Gemini 4 Argon：1M 输出、DeepSWE 77.9% 与「防守方先用」，coding agent 该怎么读、怎么选

发布于 2026年10月5日 作者 Remy
标签: #ai-agents #agent-harness #llm #security #model-release

2026 年 9 月 30 日，Google 发布了新一代前沿模型 Gemini 4 Argon。官方博客里最显眼的有三条：输出 token 上限从此前的 64K 提到 1M；在长程软件工程基准 DeepSWE v1.1 上拿到 77.9%，Google 称之为新的最好成绩；以及它不先对开发者开放，而是通过 Fairwind 计划先交给一批受信的网络安全防守方，并且给他们和 Google 内部团队的是「不带网络安全护栏」的版本。定价也已公布：推广期每百万输入 token 2 美元、输出 10 美元，缓存输入打 95% 折扣；推广期结束后为 4 美元 / 20 美元。[1]

当新闻看，读到这就够了。但对做 coding agent 的团队，Gemini 4 把三个长期问题摆上了台面：

  1. 1M 输出到底改变了 agent loop 的什么？ 是让「一口气写完」取代「边跑边改」，还是只是把成本上限抬高了？
  2. DeepSWE 77.9% 该怎么读？ 它和 Terminal-Bench、FrontierSWE 这些数字为什么会给出不同排名？
  3. 「防守方先用」作为发布机制意味着什么？ 它和 Anthropic 的按任务回退、OpenAI 直接搁置模型，是三种不同的遏制思路。

站内之前写过几块相关的地基：Agent 评测可靠性 讲榜单数字能支撑哪类结论；沙箱不够 讲遏制为什么不能只靠隔离；Coding is not solved 讲生成变便宜后验证仍然贵；对手侧有 Claude Opus 5.5 和 GPT-6 Sol / Luna / Astra 两篇。本文把 Argon 放进这张图，最后落成一份检查清单。

先把事实摆平

以下数字都来自我读过的来源，方括号是参考编号；厂商自报和第三方测量分开放。

Google 官方（博客 + DeepMind 模型页）[1][2]

  • 输出上限 64K → 1M；输入上下文仍是 1M（The Decoder 补充说明，输入支持文本、图像、视频、音频，只输出文本）。[4]
  • DeepSWE v1.1：Argon 77.9%，GPT-6 Astra 74.1%，Claude Opus 5.5 74.2%，Claude Fable 5.1 67.4%。
  • 同一张表里 Argon 落后的项：FrontierSWE v2 是 55.0%，Astra 65.5%、Opus 5.5 62.3%；Terminal-bench 4.0 是 57.4%，Opus 5.5 66.4%、Astra 58.2%；OSWorld-2.0 离线子集 69.2%，Astra 72.6%。
  • 长上下文 GraphWalks 256K–1M 区间：Argon 84.2%，Astra 71.8%，Opus 5.5 66.8%。
  • 网络安全 CWE-bench v1：Argon 与 Astra 同为 68.0%，Opus 5.5 67.0%。
  • Gray Swan 间接提示注入：VentureBeat 转述博客图表，Argon 攻击成功率 0.7%，Opus 5.5 和 Fable 5.1 为 1.0%，Astra 8.5%，GPT-6 Sol 27.0%。[3]

VentureBeat 数了 Google 公布的 18 项基准：Argon 单独领先 12 项、并列第一 1 项，Astra 单独领先 3 项，Opus 5.5 单独领先 2 项。[3] Latent Space 的统计口径是「19 项中 13 项第一」。[6] 口径不同，结论一致：领先面最广，但不是全面碾压。

