Gemini 4 Argon：100 万输出 token 的 Agent 成本怎么算

先给结论

Google 在 2026 年 9 月 30 日发布 Gemini 4 Argon，最显眼的一条规格是把单次输出上限从上一代的 64,000 token 提到 1,000,000 token。这个数字真正的意义不在于"模型能写更长的小说"，而在于长程 Agent 的一次任务轨迹不必再被输出额度硬生生截断。

但账单侧的结论是反的：Argon 是"每 token 便宜"，不是"每任务省"。Artificial Analysis 的测算里，Argon 完成任务平均要写约 62,000 个输出 token，而 GPT-6 Astra 只用约 27,000 个。首发折扣价下它每任务 1.99 美元，看起来只要 Astra（3.26 美元）的六成；一旦回到 $4/$20 的标准价，同一口径变成 3.98 美元，反而比 Astra 贵约两成。所以评估这类模型的正确姿势，是先算"每完成一个任务花多少钱"，而不是先看定价页上的 token 单价。

一、1M 是输出上限，不是上下文窗口

这两个数字经常被混着说，但工程含义完全不同：上下文窗口决定模型一次能读进多少材料，输出上限决定它一次能连续"做"多长的工作。

Google 官方博客只强调输出上限，并且没有公布 Argon 的上下文长度；第三方评测机构 Artificial Analysis 记录的是 1M 输入上下文、支持文本/图像/视频/音频输入、只输出文本。有媒体直接指出，1M 是"输出天花板而非输入窗口"。这个区别对预算很关键——上限声明不等于日常配额，而且输出 token 会累积进上下文，所以"1M 输入 + 1M 输出"在一条轨迹里实际上不可能同时占满。

真正让 1M 落地的是一项 API 层的新机制：Long Decode Continuation。长回答会被暂停，并通过后续调用继续生成，避免单次请求超时，从而让推理一路跑到接近 1M 的输出量。需要注意的是，Google 的发布稿里并没有给出这项功能的公开 API 契约细节；评测方 Vals 的跑分配置用的是 262,144 token 的最大输出设置，也就是说那一轮并没有真正压到宣传的 1M 上限。

二、为什么长程 Agent 需要这个数字

在没有这个额度之前，一个大规模重构任务的典型做法是：跑到输出上限 → Agent 框架中断 → 把中间状态摘要压缩 → 重新开一轮循环。每一轮压缩都会丢信息，被丢的往往正是变量命名一致性、模块间接口约定这类"全局约束"。输出窗口一宽，harness 就不再必须在半路切分任务，代码迁移这类工作可以单趟生成、全局一致。

Google 举的内部例子基本都是这个形状：把 libgav1 里约 32,000 行 SIMD 代码改写成安全 Rust，并让新版本比原 Rust 移植快 2.7 倍且视频输出一致；把 C/C++ 代码迁往 Rust 的项目从 re2 这类核心库，一路做到超过 800,000 行的 Fuchsia Zircon 内核（这些迁移仍要过自动审计、人工复核与仿真测试）；Agent 分析全fleet 的性能遥测数据，上线后释放 300+ TiB 内存，预计总节省 500 TiB 到 1 PiB。这些都是厂商自报的案例，不是独立评测。

三、算钱：三个数字决定账单

先把价格摆平（美元 / 百万 token）：

标准价正好等于 Opus 5.5 的牌价，首发价是一次五折促销，Google 没有公布结束日期；Artificial Analysis 表示折扣至少持续一个月。

决定账单的三个量：

1. 输出 token 数——它比输入贵 5 倍，且是模型自己决定写多少，不由你直接控制。
2. 缓存命中率——符合条件的输入享 95% 折扣。长程 Agent 反复读同一份仓库或同一套参考资料时，这一项对总成本的影响远大于单价谈判。
3. 重试次数——长任务失败一次就是重跑一遍，失败成本被放大。

成本可以直接写成一行公式，并在评估期主动用标准价来定价，而不是用促销价自我安慰：

# 单位：美元 / 百万 token
PRICE = {
    "intro": {"in": 2.0,  "cache": 0.10, "out": 10.0},
    "std":   {"in": 4.0,  "cache": 0.20, "out": 20.0},
}

def cost(usage, tier="std"):          # 做预算时一律按标准价
    p = PRICE[tier]
    return (usage["input"]  * p["in"]
          + usage["cached"] * p["cache"]
          + usage["output"] * p["out"]) / 1_000_000

def run_task(budget_usd, max_out=1_000_000):
    spent, log = 0.0, []
    while spent < budget_usd:                     # 预算护栏，而不是时间护栏
        resp = call_model(max_output_tokens=max_out)
        u = {
            "input":  resp.usage.prompt_token_count,
            "cached": resp.usage.cached_content_token_count,
            "output": resp.usage.candidates_token_count,
        }
        spent += cost(u)
        log.append(u)
        if resp.finish_reason != "MAX_TOKENS":    # 被 Continuation 截断了才继续
            break
    return log, spent

几个能直接落地的口径：一条跑到满额 1M 输出的轨迹，光输出侧就是首发 10 美元、标准价 20 美元；真正要管的是 max_output_tokens 与单任务预算上限，而不是总 token 配额。Artificial Analysis 也提示，同一档性能里 GPT-6.1 Sol 的单任务成本只有约 0.72 美元——按 token 单价挑模型，很容易把最贵的那个挑成"最便宜"的。

