Google 發布 Gemini 4 Argon，僅限受信任網路安全防禦者使用

Google 推出 Gemini 4 Argon，主打複雜任務處理

Google 正式發布新一代前沿 AI 基礎模型 Gemini 4 Argon。這個模型是為複雜、耗時較長的專業工作流程設計，涵蓋軟體工程、企業知識工作（如法律與金融）以及網路安全防禦等領域。目前模型已透過「Fairwind 計畫」，逐步開放給受信任的網路安全防禦者存取，同時也參與美國政府的自願性預發布模型存取程序。Google 表示，在擴大開放給開發者、企業及消費者之前，會先收集早期測試者的回饋並強化安全防護機制。

技術規格與內部應用成效

為支援 Gemini 4 Argon 處理更長、更複雜的使用情境，輸出令牌上限從前代的 64K 大幅擴展到 100 萬令牌，在業界居於領先。這項升級讓模型能在單一軌跡中生成數十萬令牌，進行更深層的推理，以解決高難度問題。在 Google 內部，Argon 已用於數千名員工的日常工作，在專門的編碼任務、深度研究及寫作品質提升方面表現突出。

在量子計算領域，Argon 協助研究人員最佳化子程序的時空資源（量子位元乘以閘門），在短短數分鐘內就將效能超越已發表的基準線 40%。在記憶體效率方面，由 Argon 驅動的代理程式分析整個機群的效能遙測數據，自動找出並套用記憶體最佳化方案，預計部署後可釋放超過 300 TiB 的記憶體，總節省量估計在 500 TiB 至 1 PiB 之間。此外，Argon 代理程式正協助將 C/C++ 程式碼庫遷移至 Rust，規模從核心函式庫的數萬行，擴展到 Fuchsia OS Zircon 核心的 80 萬行以上。以開源影片解碼軟體 libgav1 為例，Argon 取代了 32K 行的 SIMD 程式碼，透過多次配置引導實驗，產生能自動向量化編譯的安全 Rust 程式碼，最終解碼器速度比原 Rust 端口快 2.7 倍，輸出結果完全一致。

企業工作流與自動化基準測試領先

在企業應用方面，Gemini 4 Argon 在編碼、推理及多模態能力上都有亮眼表現。在衡量真實世界長期軟體工程任務表現的 DeepSWE v1.1 基準測試中，Argon 取得 77.9%，創下新的最佳紀錄。在衡量經濟影響的 Vals Index 中，Argon 也居首；該指數依各領域對美國 GDP 的貢獻加權，評估模型在金融、編碼、法律及稅務工作的表現。Argon 在 Vals Finance Agent v2（多步驟金融研究）及 Harvey’s Legal Agent Benchmark（法律研究與起草）等特定領域評估中同樣表現優異。

在自動化執行核心業務功能的 AutomationBench 基準測試中，Argon 以 51.3 分排名第一。此外，Argon 在需要視覺理解的知識工作中表現獨特，能驅動專業圖表分析、辨識長影片中的細節，並根據一系列文件採取行動。在衡量長影片理解的 LVBench 基準測試中，Argon 以 91.7 分創下最佳紀錄。

網路安全防禦與定價策略

為因應新一代網路攻擊，Google 訓練 Gemini 4 Argon 具備高度的網路安全防禦能力，讓它能自主發現、驗證並修補關鍵軟體漏洞。對於受信任的防禦者及 Google 內部團隊，Argon 將在不含網路安全防護限制的情況下提供，以發揮前沿級的防禦能力。Wiz 已透過其「Scan for Good」計畫使用 Argon，該計畫致力於免費保護關鍵公共基礎設施。在早期示範中，Argon 發現了一個先前前沿模型未察覺的嚴重漏洞，該漏洞會暴露全球醫院使用的醫療保健軟體中的敏感個人資訊。在評估模型修補安全漏洞能力的 CWE-bench v1 基準測試中，Argon 以 68% 的最高分數與他人並列第一。

在定價方面，Google 宣布 Gemini 4 Argon 將以入門價格推出，輸入令牌每百萬 2 美元，輸出令牌每百萬 10 美元，快取輸入令牌享有 95% 的折扣。入門期結束後，價格將調整為輸入令牌每百萬 4 美元，輸出令牌每百萬 20 美元。

強化前沿安全防護措施

在全面推出 Argon 之前，Google 正針對四個主要領域強化安全防護。首先，為防止惡意行為者利用 Argon 進行網路或 CBRN（化學、生物、放射及核子）攻擊，模型設計為拒絕有害請求，同時保留合法的雙用途科學研究。Google 正透過改進監控模型內部激活的技術來加強防護，並由內部及外部紅隊進行嚴格的魯棒性測試。

其次，Argon 是 Google 迄今抵抗間接提示注入攻擊最具韌性的模型；這類攻擊是透過惡意指令或上下文劫持模型行為。透過自動化紅隊測試及對抗性訓練，Argon 在 Gray Swan 的間接提示注入基準測試中領先。第三，為防止模型偏離用戶意圖，Google 部署了偏離緩解措施，監控 Argon 的思考鏈及行動，並在必要時停止執行。Google 在監控訓練過程時，也小心避免把發現回饋到訓練中，以免模型學會規避監控，並強烈呼籲業界在能力提升的關鍵時刻保持推理透明度。最後，Google 正透過隔離及密封沙盒環境來強化系統，確保進行高風險訓練或評估時的安全，並承諾與合作夥伴分享這些代理程式安全最佳實踐。