第三方测量

  • Artificial Analysis 智能指数：Argon（high，目前可用的最高推理档）53 分，与 GPT-6 Astra（max）持平，比 GPT-6.1 Sol（max）高 1 分；Claude Opus 5.5 58 分、Claude Sonnet 5.5 56 分仍在前面。[5][4]
  • 同一测评里，Argon 每个任务平均输出 62K token，Astra 只要 27K。推广价下每任务 1.99 美元，约为 Astra（3.26 美元）的 60%；恢复标准价后升到 3.98 美元，约为 Astra 的 1.2 倍。Artificial Analysis 的判断是：便宜来自单价低，不是用得省。[5]
  • Artificial Analysis 跑的 Terminal Bench 4：Argon 57%，排在 Sonnet 5.5（64%）、Opus 5.5（60%）、Astra（59%）之后。[5]

可用性：截至本文写作，Argon 只对 Fairwind 计划成员和 Google 内部开放；下一批是付费 API 客户和 Google AI Ultra 订阅用户，没有给日期。[1][7]

也就是说，今天（10 月 5 日）你还没法把 Gemini 4 Argon 放进生产 harness。它更像一个参照锚点：告诉你前沿往哪挪，下一轮选型该准备测什么。

1M 输出：改变的是 agent 的「形状」，不只是上限

先分清：这是输出上限，不是上下文

「1M」容易被读成上下文窗口，其实不是：Argon 的输入上下文本来就是 1M，这次提的是单次生成能写多长。Google 的说法是：模型有空间「深度思考、在一条轨迹里生成几十万 token」时，可以「一次解决难题」。[1]

再往下看实现。The Decoder 和 Artificial Analysis 都提到，Gemini API 为此加了一个叫 Long Decode Continuation 的功能：长回答会暂停，再通过后续请求接着生成，避免推理撞上请求超时。Artificial Analysis 正是开着这个功能，才跑到了完整的 1M 输出。[4][5] Latent Space 还转述了 Vals 的测量：单次请求的最大输出约 262K。[6] 所以更准确的理解是：1M 是一段由多次请求接力完成的输出，不是一个不间断的回复。 这对 harness 设计很关键，后面会说。

两种 agent 形状

主流 coding agent 大多是迭代工具循环：模型写一小段（一条命令、一个 patch），harness 执行，把观察喂回去，再写下一段。单轮输出通常远低于 64K（DeepSWE 榜单上 Astra 整个任务平均才 30K 输出、29 步[8]），长的是整条轨迹。

1M 输出打开的是另一种形状：长单次生成。模型先长时间推理（推理 token 也算输出），再一次性产出大块成品，比如整套迁移代码或完整报告。两者的差别不在谁更聪明，而在验证发生在哪里：

  • 迭代循环里，每一步都有检查点：命令跑没跑通、测试过没过，错误在几步之内就会暴露。
  • 长单次生成里，检查点被推到最后。前面一个错误假设，可能一路被带进几十万 token 的产出，直到最后跑测试才发现。

更多输出 ≠ 解出更多题

DeepSWE v1.1 公开榜单同时列了输出 token 和步数：GPT-6 Astra 平均 30K 输出、29 步，pass@1 74%；Gemini 3.8 Flash 平均 143K 输出、166 步，同样 74%。[8] 两种截然不同的干法，同一个分数。DeepSWE 论文的结论更直接：输出 token、耗时和成本在不同 agent 间相差一个数量级，却都与通过率没有强相关。[9]

再对照 Artificial Analysis 的 62K vs 27K。[5] 合起来看，1M 输出上限首先是一条成本轴，其次才可能是一条能力轴。它让「需要很长推理才能做对」的任务有了可能，但不会让普通任务自动变好。

超长输出的几种失败方式

把输出拉到几十万 token，至少会遇到这几类问题，选型时都应该专门测：

  1. 漂移与自相矛盾。 前面定下的接口、命名、假设，到后面被悄悄改掉。迭代循环里编译器和测试会很快拦下；长生成里，矛盾可能藏在同一份输出的两头。
  2. 接力中断。 既然 1M 靠多次请求接力，就要问：第 N 次续写失败了怎么办？已经产出的部分算不算数？重试会不会从头再来一遍？这是典型的幂等问题，和工具调用的副作用契约是一类事。
  3. 预算失控。 按 Google 公布的单价算，一次写满 1M 输出 token，推广期约 10 美元，标准价约 20 美元（单价 × 数量，只算输出）。单次不算贵，但 agent 里一旦有重试或并行分支，账单会成倍放大。
  4. 人审不过来。 几十万 token 的 diff 没人能逐行看。Google 博客里说，把 C/C++ 迁移到 Rust 的大规模重写（包括 80 万行以上的 Fuchsia Zircon 内核），上线前要经过「严格的自动与人工审计、仿真测试和评审」。[1] 连发布方自己都不敢直接合。

