里评估长链能力，从任务性质上说得通；这是我们基于公告的解释，不是 Google 给出的全部开放决策理由。

Google 称，受信任的防御者及 Google 内部团队可获得不带网络安全防护限制的版本，用于发现、验证和修补漏洞。这一范围不等于公开用户能够获得相同版本。安全工作中让模型多做一步，也意味着人要能检查那一步：漏洞证据是否真实、修复是否改变业务行为、访问权限是否合适。长链任务的价值与责任，在这里是同一个问题。

已有 API 报价，现在值得买 Ultra 吗？

Google 给出了将来 API 的引入期报价：每百万输入 token 2 美元、每百万输出 token 10 美元。这两个价格不能混着读：交给模型的材料和它生成的内容分别计量。缓存输入比普通输入价格低 95%，但“有缓存价”不代表任何材料都自动命中缓存。公告脚注写明，引入期结束后，输入和输出单价分别变成 4 美元、20 美元，但首次公告时尚未公布优惠结束日期；当前价目已明确日期，见文首更新。

用一个只解释报价的算例：按引入期输出单价，100 万输出 token 对应的输出费用是 10 美元；如果还有 100 万普通输入 token，则按列示单价再加 2 美元。这是两类 token 单价的独立算术对照，不能作为一次请求可同时容纳百万输入和百万输出的示例，也不是一次任务的总报价——额外请求、工具使用、失败重试和是否真的命中缓存都尚未计入。到了公告写出的后续价，同样输入、输出数量的列示费用会变成 4 加 20 美元；实际工作能否在一次请求内完成，还要看上线后的额度和任务表现。对预算敏感的团队，算“把事做完花多少”，比算“理论上最多能吐多少”有用。

Ultra 是消费者订阅，公布的每百万 token 单价谈的是未来 API 使用；目前公告没有说明 Ultra 订阅额度与 API 账单如何衔接。把两种付费方式放在一起选之前，至少应先等到各自的开放条件和实际权益明确。

截至 2026 年 10 月 1 日核对时，Gemini API 公开模型目录还没有列出 Argon 的公开模型 ID。这个观察只针对公开目录，不否认获邀团队可能已有访问权。

因此，不建议仅仅为了 Argon，现在就购买 Google AI Ultra。如果你本来就需要 Ultra 的其他权益，可以另行判断；但公告中的后续开放顺序，不等于订阅后今天就能拿到 Argon，也没有说明订阅额度如何与 API 计费衔接。

这次发布值得期待的，是 AI 把复杂工作持续做完的能力。Google 的工程案例、知识工作评测与更长输出给出了观察起点。等 Argon 真正进入你可用的模型列表，再拿一件自己最常卡住的工作，比较完成质量、耗时和账单，比提前宣布谁赢了更有用。