谷歌新模型输出破百万 token，长任务边界在哪

【导语】据钛媒体报道，Google DeepMind 于 9 月 30 日推出 Gemini 4 Argon，把单次输出上限从 6.4 万 token 提到 100 万 token。这一代的宣传重点不在上下文窗口，而在「一口气能写多长」。本文从发布背景、关键参数、技术原理、实测表现、局限与争议、适用场景六个维度，梳理它的能力边界与适用条件。

一、发布节奏与上一代之间的空档

Argon 是 Gemini 4 系列首款公开发布的前沿推理模型。据钛媒体报道，Google 上一代旗舰 Gemini 3 Pro 发布于 2025 年 11 月，与 Argon 相隔约 11 个月，同期 OpenAI 与 Anthropic 保持高频迭代。

发布方式值得注意：它没有第一时间进入普通用户的 Gemini 界面，而是通过 Fairwind 项目优先开放给受信任的网络安全机构。据今日头条转引 CNBC 报道，Google 表示只有在安全护栏进一步完善后，才会逐步向开发者与企业开放。

二、几个关键参数放在一起

要区分两个概念：上下文窗口决定一次能读多少，输出上限决定一次能写多少。据钛媒体报道，同行多数模型的输出上限仍在约 12.8 万 token 量级，Argon 把主要卖点放在了后者。

三、百万输出靠这三层撑起来

• 输出侧扩容：单次解码上限抬到百万 token 级，让模型能在同一条轨迹里连续生成数十万字，减少分段请求与人工拼接。
• 推理深度配置：官方列出低、中、高三档思考强度，配合统一令牌额度，适配从快速响应到长链推理的不同负载。
• 工具与执行环境：支持函数调用、代码执行、计算机使用（预览）与搜索接地，可在长任务中调用外部工具并校验结果。

据 Google 开发者文档，上下文窗口与输出上限共用同一令牌额度，全速输出默认 65,536 token，启用长解码后可到 1,048,576。长输出与长输入之间存在额度竞争。

四、跑分与内部案例说明了什么

据钛媒体报道，Argon 在 DeepSWE v1.1 上取得 77.9%，在 Vals 指数中位列第一；同一报道指出评测成绩全部来自厂商自报，且在终端操作与科学推理两项上落后于同期竞品。

落地方面，据 Google 博客介绍，Chrome 团队用 Argon 协助把核心网页处理机制从约 600 万行的旧模块中拆分出来，原本需要数月、跨越数百个文件的架构重构在数周内推进；团队由 AI 代理提交代码的比例提升了 35% 以上。这些是厂商内部案例，缺少第三方复现。

五、三个还没解决的问题

• 成绩来源单一：核心基准由厂商自报，缺少独立第三方在同一条件下复现，跨厂商直接比较的依据不足。
• 输出长不等于质量稳：长链任务中一处偏差会被后续步骤继承，中间产物仍需人工校验。
• 可用范围受限：受控发布阶段仅面向筛选过的机构，全面开放的时间表尚未公布。

另一个容易忽略的成本项是价格。优惠期定价为输入 2 美元、输出 10 美元每百万 token，据公开报道，优惠期后将调整为 4 美元与 20 美元。长输出任务的主要成本落在输出侧。

六、什么任务适合用：场景分析

【结语】Gemini 4 Argon 把标尺从「能读多少」挪到了「能写多长」，这对长周期任务的工作流组织有实际影响：过去靠分段请求维持的连贯性，现在有机会在单条轨迹内完成。但厂商自报的成绩、受控的发布节奏与输出侧的价格结构，决定了它当下的适用范围仍有限。更可靠的判断方式不是看跑分，而是拿自己最长的任务链实测一次，看中间产物还需不需要频繁接管。