9 月 30 日（美国当地时间），谷歌发布了 Gemini 4 这一代的首款模型，型号名 Argon。它最实在的三个变化是：一次能输出 100 万个 token、每百万 tokens 的输入价定在 2 美元、以及专门为了“连续干几小时的活”而优化。最容易被忽略的一个事实是：你现在还用不上它。第一批拿到访问权的不是普通用户，也不是开发者，而是一批做网络安全防御的机构。
这篇不吹不黑，只做三件事：把谷歌这份发布稿里的数字翻译成人话；告诉你它到底哪里变强、哪里没赢；最后给你三个现在就能做的动作——而不是让你熬夜等解锁。
先给结论：登场的是谁，你现在能不能用
先把最容易讲错的三件事说清楚。
第一，登场的是“Gemini 4 的第一款”，不是“Gemini 4 的全部”。 多家媒体都用了“首款旗舰模型”这个说法，也就是说 Argon 是这一代里最先出场的最高端那一款，后续还会有便宜档、快速档。谷歌没有公布后面几款的时间。所以如果你在网上看到“Gemini 4 全线上线”，那是把话说大了。
第二，它是一次换代，不是挤牙膏。 谷歌上一条真正的旗舰线是 2025 年 11 月 18 日的 Gemini 3 Pro，这次是 2026 年 9 月 30 日，中间隔了 10 个多月。这期间谷歌发了三四个带小数点的版本（下面第二节会讲），但那些是小改款。
第三，普通人拿不到。 目前的开放顺序是：先给“Fairwind 计划”里的可信网络安全机构和部分政府预发布项目；然后是付费调用 API 的开发者和 Google AI Ultra（谷歌最高档的订阅）用户；普通订阅档要往后排。谷歌没有公布面向公众开放的时间，只表示会“尽可能迅速、同时以安全的方式扩大开放”。这句话的重点在后半句。
为什么隔了 10 个多月：小数点和换代是两回事
要理解这次发布为什么被这么多人在意，得先看这一年半谷歌的节奏。把公开报道里的日期排成一条线，事情就清楚了：
| 时间 | 谷歌做了什么 |
|---|---|
| 2025-11-18 | Gemini 3 Pro 发布，这一代的旗舰 |
| 2026-02-19 | Gemini 3.1 Pro，小改款 |
| 2026-05-19 | Google I/O 上承诺“3.5 Pro 下个月发” |
| 2026-07-16 | 彭博报道延期，原因是编程能力不达标 |
| 2026-07-22 | CEO 皮查伊承认推迟，改口“Gemini 4 年底发” |
| 2026-07-21 至 09-02 | 连发 3.6 / 3.7 / 3.8 三款 Flash（快速档） |
| 2026-09-30 | Gemini 4 首款旗舰 Argon 发布 |
这条线上有两个细节值得记住。
一个是 3.5 Pro 根本没发出来。承诺“下个月发”之后 60 多天没有动静，媒体给出的原因是编程能力没达标。对普通用户来说，这意味着一件事：当你看到某个模型版本号从 3.1 跳到 3.6，别以为它变强了 5 倍——那更可能是同一代产品在做修补和降价，而不是换代。
另一个是 这次比承诺的“年底”提前了。皮查伊 7 月说的是年底，实际 9 月底就端出来了。业界普遍把它解读为竞争压力：这一年对手的日子都不好过——同一时间线上，OpenAI 和 Anthropic 各自都有新款旗舰在前面跑，谷歌被甩在了后面。
顺带解释一个词。旗舰（frontier model，直译“前沿模型”）指的是各家最贵、最强、最近更新的那一款；它下面还有“快速档”“迷你档”这些便宜但弱的兄弟型号。你平时在 App 里默认用到的，往往不是旗舰。
这次真正改的三件事
改动一：单次输出上限提到 100 万 token。
这是 Argon 最硬的参数变化，也是媒体标题里的常客。先解释一下这两个词：
- token：模型眼里的“字”。它不是一个汉字也不是一个英文单词，而是被切成的小片段，中文大约 1 个字合 1～1.5 个 token，英文大约 1 个词合 1.3 个 token。
- 输入 / 输出：你发给它的内容算输入，它回给你的算输出。两者分开计价，输出通常贵 4～5 倍。
“输出 100 万 token”意味着它一口气能写完大约七八十万字的内容。听起来夸张，但它的真实用途不是写长文，而是让模型有地方“思考”：现在的模型在解复杂问题时会先生成一大段中间推理，再给结论。推理过程越长，能力越强，也越吃输出额度。把输出上限拉高，本质是给思考腾地方。
