Gemini 4 Argon 发布：百万输出Token与Agent自进化

Google DeepMind 正式发布 Gemini 4 Argon。在最新一期的 Release Notes 播客中，Logan Kilpatrick 与 Josh、Melvin、Sergey、Tulsi 四位核心成员展开了一场信息密度极高的对话，揭示了这款新模型的技术突破、内部测试细节以及 Google 正在形成的模型自进化飞轮。

百万输出Token：单次请求完成一个月的思考

Gemini 4 Argon 最引人注目的技术指标是行业领先的 100 万输出 token 能力。Melvin 在对话中特别澄清：这并非多步累积的上下文长度，而是在单次推理步骤中模型可以持续输出的 token 上限。

Sergey 用了一个形象的类比：如果按人类每秒思考几个 token 的速度计算，100 万 token 相当于连续思考一周以上；若扣除睡眠和日常活动，大概是一个月的深度思考量。这意味着模型在处理极难的数学证明或开放性推理问题时，不再因为输出窗口限制而被迫中断思路。

Tulsi 补充道，在高推理强度下，评测中已有相当比例的轨迹触及这一上限。此前的模型如果被限制在 64K 输出，实际上是在压缩模型的推理能力；Argon 的百万级输出窗口真正释放了模型"想深想透"的空间。

输出 token 上限与上下文窗口的区别：大模型的"上下文窗口"（context window）指模型在一次会话中能够同时"看到"的输入加输出全部 token 的总量；而"输出 token 上限"仅指模型在单次生成步骤里能够连续产出的 token 数量。二者常被混淆。此前多数模型的输出上限被压在 8K 到 64K 之间，即便上下文窗口很大，模型也必须"分步交卷"——先输出一段，再由外部框架把结果拼回输入，继续下一段。这种切分对需要长链条推导的任务（如数学证明、复杂规划）是致命的：模型在切换步骤时会丢失中间态、重复推理或提前收敛。Gemini 4 Argon 的 100 万输出 token 意味着单次推理就能一次写完极长的推理链，推理强度不再被输出窗口截断。

Agent 参与模型训练：RSI 飞轮开始转动

Sergey 透露，Argon 是第一个在模型构建过程中大规模引入 Agent 参与的版本。研发团队部署了多种 Agent 来监控关键训练运行、反馈配置错误、检查奖励尺度、定位并修补 bug、以及审查数据重复问题。

Melvin 提到一个更具标志性的变化：过去研究人员找他申请算力资源时说的是"我需要 500 块芯片"，而现在变成了"我需要 Argon 的 QPS"——他们直接用模型生成训练数据、开展研究，模型本身正在参与构建下一代模型。这种递归自我改进（RSI）的循环已经切实运转起来。

一个令人印象深刻的案例是：某工程师将长期困扰团队的硬件问题提交给 Argon，模型找到了根因——来自特定供应商的 HBM 内存存在损坏。团队拿着这个发现找到 Sunnyvale 硬件部门时，对方起初怀疑是"AI 垃圾"，但最终验证确认了问题，团队得以精准识别并隔离该供应商的所有受影响机器。Sergey 也回忆起自己当年手动排查类似内存兼容性问题花了数天的经历，感叹如今模型可以瞬间完成这类诊断。

递归自我改进（Recursive Self Improvement, RSI）：这是 AI 安全与前沿能力讨论中的核心概念，指 AI 系统参与改进自身的下一代版本，从而形成"能力越强→改进效率越高→能力更强"的正反馈循环。传统上模型迭代依赖人类研究员设计架构、调参、清洗数据；RSI 则把其中相当一部分工作交给 Agent 完成，例如自动监控训练曲线、定位数据污染、生成合成训练数据、修复训练脚本中的配置错误。一旦循环成立，迭代速度会以模型自身能力为上限而非以人力为上限。业界对 RSI 既充满期待（加速科研与工程），也高度警惕（能力失控、对齐滞后）。文中"工程师不再申请芯片而申请 Argon 的 QPS"正是 RSI 从概念走向工程现实的标志性信号。