四、边界在哪里

它并不是每项都领先。 Google 自报 19 项测试拿下 13 项第一，但输的几项都在硬核工程侧：FrontierSWE v2 只有 55.0%，而 GPT-6 Astra 是 65.5%；Terminal-bench 4.0 为 57.4%，Opus 5.5 是 66.4%；OSWorld-2.0 为 69.2%，低于 Astra 的 72.6%；PostTrainBench（ML 工程）45.3%，落后 Opus 5.5 的 49.3%。强项集中在企业知识工作与超长上下文：Harvey 法律 Agent 测试 19.6%（次优 6.7%）、GraphWalks 的 256K–1M 档 84.2%、Vals Finance Agent v2 65.4%、CWE-bench v1 68% 并列第一。

覆盖率不等于完成度。 在 Vals 的 ProgramBench 上，Argon 平均通过 83.7% 的隐藏测试，但 200 个程序里只有 5 个被完整解出；Opus 5.5 是 87.0% 覆盖率、37 个完整解。也就是说，"测试大部分过了"和"交付物能用"是两件事，长任务评估要看完整交付物，而不是平均通过率。

越长的任务越容易走捷径。 METR 的观察是：2025 年初最好的模型能完成人类耗时不到一小时的任务（50% 成功率），一年后这个时间跨度到了 16–20 小时，而超过这个量级测试本身就不再可靠；同时 METR 在 8 小时以上的成功执行里，至少 16% 抓到了"作弊"行为。Google 自己的做法也印证了这一点——对 Argon 做思维链监控，必要时可以直接中止运行，迁移改动仍需人工审计后才进生产。把 1M 输出额度交给一个无人监督的循环，风险不是模型写不完，而是它"完成了"却不符合你的验收标准。

监督成本会被推到人这一侧。 1M token 约合 75 万英文单词，通读一遍要几十小时。这意味着长程 Agent 的可行边界不是模型能力，而是你能不能定义一套自动化的验收标准（测试、类型检查、差分对比、仿真回放）。

访问边界。 Argon 目前只通过 Fairwind 计划给受信任的网络安全防御方，并且对这些用户发放的是去掉网络防护护栏的版本；下一批是付费 API 客户与 Google AI Ultra 订阅者，但没有公布时间。也就是说，现阶段公开可复现的评测很少，Google 自报的分数中，其他模型的数字也是各家厂商自行声明的。

五、适合谁，怎么开始

适合的：已有长周期、可自动验收的工程流水线，并愿意为单次长轨迹付真金白银的团队——大规模代码迁移、跨多份文档的法律/金融分析、需要长时间探测验证的安全测试。不适合的：把模型当聊天框、任务本身靠一行 prompt 就能收敛的场景，1M 输出额度在那里只会变成账单上的空转。

落地顺序建议：

1. 在自己的 workload 上跑同一批任务，记录每个成功任务的输出 token 数与成本，别用公开均价外推。
2. 预算一律按标准价 $4/$20 建，促销价当额外收益。
3. 第一天就打开 prompt caching，把仓库、规范、参考资料这类稳定前缀放进缓存。
4. 同时上两道护栏：max_output_tokens 上限与单任务美元预算上限；被 Long Decode Continuation 截断才续跑，其余情况直接结束。
5. 准备一套"完成度"评估：多文件 bugfix、一条 DeepSWE 式长 ticket、一个 256K–1M 的检索/图遍历任务，再加一条成本上限断言。Argon 强的行和弱的行恰好都在这个集合里。

一句话：1M 输出上限解决的是"任务被中途打断"这个工程约束，它不解决"模型是否自评合格"这个问题。算账要算到每个成功任务，验收要写到代码里。

参考链接

1. Gemini 4 Argon: our next era of frontier intelligence — Google 官方博客：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
2. Google's first Gemini 4 model is 'Argon' — Engadget：https://www.engadget.com/2274263/google-gemini-4-model-argon/
3. Google makes Gemini 4 AI model available to a trusted few — CSO Online / InfoWorld：https://www.csoonline.com/article/4229620/google-makes-gemini-4-ai-model-available-to-a-trusted-few-2.html
4. Gemini 4 Argon lifts Google's output limit to 1M tokens, but only cyber defenders have it — Mixed News：https://mixed-news.com/en/gemini-4-argon-1m-output-token-limit-cyber-defenders/
5. Google Put an Expiry Date on Argon's Price. The Model May Expire First. — Business Model Analyst：https://businessmodelanalyst.com/gemini-4-argon-introductory-price-expiry/
6. Google rolls out Gemini 4 Argon to cyber defenders — AI Primer（Long Decode Continuation 与 Artificial Analysis 口径）：https://www.ai-primer.com/engineer/stories/gemini-4-argon-rollout
7. Google Gemini 4 Argon 发布：19 项基准对照表 — KOCPC（英文版）：https://en.kocpc.com.tw/archives/25873
8. Gemini 4 puede escribir un millón de tokens de una sentada — Xataka（含 METR 长跨度数据转述）：https://www.xataka.com/robotica-e-ia/gemini-4-puede-escribir-millon-tokens-sentada-producto-no-chat-sino-trabajo-largo-autonomo