这跟你有什么关系？如果你只让它写周报、润色邮件，100 万输出对你毫无意义。它只对一类场景有价值：把一整件事交给它——比如改一个大型代码库、把几十份文档读完再写结论、连续调用工具跑几十步。这类“长流程任务”才是这代模型真正的目标。
改动二：价格是冲着“便宜”去的。
早期定价是每百万 tokens 输入 2 美元、输出 10 美元，命中缓存的输入只要 0.1 美元。有报道按“完成一个任务”来算成本，给出约 1.99 美元一个任务、比对手低四成左右；也有媒体按 token 单价算出“只有对手的几分之一”。
这里有个坑必须提醒你：单价便宜不等于总花费便宜。 输出上限从原来的几万拉到 100 万，意味着模型一次可能写回你几十倍的内容，而输出单价是输入的 5 倍。如果你不做任何限制，账单完全可能不降反升。想把自己的调用成本算清楚，可以先看这篇每百万 tokens 到底是多少字：三步算清一次 AI 调用要花多少钱，里面按汉字给你换算过了。
顺便提一句价格战这个大背景：9 月下旬刚刚出现过凌晨 90 分钟的价格战：Claude Opus 5.5 刚发布，OpenAI 反手把 API 永久砍半。Argon 这次的定价，本质上是被这条战线逼出来的。
改动三：主打“长流程”，但这也暴露了它的偏好。
谷歌公布的成绩单里，最能打的是长链条任务：编程类第三方评测 DeepSWE v1.1 拿了 77.9%，自动化任务 AutomationBench 51.3%，金融代理任务 65.4%。而在需要模型从零搭一个项目、或者在真实终端里一步步操作时，它反而落后。
跑分怎么读：它赢了什么，又没赢什么
这是本篇最想教你的部分，因为同一个发布，你看到的数字可能全不一样。
关于“赢了几项”，媒体至少给出了三种说法：18 项评测里领先 12 项、19 项里 13 项第一、14 项基准第一。这不是有人在编数据，而是因为：谷歌那张对照表里有些项是第三方机构跑的、有些项自己并列第一、有些项要不要算进去各家判断不同。
所以第一条经验是：“屠榜”这种词没有信息量，你要问的是“哪几项、多少分、谁测的”。 这套读法我在怎么读一份大模型发布稿：六个数分三组看，三个地方最容易讲错里拆过六步，这次正好拿来用。
第二件事更反直觉：Argon 并没有全面领先。 按谷歌自己那张表，它至少在这两项上排在对手后面——从零构建项目（FrontierSWE v2，55.0%，对手 65.5%）和在 Linux 终端里完成操作（Terminal-Bench 4.0，57.4%，对手 66.4%）。落后大约 10 个百分点。 也就是说，越像“给它一个全新烂摊子让它自己收拾”的任务，它越吃亏；越像“给它一份清晰材料让它推到底”的任务，它越占便宜。
第三件事，也是我最想让你记住的一组数字，来自独立评测机构 Artificial Analysis（不做厂商宣传、自己重跑所有模型的一家第三方）。它给 Argon 的公开数据是：
| 指标 | Argon 的数字 | 这个数在说什么 |
|---|---|---|
| 智能指数 | 53 | 综合难度的横向排名分，不是百分制 |
| 知识类答对率 | 0.499（约 49.9%） | 有标准答案的题，它对了一半 |
| 幻觉率 | 0.151（约 15.1%） | 越低越好；答错里“硬答”的比例 |
| 上下文窗口 | 100 万 token | 一次能读进去多少 |
这组数怎么读？15.1% 的幻觉率是真的进步——同一份榜单上，GPT-6 Astra 这项是 51.3%，Claude Sonnet 5 是 39.4%。相比它们，Argon 少胡说了一大截，这个下降幅度值得单独夸。
但同一份评测的另一栏在提醒你：它的答对率只有约 49.9%。也就是说在那些有标准答案的知识题上，它差不多是两次对一次。而且幻觉率最低的位置并不属于它，榜单上还有另一款模型以 14.2% 略低一点。
把这两个数字放在一起看，你才真正读懂了这次发布：它变得更不愿意瞎说了，但它并没有变得更全知。 这正是“AI 一本正经胡说八道”这件事的一个关键性质——所谓幻觉，不是模型在撒谎，而是它没有“我不知道”这个正常出口。想搞明白它为什么认不出自己的错，看这篇AI 为什么会一本正经地胡说八道：它认得出自己的错，却不会主动说。
为什么第一批不是给普通人用的
Argon 把“网络安全防御”放在了开放顺序最前面，这个决定本身就值得解释一次，因为它关系到你以后每次用新模型的体验。
