Google 发布 Gemini 4 Argon：强化 Agent 编程与长上下文推理
发布时间（北京时间）：2026 年 10 月 13 日
发布机构：Google DeepMind
技术关键词：Sparse MoE、Multimodal、Reinforcement Learning、Long Context、Agent、AI Safety
核心进展
据所提供的发布信息，Google 推出旗舰模型 Gemini 4 Argon，重点提升复杂多步骤推理、Agent 工具使用、代码任务执行以及长上下文理解能力，并计划通过 Gemini API 等产品提供服务。
报道中列出的部分基准测试如下（均为所提供材料中的厂商数据，非第三方复现）：
| 评测项目 | Gemini 4 Argon | GPT-6 Astra |
|---|---|---|
| Vals Index（专业知识工作） | 68.9% | 63.1% |
| AutomationBench（自动化任务） | 51.3% | 41.4% |
| DeepSWE v1.1（Agent 编程） | 77.9% | 74.1% |
| GraphWalks（长上下文图推理） | 84.2% | 71.8% |
| FrontierSWE v2（软件工程） | 55.0% | 65.5% |
第一，长上下文能力正从信息检索转向结构化推理。 GraphWalks 更强调在大量上下文中识别关系并完成多跳推理，而不仅是定位某个答案。
第二，Agent 能力成为前沿模型的重要竞争维度。 自动化任务与代码执行表现反映了模型在真实工作流中的潜在价值，但单项基准领先不代表所有软件工程任务都更强。
第三，模型能力提升的技术来源仍需进一步披露。 目前无法仅凭这些分数判断提升主要来自预训练、后训练、推理时计算还是工具系统优化。
相较 Gemini 3 系列所强调的通用多模态能力，Gemini 4 Argon 的报道重点进一步转向长程任务执行、Agent 编程和复杂工作流。这一方向也反映出行业评测正在从静态问答转向可验证的任务完成率。
细节内容解析
模型表现分析
Gemini 的 评测方法说明 中给出了详细的测试数据
| 评测类别 | Benchmark | Gemini 4 Argon | GPT-6 Astra | Claude Fable 5.1 | Claude Opus 5.5 |
|---|---|---|---|---|---|
| 知识工作 | Vals Index | 68.9% | 63.1% | 65.8% | 67.0% |
| 知识工作 | AutomationBench | 51.3% | 41.4% | 31.4% | 42.5% |
| 知识工作 | Vals Finance Agent v2 | 65.4% | 53.5% | 58.9% | 58.6% |
| 知识工作 | Harvey’s Legal Agent Benchmark | 19.6% | 5.4% | 6.7% | 3.8% |
| Agent 编程 | DeepSWE v1.1 | 77.9% | 74.1% | 67.4% | 74.2% |
| Agent 编程 | FrontierSWE v2 | 55.0% | 65.5% | 56.3% | 62.3% |
| Agent 编程 | Vibe Code Bench | 91.9% | 89.6% | 90.3% | 90.3% |
| Agent 编程 | Terminal-bench 4.0 | 57.4% | 58.2% | 57.9% | 66.4% |
| 机器学习工程 | PostTrainBench | 45.3% | 44.3% | 40.2% | 49.3% |
| 科学与数学 | Terminal-Bench Science 0.1 | 57.6% | 68.1% | 52.6% | 63.3% |
| 科学与数学 | LABBench 2 | 88.8% | 85.4% | 68.6% | 73.1% |
| 科学与数学 | RiemannBench | 76.0% | 72.0% | 65.6% | 69.6% |
| 长上下文 | GraphWalks（≤128K，BFS F1） | 99.7% | 98.7% | 91.4% | 90.6% |
| 长上下文 | GraphWalks（256K–1M，BFS F1） | 84.2% | 71.8% | 65.0% | 66.8% |
| 计算机操作 | Agent’s Last Exam（Pass rate） | 39.5% | 34.2% | — | 38.2% |
| 计算机操作 | OSWorld 2.0（离线子集，部分得分） | 69.2% | 72.6% | — | — |
| 多模态理解 | Chartography | 71.6% | 71.0% | 46.2% | 66.3% |
| 多模态理解 | LVBench | 91.7% | 87.5% | 79.7% | 83.7% |
| 网络安全 | CWE-bench v1 | 68.0% | 68.0% | 58.0% | 67.0% |
这里的数据获取基于下列准则：
Gemini 4 Argon除特别说明外采用pass@1，通过Gemini API在最高thinking设置下评测；小型基准使用多次试验平均值。- 其他厂商模型的成绩主要引用厂商自行报告的结果，部分取自公开榜单；不代表完全统一的独立复现。
-GraphWalks的两个子集分别包含650道（不超过128K token）和200道（256K至1M token）题目，指标为BFS F1。
-OSWorld 2.0报告离线子集的部分得分，不能与其他类型成功率直接混为一谈。LVBench的各模型采样帧数不同，比较时应注意输入设置差异。- “—”表示原始
从上述数据可以分析得到：
Gemini 4 Argon在 4 项知识工作评测中全部领先，尤其是AutomationBench（51.3%）和Harvey's Legal Agent Benchmark（19.6%），分别领先第二名8.8和12.9个百分点，体现出较强的复杂业务任务处理能力。- 模型在
