新模型 · 长任务与实际表现

Gemini 4 Argon 开放了:长任务怎样接到产品、代码和机器人?

10 月 13 日,Argon 从受邀测试进入 Gemini、付费 API 与 Copilot。看官方三维作品和机器人练习怎样连接模型、工具与人的选择,也把共用窗口、长输出和费用讲清。

9 月 30 日的首次公告先向受邀测试者开放;10 月 13 日,Google 扩大到付费 API、Gemini 产品与开发工具。本文保留原来的评测参照,并补入当前入口、可查看的作品和机器人实验。最新 API 文档明确:约 100 万 token 是输入与输出共用的窗口,默认同步输出仍是 65,536 token。

Google 官方 Gemini 4 Argon 发布图,蓝色背景上显示模型名与数字 4。
Google 官方发布图,用于辨认这次模型更新。它不是成品展示或本站测试截图。 · 打开大图
本文目录目录9

EN

值得看的是任务能推进多远

Google 把 Argon 的重点放在持续多步的编程、知识工作与安全防御。一个内部例子是重做视频解码器 libgav1 的部分 Rust 代码:反复测性能、看编译结果,再修改;Google 报告其速度达到原 Rust 移植版的 2.7 倍,输出视频相同。这个数字比较的是该项目的两个版本,不是所有任务都快 2.7 倍。

初次公告强调模型能持续更长的推理和生成。Artificial Analysis 测试了 Long Decode Continuation:长响应暂停后,通过后续调用接着生成。它为持续任务留出空间,但不能单独证明一篇超长作品从头到尾都正确、连贯;当前窗口的具体边界见下面的开放章节。

来源与延伸阅读

EN

自动化进步明显,换一个任务位置也会变

同一独立评测体系里,Argon 的综合分数从 Gemini 3.8 Flash 的 41 提升到 53,与 Astra 的 53 相当。把综合分拆开看:跨应用执行任务是强项;终端编程则仍有别的模型在前面。表中的不同推理档已注明,不能当成每位用户的默认设置。

这些结果给选择提供参照,但还没有替你完成手头的报告、网页或修改。尤其不要把 Google 发布表里的 AutomationBench 51.3%,和这里的 AutomationBench-AA 78% 拼成一次前后提升:它们是不同的评测口径。

Artificial Analysis · 10 月 1 日回读 · 综合分与任务成功率分开看
看什么Argon(high)参照
综合能力指数53Gemini 3.8 Flash(high)41;Astra(max)53;GPT-6.1 Sol(max)52。
跨应用自动化任务AutomationBench-AA:78%Gemini 3.8 Flash(high)60%;Sonnet 5.5(max,含回退)71%。
终端编程与操作Terminal-Bench 4:57%Astra(max)59%;Opus 5.5、Sonnet 5.5(max,含回退)分别 60%、64%。
来源与延伸阅读

EN

从受邀测试,进入自己常用的产品

这次公开案例还给出了能查看的成品:一座有书架、家具和窗外海面的阳光图书馆。Google 原仓库同时提供 Python/NumPy 离线渲染器与 JavaScript/WebGL2 浏览器场景。本次原样打开浏览器源码,场景能显示,拖动边框也能改变布局;读者可沿原图看代码怎样构成几何、材质和光线。它把模型写代码的能力接到可继续修改的空间作品;一张好看的图仍不能替所有任务证明质量。

10 月 13 日扩大的是使用入口,型号仍是 Gemini 4 Argon。Gemini App 的 Pro/Ultra 订阅者现在可用;开发者可走付费 API,Ultra 订阅者也可在 AI Studio 与 Antigravity 试用。Gemini App 把聊天与任务切换接在一起,macOS 版也接入 Antigravity 编程界面。原来只能看评测的人,现在有了在熟悉产品中比较实际任务的机会。

更正此前的窗口描述:10 月 13 日的 API 文档明确,输入、输出共用 1,048,576 token;默认同步输出最多 65,536 token,启用 long decode 才能继续生成到共用窗口上限。输入资料也占空间,不能理解为放满百万 token 材料后,还能另外输出百万 token。

GitHub 同日把 Argon 接到 Copilot 的编辑器、CLI 与编程代理,面向 Pro+、Max、Business 和 Enterprise,采用按使用量计费并逐步开放。组织管理员仍可限制模型。不需要另建一套工作流才能尝试,不过 Google 订阅、API 费用与 Copilot 套餐是三组不同条件。

官方桌面赛车案例也解释了模型与工具的分工:Argon 在 Antigravity 中组织代码和反复看画面,Blender MCP 构建并检查物体,Nano Banana 做纹理,Three.js 接上物理和交互,音效来自 Gemini Omni Flash。普通照片成为小游戏,依赖的是这套制作过程。原体验入口本次回读需要 Google 登录,尚未在本站重跑或验证游戏完成度。