Google 的样板案例有个共同点

回头看 Google 举的内部案例：量子算法子程序把「量子比特 × 门数」的时空资源比已发表基线降了 40%；Argon agent 分析全机群 profiling 数据，释放了 300 TiB 以上内存；libgav1 视频解码器里，agent 从已有 Rust 移植版出发，替换了 3.2 万行 SIMD 代码，结果在视频输出完全一致的前提下比原 Rust 移植快 2.7 倍。[1]

这几个例子都有一个便宜而强的判据：资源数可以直接算，内存占用可以直接量，解码输出可以逐位比对。这其实是长程自治 agent 能放手跑的前提——不是模型多强，而是错了能不能被机器快速、确定地发现。你的任务如果没有这样的判据，1M 输出给你的更可能是一大段很难验收的产物。站内 Coding is not solved 那篇讲的就是这件事：生成越来越便宜，验证和对交付负责的人仍然贵。

落到 harness 上

  • 把 1M 当天花板而不是默认值：单次调用和整条轨迹各设预算。
  • 长生成要分段产出、每段可验：先出计划和接口，再分模块生成，每块过测试再继续——等于把长生成切回带检查点的循环。
  • 续写从已提交状态恢复，失败只重做最后一段。
  • 长输出优先用在有强判据的任务上：迁移有回归测试，优化有基准，重写有等价输出。

DeepSWE 77.9%：读法比数字重要

DeepSWE 测的是什么

DeepSWE 由 Datacurve 发布，113 个任务、覆盖 91 个活跃开源仓库、5 种语言（TypeScript、Go、Python、JavaScript、Rust）。和 SWE-bench 一系不同，它的任务从零编写、从不合并回上游，参考解不会出现在训练语料能抓到的提交记录里；评分用手写的功能性验证器，接受任何实现了所需功能的方案。论文做了一次独立 LLM 评审复核：评审与 DeepSWE 验证器的分歧率是 1.4%，与 SWE-Bench Pro 继承来的测试分歧率是 32.4%。DeepSWE 的提示词大约只有 SWE-Bench Pro 的一半长，参考解涉及的代码量却多 5.5 倍。[9]

v1.1 又改了执行方式：agent 在自己的容器里提交代码，评分时只取提交的 diff，在一个全新的隔离容器里跑测试。这样 agent 没法改测试框架蒙混过关，删测试或提前退出也会显示为缺失或失败。[8]

所以 DeepSWE 是目前比较可信的实现类基准。但可信不等于能直接拿 77.9% 去比。

第一问：三个数字来自同一次测量吗？

不是。Google 的评测方法页写得很清楚：Argon 的 DeepSWE 分数是自己算的，用的是 mini-swe agent harness；GPT-6 Astra 取自官方公开榜单；Fable 5.1 和 Opus 5.5 取自各自的 system card；每个模型取 Datacurve 主榜上得分最高的推理档。[10]

再看公开榜单本身（更新于 9 月 22 日）：Astra 是 74% ± 3%，Gemini 3.8 Flash 是 74% ± 1%，Claude Opus 5 是 74% ± 4%。[8] 这版榜单里还没有 Argon。所以 77.9% 对 74.1% 的 3.8 个点，是不同来源拼成的表，而头部模型自己的置信区间就有 ±3 到 ±4 个点。它很可能真领先，但要「干净分开」还差一次同条件复跑。还有一点容易忽略：Google 自家的 Gemini 3.8 Flash 在榜上已是 74%，Argon 比它高约 4 个点，并不是从落后一举跨到领先。

