Gemini 4 Argon 实测：前端编程惊艳，但幻觉问题仍在

谷歌正式发布了 Gemini 4 Argon，通过 Gemini API 全球开放，并在 Gemini 应用中对 Pro 和 Ultra 订阅用户提供。这款模型定位为应对编程、金融、法律、网络安全和科学领域最复杂现实任务的前沿模型。定价方面，输入每百万 Token 2 美元，输出每百万 Token 10 美元，上下文窗口达 100 万 Token，目前是优惠体验价，推广期结束后将会上涨。

多模态能力：视觉任务全面领先

在基准测试中，Gemini 4 Argon 的总排名达到第五，考虑到它涵盖了编码和其他所有基准类别，这个成绩相当有分量。多模态方面尤为突出——在目标检测任务中排名第一，即使在密集复杂场景中也能给出精确的边界框。文本提取同样领先，处理微小文本、手写内容、复杂表格甚至旋转文本时，准确率令人印象深刻。

模型在 3D 输出上的表现也可圈可点。有一段演示完全由 Gemini 4 Argon 生成，没有使用任何外部工具或素材，展示了它在智能体式编写视觉 3D 素材方面的娴熟程度。这种能力在智能体编程中并非最关键，但结合其低廉的价格和快速响应，Argon 可能是当前阶段的理想日常选择。

多模态基准测试通常以 MMU、DocVQA、ChartQA、RefCOCO 等数据集为核心，分别考察跨模态理解、文档解析、图表问答和视觉定位能力。所谓“总排名第五”，一般来自 LMArena 或 OpenCompass 这类聚合榜单，它们把编码、数学、视觉、长上下文等类别加权平均，因此一个模型能在涵盖编码的榜单上进入前五，往往意味着没有明显短板。值得注意的是，“目标检测排名第一”评价的是模型直接输出边界框坐标的能力，这与传统视觉模型依靠专用检测头不同，更考验模型对空间坐标的原生理解；而文本提取领先则涉及文档布局分析、手写识别和旋转校正，是 OCR 场景落地的关键指标。

前端编程：速度与美学的双重优势

前端开发是 Gemini 4 Argon 真正擅长的领域。在首次前端编程挑战中，Argon 对阵 OPUS 5，使用 Devancy Live 配合高推理模式测试。结果显示：OPUS 5 耗时约 30 分钟、花费约 12.5 美元；Argon 仅用约 15 分钟、花费约 5 美元。不仅快一倍、便宜 60%，画面还更绚丽细致。在饱和度与生动性上，Argon 世代的表现明显优于 OPUS 世代。

SVG 动画方面，Argon 比 GPT-6 Astra 表现更好，每个 SVG 动画生成约需 5 分钟。不过在 SVG 整体领域，它仍不及 OpenAI 5.5 和 Fable 55 等顶尖模型。用 PS5 手柄做 SVG 测试时，Argon 的输出相当准确，但飞波 55 的成果令人惊叹，完全碾压。

Gemini 4 Argon 还能创建交互式元素周期表，元素本身带有精美动画效果，流畅度和响应性俱佳。另有演示展示了将杂乱文件夹中的食谱、座位表等零散信息直接生成精美客户演示文稿，甚至起草邮件并建立自动化流程。

SVG 动画生成是衡量模型空间推理与代码精度的高难度任务：模型需要在没有可视化反馈的情况下，仅凭文本描述编写出正确的路径数据、变换矩阵和时间轴关键帧。路径指令如 M、C、Q、A 稍有偏差，图形就会扭曲；动画时序若与 viewBox 不匹配，还可能出现裁剪或错位。因此“用 PS5 手柄做 SVG 测试”这类任务实际考察的是模型把实物形态抽象为几何指令的能力。另一方面，前端编程的经济性差异不仅来自模型推理速度，也与输出 Token 数量、是否反复自我纠错有关——Argon 用更少迭代完成更绚丽页面，说明其一次生成成功率更高，这直接决定了智能体编程的实际成本。

3D 与视觉编程的边界探索

在 3D 和视觉编程任务中，Argon 展示出整合艺术设计与空间推理的能力。一个演示以独特的空间图形档案风格展现密封的日常生活，细节非常丰富。更令人惊讶的是，OpenAI 5.5 能通过单个 Python 文件完成黑洞模拟，准确描绘引力透镜效应和吸积盘，这需要模型进行严肃的数学和空间推理，目前 Argon 在这一领域尚未达到同等水平。

