Google 发布 Gemini 4 Argon 模型，以低价策略强化智能体安全防御

一句话结论

Google 推出 Gemini 4 Argon，通过内置自动化偏离监控器与极低提示注入成功率，树立智能体安全新标准。

关键要点

• Gemini 4 Argon 定价为输入 2 美元/百万 token，输出 10 美元/百万 token，缓存输入享受 95% 折扣。
• 在灰天鹅（Gray Swan）间接提示注入基准测试中，15 次自适应攻击成功率降至 0.7%。
• 工程应用中，该模型使 ADK 内存准备时间减少 40%，冷导入提速 21%，xTB 预测速度提升 2.3 倍。
• 科学领域，AlphaQubit 推理吞吐量翻倍，量子子程序时空成本降低 100 倍以上。
• 生物安全红队测试显示，低于 1% 的子任务被诱导执行，编码基准捷径尝试率仅 2%。

背景与事实

Google 官方宣布，Gemini 4 Argon 模型今日通过 Gemini API 向全球开放。该模型主要适用于 Google Antigravity、Gemini App 以及搜索 AI Mode 的订阅用户。在定价策略上，Google 采取了极具竞争力的费率：输入端成本为每百万 token 2 美元，输出端成本为每百万 token 10 美元。对于需要频繁调用模型的应用场景，缓存输入享有高达 95% 的折扣，这大幅降低了长期部署的成本门槛。在性能基准方面，Gemini 4 Argon 在 Vals 指数中位列第一，超越了当前其他前沿大模型，证明了其在综合能力上的领先地位。

在工程实践层面，Gemini 4 Argon 展现了显著的效率提升能力。该模型助力 Chrome 团队重构了数百万行代码，验证了其在大规模代码库处理中的稳定性。在开发者工具方面，Argon 提升了 Agent Development Kit (ADK) 的性能，具体表现为内存准备时间减少了 40%，冷导入速度提升了 21%。此外，在特定技术场景中，xTB 的预测速度提升了 2.3 倍，而 Gemma 4 E2B 的推理速度更是提升了 2.85 倍。这些数据表明，该模型不仅在通用能力上强大，在针对特定工程任务的优化上也具有显著优势。

科学计算与机器人领域是该模型的另一大亮点。在量子计算方面，AlphaQubit 的推理吞吐量实现翻倍，量子子程序的时空成本降低了 100 倍以上，这对于推动量子算法的实际应用具有重要意义。Gamow Labs 的评估数据显示，Argon 在 RareBench 测试中达到 57%，在 LabBench 测试中达到 52.2%，并能设计丝氨酸酯酶，耗时仅数小时。在机器人领域，Argon 在 ERQA 基准测试中得分 87%，协助 Apollo 机器人通过视频学习实现了连中七球的复杂操作。为了支持科学研究，Google 还向 10,000 名科学家提供了为期 6 个月的免费 Antigravity 高级服务。

安全性是 Gemini 4 Argon 的核心差异化特征。该模型内置了自动化偏离监控器，作为纵深防御层，能够实时读取智能体的推理与行动，拦截非预期的变通操作。在对抗提示词注入方面，Argon 经过了对抗性训练与自动化红队测试，专门针对智能体浏览网页、阅读邮件、查询代码时遇到的隐藏恶意指令。在灰天鹅（Gray Swan）间接提示注入（IPI）基准测试中，Argon 表现领先，即使经过 15 次自适应尝试，攻击成功率也降至仅 0.7%。此外，在生物安全红队测试中，低于 1% 的子任务被诱导执行；在编码基准测试中，捷径尝试率仅为 2%。这些极低的风险数据为智能体在企业级敏感场景中的部署提供了安全依据。

影响分析

对于中文开发者与从业者而言，Gemini 4 Argon 的发布标志着大模型在智能体安全领域的技术门槛被进一步抬高。首先，极低的间接提示注入成功率（0.7%）意味着基于该模型构建的智能体在处理不可信外部数据（如网页、邮件）时，安全性显著提升。这将直接降低企业在部署自动化办公、客服或数据处理智能体时的合规风险与潜在事故概率。其次，极具竞争力的定价策略（输入 2 美元/百万 token）与高达 95% 的缓存折扣，使得高频调用场景下的运营成本大幅降低，为初创企业与中型开发者团队提供了更具可行性的预算空间。

从技术落地角度看，Argon 在工程重构与科学计算中的具体性能提升数据（如 ADK 内存准备时间减少 40%）表明，该模型并非仅停留在通用能力层面，而是针对实际生产环境中的瓶颈进行了针对性优化。对于从事 AI 基础设施、代码辅助工具或科学计算应用的中文团队，这意味着可以直接利用该模型的优势，提升现有系统的效率。同时，Google 向 10,000 名科学家提供免费高级服务的举措，也预示着 AI 辅助科研正在成为主流范式，相关领域的人才将更早地接触并掌握高阶智能体工具。需要明确的是，以上分析基于来源提供的性能与成本数据推导得出，旨在评估其对实际业务场景的潜在价值。

适用边界

Gemini 4 Argon 的安全性能数据（如 0.7% 的注入攻击成功率）主要基于特定的灰天鹅（Gray Swan）基准测试与对抗性训练环境。在实际生产环境中，面对未知的、高度定制化或动态变化的恶意提示策略，该低成功率指标可能面临波动，不能绝对等同于实际零风险。此外，该模型的工程与科学性能优势（如 Chrome 代码重构、AlphaQubit 吞吐量翻倍）高度依赖于特定的任务结构与数据预处理，若用户场景缺乏相应的结构化上下文或输入数据质量较低，性能提升幅度可能不及基准测试所示。定价优势依赖于缓存命中率，对于查询高度离散、无法有效利用缓存的场景，成本优势将相应减弱。该模型目前主要面向 Google 生态内的订阅用户（Antigravity、Gemini App、搜索 AI Mode），非订阅用户或无法接入 Gemini API 的场景不适用此服务条款。

孤本观察

编辑观察认为，Gemini 4 Argon 将“自动化偏离监控器”作为内置防御层，标志着大模型竞争焦点正从单纯的推理能力转向智能体的行为可控性与安全边界。在 0.7% 的极低间接提示注入成功率背景下，该模型实质上为高风险企业级智能体部署提供了目前已知最高的技术安全护栏，这可能重新定义行业对“可用 AI”的信任阈值。

来源：InfoQ 中文 AI