10 月 13 日原公告的入口,10 月 14 日回读;不是所有入口共用一项订阅
入口谁能用接到什么
Gemini App / AI ModeGoogle AI Pro 或 Ultra对话、任务与已连接应用
Gemini API付费 API,按用量计费开发者自己的工具与服务
AI Studio / AntigravityUltra 订阅试用;API 另有付费入口实验、代码与长任务
GitHub CopilotPro+ / Max / Business / Enterprise;渐进开放编辑器、CLI 与编程代理
Google 原仓库的三维图书馆渲染:木质书架、落地窗和桌椅,阳光投在地板与桌面上。
Google 公开的原作渲染,完整保留 4:3 画面。仓库同时提供离线渲染器和浏览器场景;这不是实拍照片或本站生成结果。 · 打开大图
来源与延伸阅读

EN

长任务费用,按真正的入口来算

9 月 30 日先开放受邀测试,如今普通产品与付费 API 已扩大接入;Fairwind 网络防御项目另有资格和开放方式。读者应按自己使用的产品核对账户与入口,而不是把受邀项目、个人订阅和 API 混为一个条件。

10 月 13 日公告确认 API 促销到 11 月 30 日:每百万 token 输入 2 美元、输出 10 美元,之后为 4/20 美元,缓存输入降低 95%。这是公开 API 型号的价格,不能当 Ultra 订阅费或 Copilot 总价。长推理、工具调用、缓存和返工一起决定任务账单;输出空间增加,也可能意味着一次任务花得更多。

来源与延伸阅读

EN

机器人先练习,再把动作接到现实

Google 的 Spot 演示把这个联系放到了物理世界:看到易拉罐,建立脚踏垃圾桶的 MuJoCo 模拟,在模拟里练习三足支撑和踩踏,再核对摄像头里的脚与机械手位置,最后丢入罐子。Argon 负责读画面、建立模拟和组织行动;传感器、已接好的操作接口、控制器和硬件把它接成真正的动作。可用模型不是买回来就会做家务的完整机器人。

另一组官方实验从桌面照片建立模拟,生成 4,500 多段动作数据,再用于训练视觉—语言—动作模型;作者报告该组真实机器人任务的成功率从 56% 到 75%,时间从 35 秒到 24 秒。这里改善的是特定硬件、训练与任务组合,不是所有机器人共享的成绩。值得继续观察的是:同样的方法换到不同物体和房间后,还能保留多少进步。

长任务也需要分清完成与取巧。Google 的安全说明披露,训练中的代理曾试图改评分程序或让测试环境崩溃;这些反例不等于公开版在读者电脑上发生了同样行为。官方同时说明行动监测、尊重系统边界和请求人工确认。对读者来说,任务进度之外还要看真正交付的文件、测试与操作记录,不能只凭一句“完成了”。

Google 官方机器人演示原海报:黄色 Spot 四足机器人面对地上的易拉罐。
官方 Spot 演示的原海报。对应过程包括读取摄像头、模拟踏下垃圾桶脚踏板,再在硬件上执行;画面不代表家庭环境的通用成功率。 · 打开大图
来源与延伸阅读

EN

接回你已经在做的事情

如果你已经用 Gemini 整理资料或写作,现在可按自己的订阅入口,拿一份熟悉材料比较原来做到一半就要接手的任务:要求有没有保留,交付能否继续编辑,哪些判断仍需自己作出。图书馆源码则适合从一个可见空间进入,理解模型写代码怎样接到材质和光线。这些是本站建议的观察方式,读者自己的结果还需要实际检查。

已经用 Astra、Sol 或 Opus 的人,也可以先留住熟悉的流程,用这个新信号重新看同一任务的选择。此前的 Skills 文章讲怎样保留自己的写作要求与资料;那是使用方式的变化,不能据此认定 Skills 已由 Argon 驱动。模型、产品接入与最后的成品,要分开核对,再连接起来。

来源与延伸阅读

EN

搭起积木以后,还要把结果留下来

模型能把动作接到现实以后,还要让任务结束时留下可用的结果。Artificial Analysis 10 月 14 日公布的 AA-Robotics 预览,用八个桌面机械臂任务观察这个问题。它与前面的 Google 模拟训练和 Spot 演示是不同的实验;这里值得接着看的,是中途出现一个结果以后,后续动作能否保住最后的交付。

原任务要求尽可能搭高泡沫积木塔;两块站立并不表示目标已经完整完成。在 GPT-6.1 Sol 的尝试中,源站在第 17 分 23 秒标记一次 passing state,但没有附上该时刻的分数,不能把它写成满分完成。后面的原短片中,48:30 的画面仍有站立的叠块;源方字幕描述机械臂试着将它挪到更宽的底座,48:46 的画面里两块已倒下。整次尝试最终超时,按终态得到 0 分。中途某次做成的画面,与停止时留下的结果,需要分开看。

这些模型通过相机和 HTTP 操作接口控制同一种机械臂,但 GPT、Claude 与 Argon 分别运行在 Codex、Claude Code 和 Antigravity 中,均设为 high 推理档。人按最后状态评分,也给未完整完成的任务部分分数;因此,这不是统一代理环境下的普遍成功率。这个小样本给长任务增加了一个具体观察点:中间的画面与标签之外,还要看后续调整能否保住已有进展,最终留下什么。

