Gemini 4 可以一次性写一百万个 token：产品已经不再是聊天，而是长时间的自主工作

Source: https://www.xataka.com/robotica-e-ia/gemini-4-puede-escribir-millon-tokens-sentada-producto-no-chat-sino-trabajo-largo-autonomo

直到本周，Gemini 系列模型的单次响应最多只能生成 64,000 个 token。Google 昨晚发布的 Gemini 4 Argon 将这一上限提升到了一百万（https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/）。为了实现这一点，API 引入了一项新功能：将超长响应暂停，并在后续调用中继续生成，因此当请求耗尽时间时，模型不会半途而废。

为什么这很重要。一百万个 token 大约相当于 75 万个单词。这个容量装得下《战争与和平》，还能再塞进一本《百年孤独》。但 Argon 的这一限制并不是为了写一部关于拿破仑战争的俄国小说。Google 提高上限，是为了让模型能够更长时间地不间断工作。因此，产品单元不再是一条“回答“，而是一整项“任务“。

发布会上的例子（https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/）大致是这样的：

• 有些 Argon 智能体正在将内部 C 和 C++ 代码迁移到 Rust，其中包括一个超过 80 万行的 kernel。
• 另一些智能体则开始分析其所有数据中心的遥测数据，并释放了超过 300 TiB 的内存（约 330 TB）。

没有人去“问“它们什么。是直接给它们布置了任务。

背景。2025 年初，根据 METR 的研究（https://shash42.substack.com/p/how-to-game-the-metr-plot），最好的模型能以 50% 的成功率完成一个人耗时不到一小时的任务。一年之后，这个时间范围已经达到了 16 到 20 小时。而 METR 也承认，超过这个范围后，他们的测试已经无法准确衡量模型能力了。

在这样的工作时长下，聊天就变成了一种类似“办事窗口“的体验：你来了，留下任务，过一会儿再回来取结果。真正重要的事情全都发生在中间那段时间，而且不需要任何人守着，更不需要有人手动操作。

Gemini 4 在基准测试中表现亮眼，再次将 Google 拉回了 AI 竞争的赛道（https://www.xataka.com/robotica-e-ia/gemini-4-arrasa-benchmarks-vuelve-a-meter-a-google-carrera-ia-problema-precisamente-benchmarks）

钱的去向。Artificial Analysis 计算（https://artificialanalysis.ai/models/gemini-4-argon）出，其指数中每项任务使用 Argon 的成本为 1.99 美元，是 GPT-6 Astra（https://www.xataka.com/robotica-e-ia/vibe-coding-al-vibe-doing-como-gpt-6-astra-openai-quiere-que-maquinas-hagan-cosas-nosotros）成本的 60%。但这里面有猫腻：

• Argon 每项任务平均消耗 62,000 个输出 token；Astra 大约消耗 27,000 个。它更便宜是因为单个 token 定价更低，而不是因为它工作得更少。
• 等发布期的折扣结束后，每项任务的成本将上升到 3.98 美元，反而比对手更贵。

三年来，行业一直在比拼单个 token 的价格，但这个数字对账单的解释力正在越来越弱。真正决定账单的是模型决定花多少 token，而这个决定权在卖方手中。就像打车：计价表贵不贵当然重要，但司机是抄近道还是绕远路同样重要，因为最便宜的那个可能反而最贵。

目前没有迹象表明 Google 在抬高 Argon 的“计价表“，但客户们将不得不按任务来报价预算，并设定花费上限，以免被账单吓到。

是的，但是。阅读一份 75 万字的回答大约需要 50 个小时。因此“监督“AI 不再意味着读完它所做的一切，而只是检查结果、检查它交付的东西。而在这里 Argon 表现欠佳：在 AA-Briefcase 这项办公室工作测试（https://x.com/ArtificialAnlys/status/2105392625788637299）中，它打破了评分标准符合度的记录，但在分析质量和呈现质量方面的评分更差。它勾选了所有方框，但这并不意味着它把工作做得更好。

此外，任务越长，走捷径的空间就越大。METR 在至少 16% 的成功执行（https://ninzaverse.beehiiv.com/p/research-ai-agents-can-code-for-days-but-they-cheat-on-hard-tasks）中发现了作弊行为，这些任务时长都在八小时或以上。Google 本身也在监控 Argon 的推理过程，一旦它偏离就将其切断，并在其代码迁移到生产环境之前进行人工审计。Google 对自己的模型，就像对待一个不太信得过的外包商一样。

那个大问题。如果出了差错，谁来负责？当 AI 只是“回答问题“时，负责的是阅读回答的人。而现在，数小时的工作没有人能逐步跟进——因为这在现实中根本做不到——责任就分散在委托方、审核方和模型销售方之间。

与此同时，专业人士将越来越少地“执行“，而越来越多地扮演客户和审计者的角色：知道如何下达任务，知道如何检查验收。这过去是项目经理的事，现在将变成任何人的事。必须打起精神来了。

接下来会怎样。三年多来，Gemini（https://www.xataka.com/basics/36-funciones-cosas-que-puedes-hacer-google-gemini）及其竞争对手一直以回答我们问题的能力来被评判，但在未来，它们将被以“在无人监督时能做什么“来评判，以及事后验证它们做了什么的成本来评判。

图片来源 | Xataka con Magnific

在 Xataka 上 | Google 已允许任何 AI 智能体控制你的家：Home MCP 的工作原理（https://www.xataka.com/robotica-e-ia/google-permite-a-cualquier-agente-ia-que-controle-tu-casa-asi-funciona-home-mcp）