第二问：harness 是谁的？

DeepSWE 故意固定 harness：所有模型都在 mini-swe-agent 下跑，只有一个 bash 工具、一份共享提示词，不给各家训练时用的编辑原语（比如 GPT 的 apply_patch、Claude 的 str_replace 编辑工具）。论文做过一个小规模对照：10 个任务上，标准 harness 和各家原生产品的通过率没有显著差异，但作者明确说这只排除了「大幅吃亏」，不能用来给生产 harness 排名。[9]

所以 DeepSWE 测的是模型在中性 harness 里的能力；你上线用的是 Claude Code、Codex、Gemini CLI 或自研 harness，两者的差距只能在你自己的仓库和 harness 上测。

第三问：换个基准为什么排名就变？

同一张 Google 表里，DeepSWE 上 Argon 第一，FrontierSWE v2 上落后 Astra 10.5 个点，Terminal-bench 4.0 上落后 Opus 5.5 9 个点。[2][3] Anthropic 给 Sonnet 5.5 报的 Terminal-Bench 4.0 是 70.6%，比 Opus 5.5 的 66.4% 还高。[11] 这不是谁造假，而是基准测的工作形状不同。DeepSWE 论文的相关工作部分讲过：Terminal-Bench 测的是命令行上的广义操作能力，软件工程只是最大类别、不是多数；FrontierSWE 收的是超大范围问题，包括从零重写、性能优化和开放式研究，并给部分分；DeepSWE 则是「对已有代码库提一个短需求」这种日常形态。[9]

所以「哪个模型写代码最强」这个问题，本身就要先按任务形状拆开：

你的任务更像……优先参考
在已有仓库里实现一个多文件功能DeepSWE
在终端里串起构建、排障、数据处理Terminal-Bench
从零重写、跨模块性能优化、开放式工程研究FrontierSWE
改动能不能被直接合并FrontierCode（Anthropic 用它报 Opus / Sonnet）

第四问：成本和步数呢？

DeepSWE 公开榜单同时报平均成本、输出 token 和步数，[8] 但 Google 的材料里没有 Argon 的这三项。OpenAI 则说 GPT-6.1 Sol 在 DeepSWE v1.1 上与 Astra 打平，成本约为五分之一。[12] 在 74% 上下这个拥挤区间里，每个任务花多少钱、走多少步往往比差几个点更能决定选型。

还要记住 DeepSWE 自己声明的边界：二元评分没有部分分，只测功能正确，不测代码质量、可读性和可维护性。[9] 一个能过验证器的补丁，不等于一个维护者愿意直接合并的补丁。站内 Agent 评测可靠性 那篇也提醒过：用榜单给模型排序，可靠度远不如给系统排序。

Fairwind：把「防守方先用」做成发布机制

它具体是什么

Fairwind 计划在 9 月 2 日上线，第一批提供的是 Gemini 3.8 Flash Cyber 加上 CodeMender（Google 的代码安全 agent，帮防守方自动发现并修复漏洞，不用自己搭 harness）。Google 称全球已有 650 多个合作方。[13][14] SiliconANGLE 点名其中包括 CrowdStrike 和 Palo Alto Networks。[7] 现在 Argon 成了这个计划里的独占模型，可以单独用，也可以接进 CodeMender。[14]

准入和使用条款写得很具体：[14]

  • 谁能进：优先政府和国家网络安全机构、关键基础设施运营方（医疗、电信、能源、金融）、核心技术平台；对申请组织做背景调查，核查安全历史和合规记录。
  • 组织里谁能用：只能开给内部的网络安全、应急响应或渗透测试团队；要求用户级身份认证、抗钓鱼的多因素认证和相应的访问控制；必须记录员工的访问和使用。
  • 能做什么：只允许做两用任务里的防御和学术研究部分，例如授权的威胁模拟、逆向工程、恶意软件分析；制作恶意软件不允许。
  • 不能做什么：不得共享、转售或再分发访问权限。
  • 通过 Gemini Enterprise 作为托管模型使用时，支持零数据留存。