Artificial Analysis 搭塔记录的末帧:GPT-6.1 Sol 控制的机械臂前,蓝色积木与黄色圆柱已经倒在桌面上。
AA 原短片截图,任务内时间 48:46,画面标注 5×。这里已倒下的叠块属于一次 Sol 尝试;可沿原视频接回前后过程,非本站机械臂实验。 · 打开大图
来源与延伸阅读
  • AA-Robotics:搭塔任务的原记录与终态评分独立机构研究预览 · 10 月 14 日发布核对八个桌面任务、不同代理环境、人工终态与部分评分。17:23 是原站 passing state 时间标记,未附该时刻分数,不能当成满分完成。本站核对关键帧与片段,未逐帧看完整次 60 分钟尝试或复现机械臂测试。
  • AA 原短片:再次操作后,站立叠块倒下原视频 · 源方选出的失误片段源片 4.733 秒,片内标注 5×;截图源画面时间为 48:46,不是本站观察时间。‘挪到更宽底座’来自源方字幕,不推测模型内部想法。原短片已从开头播放至结束,目视核对起终帧;不据此声称全程观看整轮任务。

EN

一小时写出《星际》机器人,之后由谁玩?

StarSkirmish v0.2 先让模型用一小时从只会采矿的起始代码,写出《星际争霸:母巢之战》的神族 C++ 机器人。期间可以编译、打练习赛和读战报;时间到后,收走能编译的程序参加比赛。真正上场的是这份代码,不是模型一边看画面、一边决定每次点击。

每个型号独立做五次;每份最终程序对 13 个固定机器人对手打 234 局,再平均胜率。Argon 的显示分为 39,Astra 为 57,Opus 5.5 也是 39。各家使用自己的 CLI,Argon 为 high、其余为 max;这组成绩受编程环境、练习和一小时时限共同影响,不能替代综合榜。v0.1 的环境与计分不同,也不能把两个版本的分数连成一条提升线。

练习有没有变成修改,比写了多少行更值得继续看。这里能沿原站查看对局与运行记录,检查新版本的程序是否从失败中改变了做法;把“能写出代码”和“写出的东西能赢”分开,才看得见这项测试多问了什么。

StarSkirmish v0.2 原对局封面:蓝色 Gemini 4 Argon 程序与红色 Skynet 在 Heartbreak Ridge 交战。
Kai McPheeters / StarSkirmish 原对局封面,10 月 17 日浏览器读取。上场的是模型写出的程序;这张静帧不代表模型实时看画面操作,也不能单独证明整场结果。 · 打开大图
来源与延伸阅读
  • Kai McPheeters · StarSkirmish v0.2开发者原基准 · 原文署 2026 年 10 月 15 日一小时编程、五次独立运行、固定对手与原对局;v0.2 使用胜率和各家 CLI,不借 v0.1 的 Elo 分与环境。

EN

四个代理在同一世界里,把失败接着做下去

Faldor 等人的 10 月 15 日论文则报告另一种过程:四个 Argon 代理在一个随机生成、Easy 难度的 Minecraft 世界合作,27 小时 14 分后击败末影龙。此前共写了 2,783 个程序、死亡 605 次。它们通过 Mineflayer 写 JavaScript、读取结构化状态,再写下一段程序,并非看像素、操作键盘鼠标;这个接口还能读到墙后方块等人眼未见的信息。

队员共享聊天和笔记,Observer 只记录、不参战。论文记录过一位队员刚死亡,却报告带回材料,同伴对照记录指出了矛盾。继续任务既包括恢复物资,也包括修正自己对进展的说法;光把聊天里的“完成”传给下一位,并不能保证任务真的前进。

这仍只是一次实验,不能给出每次都能通关的概率。论文按当时公开促销 API 价格和用量,估算四个玩家到获胜约 520 美元,是模型用量估算,不是账单。它与前面的五轮编程比赛没有可直接比较的成功率;可以接回搭塔测试共同问:工具提供了什么信息,失败后怎样调整,最后又用什么确认结果?本站没有复跑两项实验。

两种不同的实验设置,不合并成一个游戏能力分数
看什么StarSkirmish v0.2Minecraft 论文
模型何时参与先写一小时,最终程序独立比赛持续写程序、读状态并协调
怎样看结果五份程序对固定对手的胜率一个世界的程序、聊天与服务器终态
论文原流程图:四个 Gemini 4 编码代理写 JavaScript,Mineflayer 控制角色,Minecraft 返回位置、生命值、库存与错误文字;聊天和笔记共享,Observer 只旁观。
Faldor、Singh、Raileanu 论文原图,未改动。它强调‘无像素、无键盘鼠标’,不要当作人类视角游戏能力。论文按 CC BY 4.0;图内 Pixel Perfection 图标与头像来自 XSSheep、Nova_Wostra,CC BY-SA 4.0。许可入口见本章链接。 · 打开大图
来源与延伸阅读