Gemini 4发布,谷歌把标尺换成了每任务成本

24小时AI快讯1个月前发布 changgong
2.3K 00

谷歌的新旗舰Gemini 4 Argon正式开放了。这次官方通稿里最抢眼的一组数字,跟聪明没太大关系:一个智能体在无人值守的状态下连续工作11个小时,跑完16892项测试,提交6份优化方案,其中2份被工程师合并进了主干。

谷歌给这一代的定位是编程、专业知识工作,以及复杂任务的持续执行能力。翻成日常的说法,模型不再停在把问题回答完这一步:听懂一个目标之后,自己查资料、调用工具、修改代码、检查结果,在多个步骤之间往前推,直到这件事有个可交付的结果。

一、谷歌把「能不能交付」当成了卖点

官方展示的办公场景很典型。用户把一个装满零散项目资料的文件夹交给模型,要求整理成一份客户提案。模型按自定义技能生成演示文稿,起草邮件,把材料发出去,还为后续的客户请求设置好自动化流程。

Gemini应用里同步加了任务入口,用户可以从对话切到任务执行模式,人离开电脑之后,模型接着把活干完。Antigravity的编程界面也被整合进Gemini的macOS应用。

这些演示想说明的方向很明确:模型的价值正在按「交付」来计量。

二、真凭据在它自己的代码库里

谷歌拿自家的开源智能体框架ADK做了验证,这个Python项目大约20.5万行代码。任务是在不改接口、不影响现有行为的前提下降低运行开销,并且用测试证明优化确实有效。

结果是一段无人值守的连续工作。11个小时,涉及32个文件的6项优化方案,跑完全部16892项开源测试。工程师复核之后,其中两项被合并,一项减少了会话历史的复制开销,另一项让大型模块按需加载。ADK长会话的内存准备开销下降约40%,包导入耗时下降21%。

更大的工程量出现在Chromium浏览器项目里,Argon协助完成了一次涉及数百个文件的架构重构,原本预计数月的工作压缩到数周。优化Gemma4E2B推理程序时,它把特定配置下的吞吐量从每秒约3.79万个token提升到超过10.8万个,端到端速度达到原来的2.85倍。

放到公司内部看,过去几周Antigravity里的Argon帮团队把智能体代码提交量提升了35%以上,代码回滚次数减少近三分之一。榜单上却有落差,Argon在DeepSWE和Vibe Code Bench上很强,在FrontierSWE和Terminal-bench上仍落后于几款主要竞品。

三、计价单位换成了每任务成本

第三方Artificial Analysis的智能指数里,Argon High拿到53分,与GPT-6 Astra Max、Claude Fable5.1 Max并列。分数之外还有一组数字:同等水平下,它的平均每任务成本是1.99美元,比Astra低约39%。

首发价格也顺着这个思路走。API每百万输入token 2美元、输出10美元,粗算下来约为Opus5.5的一半、Astra的五分之一。优惠到11月30日,12月1日起输入和输出价格分别恢复到4美元和20美元。

省钱也有边界。模型不够聪明时,一个任务来回烧掉的token,可能把单价上的优势全部抵消。更该看的数字,是完成同一件事要花多少钱、要人介入几次。

抢先体验过的Ethan Mollick给出比较中肯的评价:这一代相比此前的Gemini是明显跃升,创造力、写作和使用体验都有进步,但复杂多智能体任务仍有差距,偶尔还会过于自信、犯点懒。

四、它还想把模型送进物理世界

多模态是谷歌这次最舍得展示的部分。劈柴哥放出了自家模型生成自家手机的demo,Argon直接生成了Pixel手机相关的3D场景。另一个案例里,它完全通过代码生成一套3D动态排版效果,连音乐也是生成的,没有调用预录素材,也没有用视频编辑软件。Hassabis转发巫师棋演示时,特意提到模型对物理规律和3D建模的理解。

这种空间理解能力被延伸到真实机器人身上。官方展示中,Argon看了一段人类玩沙包投掷游戏的视频,随后分析环境里的空间关系,计算全身关节运动,自主编写仿真代码,再把方案迁移到Apptronik的Apollo人形机器人上。

谷歌称,这套从视频到仿真再到现实的流程,把过去需要数周人工完成的机器人仿真建模压缩到数小时。看视频理解动作、搭建仿真环境、编写控制代码,原本是三个割裂的环节,现在有机会被一条链路串起来。

五、217页安全报告里的数字

发布页面上挂着一份217页的安全报告。评估漏洞修复能力的CWE-bench v1里,Argon拿到68%,与GPT-6 Astra同处官方对比表的最高分。Gray Swan的间接提示词注入评测中,经过15次自适应攻击尝试,攻击成功率为0.7%。

谷歌还宣布,向1万名符合条件并获选的科学家免费提供六个月的Antigravity最高使用额度。科研场景里,Argon参与设计的丝氨酸酯酶方案已经走到实验验证:数小时内完成数据整理、模型调优和候选筛选,提出5个新设计,送到实验室后均表现出较强催化活性。

六、标尺换了,选型该看什么

对要选模型的人来说,每百万token的单价正在从唯一的比较项变成一个起点。

更贴近实际的问题是三个:这项任务模型能自己跑多久不停?中途需要人接管几次?交付物按什么标准验收?把这三个问题问清楚,真实成本才算得出来。一个每百万token更贵的模型,如果在长任务上少让人干预几轮,总账可能反而更低。

Gemini 4 Argon这次押注的方向,是让模型在没人盯着的情况下把活干完,并把每任务成本做成竞争的主轴。它在自家代码库和内部工具上拿出了可核验的结果,在部分第三方编程榜单上还落后于对手,在复杂多智能体任务上也没到能完全放手的地步。

这次发布还有一个细节:安全报告的篇幅和工程案例的比重,都超过了对分数的强调。开放API先打五折、12月恢复原价这套节奏能不能换来足够的开发者,答案要等下一批真实项目的账单出来。

© 版权声明

相关文章

暂无笔记

您必须登录才能记录笔记!
立即登录
none
暂无笔记...