写作风格重塑与行为对齐

Argon 在写作质量上做了针对性优化。Josh 表示团队与专业写作者合作，让他们标记模型输出中的问题，转化为训练金标准，重点解决"AI 味道"——过度列举、套路化短语、堆砌表达——让输出更简洁精准。

在行为对齐方面，Tulsi 描述了团队在多个轴向上寻找平衡点的思路：模型需要足够持久（persistent）以完成复杂任务，但不能固执到不确认歧义；需要展现思考过程以建立信任，但不能过于冗长。内部实验发现，用户在新模型上线初期会大量查看思考轨迹，随时间推移逐渐减少——这为思考轨迹的 UI 呈现方式提供了产品设计依据。新版 API 已上线更简洁的思考摘要功能。

内部测试规模空前：10 万工程师与安全前置

Josh 介绍，Argon 在发布前已经历超过三到四周的内部测试，覆盖约 10 万名 Google 工程师，这一规模超过以往任何模型的内部测试。模型还被交给网络安全防御团队，与 Wiz 公司合作通过 Scan for Good 项目识别和修补关键系统中的漏洞。

在安全层面，团队不仅向美国政府提交了模型进行测试，还在模型内部和外部同时加强了护栏与监控机制。同时，量子计算、机器人、科学等不同领域的研究人员也在各自场景中测试了模型能力。

实用场景：从 Fortran 迁移到儿童阅读应用

内部使用案例展示了 Argon 在非典型编程任务上的能力。Anti-gravity 团队用它进行 Fortran 到 Rust 的代码迁移——Fortran 代码库在全球关键基础设施中仍有大量存量，这类迁移需求真实且紧迫。Chromium 团队也在积极使用模型处理开发工作。

另一个值得关注的案例来自一位团队成员：他为教年幼的儿子阅读，让 Argon 构建一个阅读学习应用。模型没有简单地拼凑一个带发音功能的速成应用，而是先研究幼儿学习理论，将理论融入应用设计，再完成前端开发和部署。Josh 认为这体现了模型中"持久性和目标导向"的组合——先建立知识库，再执行编码任务，而非凭空生成代码。

验证与信任：模型时代的必修课

Logan 提出了一个现实问题：当人们用 Argon 完成深度调查后把结果发给他时，他的怀疑度反而更高了——因为内容听起来很有说服力，但他无法判断真伪。

Sergey 的建议是：用 AI 交叉验证 AI。模型没有"自尊心"，用 Argon 检查 Argon 不会产生偏见，但最好使用不同模型获取多样化判断。Melvin 强调要主动质疑输出——当你认真审视时，往往能发现模型出错的地方，即使不是领域专家，提出"这看起来不太对"本身就能推动更深入的验证。Josh 则建议不要满足于单次 prompt 的结果，要求分享 prompt 并持续迭代优化。

Sergey 最后揭示了 Argon 得以实现的根本原因：一是 Google 有意提升模型迭代节奏，形成每三到四周推出候选版本的快速循环；二是从 Gemini 3 到 4 之间存在无法排期的代际技术突破。而 Melvin 提到的 RSI 飞轮意味着，模型本身正成为构建下一代模型的核心工具。

用 AI 交叉验证 AI 的原理与局限：让另一个模型（最好来自不同厂商、不同训练数据分布）去审查第一个模型的输出，本质是用"独立采样"降低单一模型的系统性偏差。模型没有维护自我形象的自尊心，因此不会像人类评审那样因面子而坚持错误，这是它的优势。但这种方法并非万能：如果两个模型共享相似的训练语料或相似的错误模式，交叉验证可能"同错同对"；此外，验证方模型本身也可能被输入中的说服性语言误导（所谓"奉承偏差"）。因此实际使用中应做到三点——换模型、换提示词、换角度；把模型的输出当作待验证的假设而非结论，并结合权威一手信源做最终判断。