理由是这类能力有反面。谷歌在发布材料里强调 Argon 擅长“长链条任务”——而把长链条能力放到代码和安全场景里，同一个本事既能用来找出自家系统的漏洞，也能用来找出别人的漏洞。厂商担心的正是后者。所以这一代的做法是：先给防守方（企业安全团队、部分政府机构），观察一段时间再往外放。
更值得注意的是另一条：据媒体报道，谷歌同时表示还计划推出一个不带护栏限制的版本。护栏就是模型内置的那些“这类问题我不答”的限制。这句话的意思是，厂商打算把“要不要拆掉限制”做成一个单独的产品档位，而不是全员放开。这类信息目前只在少数报道里出现，谷歌没有公布时间，你要留意的是别把它当成已经发生的事。
同一时间还有一条容易让人误会传播的消息：有 DeepMind 研究员在社交媒体上说，Gemini 4 已经做到了 RSI——递归自我改进（Recursive Self-Improvement，指模型参与改进模型自身，理论上会越滚越快），原话大意是“模型已经超过我，我教不动了”。这是研究员的个人说法，谷歌没有确认实现，只承认有早期迹象。 你在转发时应注意“员工说”和“公司说”完全是两件事——这也是读 AI 新闻最容易踩的一个坑，具体怎么分辨，可以参考让 AI 替你办事的安全清单：授权怎么给、钱怎么管、出事怎么办里关于“信息源分级”的思路。
普通人的三个动作
说了这么多，落到你身上其实只有三件事可做。
动作一：别为了它换订阅、改配置。
判断标准很简单：没有公布公众开放时间的模型，不值得你为它花钱。 现在就有两个常见的坑：一是有人趁机卖“内测资格”“镜像站”，二是各种“接入教程”其实接的是旧模型换了个名字。真想第一时间知道开放，只盯两个官方渠道就够：谷歌云的产品更新页，和你自己订阅档位的功能变更邮件。除此之外，短视频里的“已经能用了”一律先当成假的。
动作二：先把长任务跑顺，而不是先换模型。
这次 Argon 提升最大的是长流程任务。而长流程任务做不好的原因，八成不在模型，在你的任务描述。一个简单的对照：
| 现象 | 真正的原因 | 你现在就能做的 |
|---|---|---|
| 干到一半开始跑偏 | 条件边聊边补，它只保留了最近一轮 | 把目标、限制、验收标准一次写全 |
| 中间结果全对，最后合不上 | 输出太长，早期要求被挤掉了 | 每完成一段就让它复述一遍当前约定 |
| 说它忘了刚才的话 | 上下文有上限，旧内容会被压缩 | 关键约定单独贴回来，别指望它记着 |
这三条是同一件事的三个面：模型没有“记住”这个动作，只有“这次递进去多少”。 具体怎么把要求写成它不会漏的格式，看这篇AI 为什么聊着聊着就忘了你说的话：它没有“记住”这一步，只有“这次递进去多少”；能直接抄的说法在12 个真正好用的提示词：把要求写成验收标准里。
如果你手上是编程类的长任务，还可以直接参考这篇工程侧的做法：打造高效可靠的 AI 编程工作流：从单轮提示到工程级上下文闭环。
动作三：算清自己这一档值不值得等。
新旗舰对你划不划算，取决于两件事：你现在用什么、你干的活有多长。国内用户还有一层现实：Gemini 系列本身就不是能直接用的产品，账号、网络、支付都有门槛。换新模型不会解决这些，反而会增加折腾。 与其等 Argon，不如先把手上的模型用满——海外几条路线怎么搭配、什么活给谁干，这篇讲得比较全：海外大模型横评：GPT、Claude、Gemini、Llama 路线怎么配才划算。真想省钱，这篇的实测思路更直接：AI 账单砍到 10%：把 DeepSeek 和本地小模型接进你的工作流。
如果最终你要走 API 这条路，长上下文的经济账还得单独算一次：输出上限从几万涨到 100 万之后，“一次能写多少”和“一次要花多少”这两件事的关系完全变了，可以看上下文缓存与长上下文的经济学。
一句话版本
Gemini 4 的首款旗舰 Argon 在 9 月 30 日发布，隔了上一代 10 个多月；它把单次输出提到 100 万 token、把输入价压到每百万 tokens 2 美元、专门优化长流程任务；它在第三方幻觉率评测上从对手的 40%～50% 降到 15.1%，但同一份评测里它的知识答对率只有约 49.9%，从零建项目和终端操作两项还落后对手 10 个百分点；它现在只向网络安全防御机构开放，公众什么时候能用，谷歌没有说。
你现在最该做的，不是找渠道去用一场还没开始的发布会，而是把手上的模型用到位。