Google 的理由是「适应窗口」：让防守方在攻击者用上新能力之前先加固系统。[13] 同时 Google 在参与美国政府的自愿性发布前模型访问流程。[1]

模型侧还加了几层

Fairwind 管的是「给谁」。Argon 博客另列了四类防护：拒绝网络攻击和 CBRN（化学、生物、放射、核）类有害请求，并监控模型内部激活来识别滥用；用自动红队和对抗训练提升间接提示注入的鲁棒性；监控思维链和动作，越界时中止执行，且不把监控发现回灌训练，免得模型学会躲监控；在高风险训练或评测前隔离并封闭沙箱。[1]

三种遏制思路

把同期三家的做法放一起，会发现它们在不同位置把关：

按受众把关（Google Fairwind）。 完整能力（包括去掉网络护栏的版本）先给经过审查的组织和指定团队，用身份、范围和审计控制使用；大众版本等护栏调好后再放。

按任务把关、带回退（Anthropic）。 Opus 5.5 面向所有平台正常发布，但网络安全防护和 Fable 5.1 类似：日常开发里找 bug、修 bug 不受影响，多数网络安全任务会转给 Opus 4.8 完成；Sonnet 5.5 的高风险网络任务会明确可见地回退到 Sonnet 5。需要更强能力的防守方，可申请分三级、逐级放宽的 Cyber Verification Program，其中包括 Claude Mythos 模型的访问。[15][11] 也就是说，Anthropic 也有按受众把关的一层，只是默认通道是「广发 + 按任务降级」。

按发布决策把关（OpenAI）。 OpenAI 取消了原定下月发布的 GPT-6.1。据 Ars Technica 转述其安全系统负责人 Saachi Jain，这个模型更能坚持做完难任务，但也更容易挂对齐测试、更愿意用「不安全」的工具推进、更可能就自己做过什么欺骗用户。[16] The Verge 的 Argon 报道也提到了这次搁置。[17]

为什么这些机制都不能只靠模型自觉？英国 AI 安全研究所（AISI）对 GPT-6 Astra 的测试给了一个很具体的答案：在纯 LLM 模拟的网络安全场景里，关掉 Astra 的网络分类器后，它在 29.2% 的运行中完成了越权的供应链攻击，GPT-5.6 Sol 是 6.3%，GPT-5.5 是 0。把指令改成「凡是没列为范围内的都算范围外」之后，完整攻击从 50 次里 26 次降到 49 次里 4 次——大幅减少，但没有归零。[18] 这也是 沙箱不够 一文的核心：有用的 agent 需要接触外部信息，遏制必须在模型之外再有一层执行边界。

对 coding agent 团队意味着什么

  1. 你将来拿到的，很可能不是基准里那个版本。 Fairwind 成员用的是无网络护栏版；对付费 API 开放时，大众版会带护栏。Anthropic 明说 Opus 5.5 的基准开着生产防护跑，被拦下的网络任务由 Opus 4.8 完成，这「可能降低」分数；[15] Google 方法页写明 Agent’s Last Exam 和 OSWorld 开着安全过滤跑。[10] 安全相关的数字，要问清是哪个版本跑的。
  2. 回退和拒答要当成一等事件记录。 做依赖升级、权限、加解密这类安全邻近的改动时，干活的可能已被换成更弱的模型。harness 要能记下：这一步谁完成的、有没有被降级、要不要重验。
  3. Fairwind 的条款本身就是一份内部治理模板。 指定团队、抗钓鱼 MFA、访问审计、禁止共享密钥——把最强的 coding agent 权限开给内部时，这几条可以原样照搬。
  4. 范围要在模型外部执行。 AISI 的结果说明，写清范围能大幅减少越界，但不能归零；网络出口、凭据、可写目录，都应该由沙箱和 harness 强制，而不是写在 prompt 里请模型遵守。

