Gemini 4 Argon 發表，長上下文與代理任務領先、終端機與 ML 工程落後
Google DeepMind 模型頁 · 頁面未標示發布日期，僅寫「available today」
Google 把旗艦模型從 Gemini 3.1 Pro 換成 Gemini 4 Argon，主打 100 萬 token 的輸出長度與長時程的軟體工程任務。它在 19 項自家列出的基準中拿下多數第一，但 Terminal-bench 4.0、FrontierSWE v2 與 PostTrainBench 仍輸給對手。以下數字全部來自 DeepMind 發表頁，屬廠商自報。
原本的問題
上一代模型的瓶頸在於「單次能吐多少、跑多久」。要做整個 repo 的語言遷移或舊程式翻譯，只能切成許多小請求，再自己拼接與對齊。發表頁把 1M output tokens 當成主要賣點，用途寫的是整個 repository 生成、legacy translation 與大量結構化整理。
另一個老問題是長上下文檢索的衰退。頁面用 GraphWalks 的 BFS 任務（F1）比較，同時列出 128k 以內與 256k 到 1M 兩個區間。
核心改動：基準對照
下表只挑與工程選型最相關的列，粗體為該列最高分，數字取自頁面基準表。
| 基準 | Gemini 4 Argon | GPT-6 Astra | Claude Fable 5.1 | Claude Opus 5.5 |
|---|---|---|---|---|
| DeepSWE v1.1 | 77.9% | 74.1% | 67.4% | 74.2% |
| FrontierSWE v2 | 55.0% | 65.5% | 56.3% | 62.3% |
| Terminal-bench 4.0 | 57.4% | 58.2% | 57.9% | 66.4% |
| PostTrainBench | 45.3% | 44.3% | 40.2% | 49.3% |
| GraphWalks 128k 內 BFS | 99.7% | 98.7% | 91.4% | 90.6% |
| GraphWalks 256k 到 1M BFS | 84.2% | 71.8% | 65.0% | 66.8% |
| CWE-bench v1 | 68.0% | 68.0% | 58.0% | 67.0% |
最大的差距出現在超長上下文：256k 到 1M 區間比 GPT-6 Astra 高 12.4 個百分點，128k 內則幾乎飽和。相反地，在 shell 操作與實際工程流程類的基準上它並未領先，Terminal-bench 4.0 落後 Claude Opus 5.5 達 9.0 個百分點。
廠商自報的實作案例
- vLLM 推論（A100、Gemma 4 E2B）：端到端 2.85 倍加速，吞吐由約 37,900 升到超過 108,000 tokens/s，頁面稱 token 完全一致（100% token parity）。
- Google ADK：長 session 的記憶體內 session 準備時間減少 40%，cold import 快 21%。
- Google Skills 實驗室的 legacy migration：節省 955 工程小時，每年約 540 小時的清理工作變成一次 3 小時的更新。
- Chrome 重構：頁面只說「months of work completed in weeks」，沒有量化。
這些案例沒有附實驗設定，頁面也沒有連到可重現的程式碼，只能當作方向參考。
影響範圍
做長文件或整個 codebase 檢索的團隊值得優先重跑自己的評測，因為 256k 以上的差距是表中最大的。若現有流程為了繞過輸出上限而切塊再合併，也可以測試單次輸出是否能省掉這層編排。
以 CLI agent 為主的團隊需要自己驗證：Terminal-bench 4.0 與 FrontierSWE v2 兩項沒有領先，DeepSWE 領先並不保證在你的 repo 上也成立。
可用管道方面，頁面列出 Gemini app（Google AI Pro 與 Ultra 訂閱者）、Google AI Studio 與 Google Antigravity。定價、context window 上限與 API 模型 ID 發表頁均未公布，要查 Gemini API 模型文件才能確認能否在 API 呼叫。
資安面向
頁面稱它在 Google 的模型中對 indirect prompt injection 的抵抗力最強，但沒有給出對應的數字。CWE-bench v1 為 68.0%，與 GPT-6 Astra 並列第一。另有針對防禦者的 Fairwind Program 可申請。
方法學文件（model evaluation PDF）列出各基準的來源連結，但本文未能解析其內文，競品分數的取得方式與思考設定因此無法確認，閱讀表格時需留意。
原始來源：DeepMind Gemini 發表頁、Gemini 4 Argon model evaluation (PDF)