GraphWalks的256K–1M Token测试中达到84.2%，领先GPT-6 Astra12.4个百分点，说明其在超长上下文中进行关系检索和多步结构推理的能力较强。 - 模型在
Chartography（71.6%）和LVBench（91.7%）均取得最高成绩，尤其在长视频理解方面具有优势，但需注意各模型的采样帧数并不一致。 - 虽然模型在
DeepSWE v1.1达到77.9%，但在FrontierSWE v2中仅为55.0%，落后GPT-6 Astra10.5个百分点；Terminal-bench 4.0也落后Claude Opus 5.5达9.0个百分点，说明其在高难度代码修复和终端操作任务上仍有不足。 - 模型在
Terminal-Bench Science 0.1得分为57.6%，低于GPT-6 Astra的68.1%；PostTrainBench得分为45.3%，也低于Claude Opus 5.5的49.3%，表明其在专业科学工作流和模型后训练任务中尚未形成全面优势。 - 模型在
OSWorld 2.0得分为69.2%，低于GPT-6 Astra的72.6%，说明模型在部分真实环境交互任务中仍存在差距。
模型架构：Sparse MoE Transformer
根据官方 Model Card，Gemini 4 Argon 采用大规模稀疏混合专家（Sparse Mixture-of-Experts, MoE）Transformer 架构，并具备原生多模态处理能力。
核心特点：
- 稀疏 MoE： 采用专家混合模型结构，但专家数量、路由机制和参数规模尚未公开。
- 原生多模态： 支持文本、图像、音频与视频输入，输出为文本。
- 统一长上下文： 支持最高 100 万 Token 的输入与输出总预算，面向长程任务规划与复杂推理。
需要注意，官方没有披露具体注意力结构或 MoE 路由设计，因此目前无法判断其是否引入了新的基础架构机制。
训练路线：多模态预训练 + 推理强化学习
Gemini 4 Argon 的训练主要包含两个阶段。
预训练（Pre-training）
训练数据覆盖网页、代码、文本、图像、音频和视频，同时包含经过筛选的合成数据。
后训练（Post-training）
官方明确披露了三类训练数据：
Instruction Tuning：指令微调Reinforcement Learning：强化学习Human Preference：人类偏好数据
其中，强化学习特别利用了多步骤推理、问题求解与定理证明相关数据。
这一设计说明，Argon 的能力优化不仅针对最终答案的正确性，也面向复杂任务所需的持续推理能力。
但具体强化学习算法、奖励函数及训练计算预算尚未公布。
长上下文推理：100 万 Token 的统一预算
Argon 将模型输出空间从此前的 64K Token 上限扩展至最高 1M Token 的统一输入输出预算。
这使模型能够在一次推理轨迹中处理更复杂的任务，包括：
- 长代码库分析与修改
- 跨文档依赖关系推理
- 多步骤科学研究
- 长程 Agent 任务执行
在官方 GraphWalks 测试中，Argon 在 256K–1M Token 区间取得 84.2% BFS F1，体现了长上下文结构推理能力。
但单项基准结果不能证明模型在所有百万 Token 任务中都能保持相同可靠性。
Agent 能力：从生成代码到执行工程任务
Google 将 Argon 集成到 Antigravity Agent 开发环境，使其能够与工具、终端、测试系统和代码仓库协作。
官方展示的应用包括：
Chrome大规模代码重构Agent Development Kit性能优化- 量子计算和分子模拟代码优化
- 自动漏洞发现、验证与修复
其中，Google 报告 Argon 协助优化 ADK Python 框架，使长会话的内存会话准备时间降低 40%，冷启动导入速度提高 21%。
这一方向的核心在于：将模型的推理能力转化为持续执行、测试反馈和迭代修正的 Agent 工作流。
需要区分的是，模型自身能力与 Antigravity 工具编排产生的系统级增益并不完全相同。
安全与对齐：实时监控 Agent 行为
Google 还披露了 Argon 的多层安全机制：
- 行为边界训练： 引导模型尊重权限边界，对不可逆操作请求人工确认。
- 实时失配监控： 同时检查 Agent 的推理记录与外部动作，识别潜在越权行为。
- Activation Probes： 利用小型 Transformer 识别与高风险行为相关的内部激活信号。
- Prompt Injection 防御： 结合对抗训练、自动化红队与运行时安全检查。
一个值得关注的研究细节是：Google 强调不应简单惩罚推理轨迹中对违规行为的讨论，否则可能降低推理过程的可监控性，却无法真正减少违规动作。
这表明 Argon 的对齐路线同时重视模型行为约束和运行时可观测性。
官方确认的训练基础设施包括：
| 组成部分 | 技术 |
|---|---|
| 模型主体 | Sparse MoE Transformer |
| 训练硬件 | Google TPU |
| 训练框架 | JAX |
| 分布式系统 | ML Pathways |
| 后训练 | 指令微调、强化学习、人类偏好数据 |
| 上下文 | 最高 1M Token 统一输入输出预算 |
Gemini 4 Argon 的技术路线可以概括为：
Sparse MoE + 原生多模态 + 推理强化学习 + 长上下文 + Agent 工具执行 + 实时安全监控。
从目前公开的信息来看，其主要进展不在于提出全新的 Transformer 基础架构，而是将长程推理、实际任务执行和安全控制结合到统一的前沿模型系统中。
参考链接
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_48717745/article/details/167885806