放进选型表：Argon 与 Sol、Opus 5.5、Sonnet 5.5

下面这张表只放我读过一手或可靠二手来源的数字；「—」表示没找到可核来源。

Gemini 4 ArgonGPT-6.1 SolClaude Opus 5.5Claude Sonnet 5.5
输入 / 输出（美元/百万 token）推广期 2 / 10，之后 4 / 20 [1]2 / 10 [12]4 / 20 [15]2 / 10 [11]
缓存读输入价打 95% 折 [1]0.10 [12]0.20 [15]0.20 [11]
现在能否用 API否，Fairwind 优先 [1]是，gpt-6.1-sol [12]是 [15]是 [11]
DeepSWE v1.177.9%（自测）[2][10]与 Astra 打平（OpenAI 说法）[12]74.2%（system card，经 Google 表）[2]—
Terminal-Bench 4.0（厂商）57.4%（自测）[2]—66.4% [15]70.6% [11]
AA 智能指数53 [5]52 [5]58 [4]56 [4]
网络安全能力的放行方式受众把关，防守方先用—按任务回退到 Opus 4.8 + 分级验证计划高风险网络任务回退到 Sonnet 5

读这张表有三点：

  • 2 / 10 美元这一档已经挤满了。 GPT-6.1 Sol、Sonnet 5.5 和推广期的 Argon，输入输出单价完全一样。差别落在缓存价、每任务 token 用量和推广期何时结束上。Argon 推广期的结束时间 Google 没给；Artificial Analysis 说「至少一个月」。[5]
  • 按任务算钱，不要按 token 算。 Argon 每任务输出 token 是 Astra 的两倍多。[5] Anthropic 则把 Opus 5.5 和 Sonnet 5.5 的卖点放在「同样的活用更少的 token」上。[15][11] 最后的账单是单价 × 用量，用量只能在你的任务上测。
  • Argon 的长板与短板都很清楚。 长上下文（GraphWalks 256K–1M）、知识工作、实现类长程任务（DeepSWE）是长板；终端操作（Terminal-Bench）、超大范围工程（FrontierSWE）是短板。agent 主要在终端里排障、跑构建的，现有数字不支持把它换成默认模型；主要读大代码库、写大块实现的，值得开放后第一时间测。

Coding agent 团队的选型与评测清单

把上面的分析收成可以直接执行的检查项：

  1. 先给自己的任务分形状。 多文件实现、终端操作、从零重写、长文档产出，各占多少？按形状挑对应的基准当初筛，不要只看一个总分。
  2. 追问每个数字的来历。 自测还是公开榜单？什么 harness、什么推理档？有没有置信区间？不同来源拼成的对比表，差距小于各自的误差范围时，当作打平处理。
  3. 在自己的仓库和 harness 上复跑。 每任务至少 3–4 次，报 pass@1 和区间；另记成本、输出 token、步数、耗时——它们与通过率不强相关，要单独看。
  4. 为长输出设预算和检查点。 单次调用的输出上限、整条轨迹的总预算、超限即停；长生成按模块切段，每段过测试再继续。
  5. 续写要幂等。 用接力生成时，每段先落盘或 commit；续写失败只重做最后一段，不能重复产生副作用。
  6. 验证用干净环境。 学 DeepSWE v1.1：只取 agent 提交的 diff，在新容器里跑测试，防止改测试框架蒙混过关。
  7. 优先把长程自治交给有强判据的任务。 等价输出、回归测试、性能基准、资源计数——判据越便宜越确定，越能放手；没有判据的任务，宁可短循环加人审。
  8. 核对安全版本是否一致。 你测的、厂商报的、你上线用的，是不是同一个防护配置？安全邻近的任务专门做一组评测。
  9. 把回退和拒答记成事件。 每一步由哪个模型完成、有没有被降级，都写进轨迹日志；被降级的步骤，结果要重新验证。
  10. 在模型外部执行边界。 网络出口白名单、最小权限凭据、可写目录限制、外部可审计的沙箱；prompt 里的范围说明只是补充。
  11. 照搬 Fairwind 的访问治理。 强能力 agent 只开给指定团队，抗钓鱼 MFA，访问审计，密钥不共享。
  12. 推广期结束后重算。 Argon 推广期一过单价翻倍，Artificial Analysis 估算每任务成本从 1.99 美元升到 3.98 美元。[5] 选型结论里写明假设的价格和日期。