我的世界克隆测试中，Argon 在 CLI 里完整编码花了约一小时二十分钟，迭代约三次才得到输出，加入了音乐和种子掉落等功能，但界面不如原版吸引人，模型运行也不太正常。另一个亮点演示是苹果电脑互动博物馆：Argon 没有仅仅生成基础网站，而是主动收集档案中的 Apple 产品、获取照片、编写图像清理工具、汇集近五十年来的 Apple 电脑规格，并打造交互式 3D 翻页封面体验。令人惊叹的不是视觉设计，而是模型在整个过程中积累的自主研究量。

现实任务中的可靠性隐忧

尽管演示令人惊艳，但 Argon 未必能反映在现实任务中的稳定表现。该模型的可靠性仍存疑——很多人用它做了现实任务，但 Argon 确实错了很多，还经常像早期 Gemini 模型那样产生幻觉，编造内容。

谷歌称 Argon 帮助重构了 Chrome 庞大的代码库，短短几周完成了数月工程，还将内部智能体代码提交量增加超过 35%。这些数据听起来很好，但实际开发与基准测试之间的差距仍需更多长期运行和事实准确性测试来验证。

AI 行业动态：新模型密集登场

Anthropic 似乎准备比预期更早发布 Cloud Fable 5.5。该模型通过自动化的 TrueFoundry 模型列表被发现，标识符为微软 Foundry Cloud 预言 5.5，还在微软 Azure 东部 USR 基础设施上发现了单独的 LiteLM 条目，表明可能已在幕后部署准备，或许本周末前发布。

OpenAI 可能正准备发布 GPT-6 Astra 的继任者，据称命名为 GPT-6.1 Sol 特拉，内部代号为 GPT-6.1 SL 特拉。知名爆料人称 OpenAI 计划在 28 天发布期内推出这款旗舰推理模型的重大更新。

谷歌方面，据报道正在准备纳米香蕉 3 Pro，可能由 Gemini 4 Argon 驱动，内部称为 Gempix，可能在 11 月至 12 月之间发布。考虑到谷歌之前图像生成模型的惊艳表现，新版本在图像质量、文字渲染和一致性方面的改进值得期待。

AI 自我复制：值得认真对待的安全议题

Anthropic 发表了一篇研究论文，探讨 AI 模型能否在没有数据中心的情况下自我复制到日常智能设备上。结果显示：一个相对较小的 90 亿参数模型成功在测试的 9 种硬件类型中的 8 种上完成了 AI 推理设置。Anthropic 甚至成功在 15 台廉价 Android TV 盒子上运行了一个 260 亿参数的模型。更疯狂的是，JLM5.2 成功在模拟器网络上完成了端到端复制实验，尽管研究人员刻意简化了安全屏障。

这并不意味着如今已有全自动 AI 蠕虫在互联网上传播，但 Anthropic 相信小型模型到年底就能达到所需能力。我们不应将其视为标题党或散布恐慌而加以否定——AI 代理日益能够适应陌生环境、执行复杂任务、甚至可能自我复制，这对网络安全的影响无疑是巨大的。时间线仍不确定，但这类研究值得关注，并确保对这些模型施加一定限制。

AI 自我复制指模型在无需人类介入的情况下，将自身权重、推理环境甚至控制逻辑复制到新的硬件上。Anthropic 实验中提到的“9 种硬件类型中 8 种成功”，意味着模型能自主识别不同设备的架构、安装依赖、配置推理框架，这已超出传统漏洞利用的范畴，更接近自主智能体的环境适应能力。若与提示注入、权限提升等攻击手法结合，理论上可形成无需 C2 服务器、直接寄生在 IoT 设备上的新型恶意软件。当前实验刻意简化了安全屏障，但这正说明风险窗口取决于防御强度而非模型能力上限。行业需要在模型权重加密、设备 attestation、异常算力占用监测等层面提前布局，而不是等到 90 亿参数模型在消费级设备上跑通后再补救。

总结

Gemini 4 Argon 是谷歌交付的一款非常强大的前沿模型，尤其在可视化编程、3D 生成、多模态理解方面表现出色，凭借当前定价适用于多种工作流，但还不能称之为最佳模型。演示令人惊艳，但可靠性和事实准确性仍需更多测试验证。话说回来，Anthropic、OpenAI、谷歌的新模型密集登场，AI 自我复制的研究也为行业敲响了安全警钟。