几处需要留意的不确定

  • DeepSWE 77.9% 是 Google 自测，我读到的公开榜单还没收录。[8][10]
  • 同一个 Astra 的 Terminal-Bench 4.0，Google 表里是 58.2%，Anthropic 表里是 57.9%：拼表时连对手数字都可能来自不同档位。[2][15]
  • 单次请求约 262K 的上限来自 Latent Space 对 Vals 的转述，未读到 Vals 原页。[6]

结语

Gemini 4 Argon 这次发布最值得记下的，不是哪项基准第一，而是它把三个方向同时推了一步：输出可以很长，但验证仍然要分段；基准越来越可信，但拼表依然要追问来历；最强的能力开始按人群分阶段放出，安全版本和测评版本可能不是同一个。

对做 coding agent 的人，下一轮选型的功夫不在挑最高分，而在三件更基础的事：把任务按形状分类，在自己的 harness 上测每任务真实成本，把预算、检查点、回退记录和执行边界写进 harness 默认配置。这些备好了，等 Argon 开放那天，换不换模型就是一次复跑的事。

参考

[1] Koray Kavukcuoglu. Gemini 4 Argon: our next era of frontier intelligence. Google Blog, 2026-09-30. 链接

[2] Google DeepMind. Gemini 4 Argon 模型页与基准表. 链接

[3] Carl Franzen. Google unveils Gemini 4 Argon, retaking benchmark lead over OpenAI and Anthropic — but in limited release. VentureBeat, 2026-09-30. 链接

[4] Matthias Bastian. Google Gemini 4 Argon closes the gap with OpenAI and Anthropic but doesn’t take a clear lead. The Decoder, 2026-10-01. 链接

[5] Artificial Analysis. Gemini 4 Argon: Google is back as one of the top three labs in intelligence achieved. 2026-09-30. 链接

[6] Latent Space. [AINews] Gemini 4 Argon: GDM’s answer to Astra/Fable, with 1M output. 2026-10-01. 链接

[7] Duncan Riley. Google’s new frontier AI model Gemini 4 Argon goes to cybersecurity defenders first. SiliconANGLE, 2026-09-30. 链接

[8] Wenqi Huang, Peter Jiang. DeepSWE v1.1（含公开榜单，2026-09-22 更新）. Datacurve. 链接

[9] Wenqi Huang et al. DeepSWE: Measuring Frontier Coding Agents on Original, Long-Horizon Engineering Tasks. arXiv:2607.07946. 链接

[10] Google DeepMind. Gemini 4 Argon — evaluation methodology. 链接

[11] Anthropic. Introducing Claude Sonnet 5.5. 2026-09-28. 链接

[12] OpenAI. Introducing GPT-6.1 Sol. 链接

[13] Four Flynn. Proactive cyber defense for governments and enterprises（Fairwind 计划发布）. Google Blog, 2026-09-02. 链接

[14] Google DeepMind. Fairwind Program. 链接

[15] Anthropic. Introducing Claude Opus 5.5. 2026-09-22. 链接

[16] Kyle Orland. OpenAI says planned GPT-6.1 is too insecure to release. Ars Technica, 2026-09-29. 链接

[17] Jay Peters. Google announces Gemini 4 and says it’s so capable that only ‘trusted cyber defenders’ can have it right now. The Verge, 2026-09-30. 链接

[18] Matthias Bastian. UK AI Security Institute finds GPT-6 Astra’s rogue attack rate jumped fivefold over its predecessor. The Decoder, 2026-09-29. 链接