SLATEMOTH / 模型分析
Gemini 4 Argon：百万输出之后，谁来验收？
Google 宣布更大的输出上限，团队该如何验收长时间 AI 工作？区分容量与交付，读清评测条件，在采用之前建立可检查、可恢复的工作流。
生成空间变大，验收问题也更重要
Google 于 9 月 30 日宣布 Gemini 4 Argon，将输出 token 上限从 64K 提高到一百万。公告没有在这里说明思考 token 是否计入这个上限。这是公布的容量上限，并不证明模型能交付一百万 token 的最终有效成果。 [1]
我们的判断是：生成预算变大，让验收设计更加重要。团队或许可以一次请求更大的改动，但仍需要有人判断哪些工作已经完成、哪些经过检查、哪些可以投入使用。这些问题，与模型能够输出多少内容并不相同。
把输出容量与交付价值分开
设想一次代码仓库迁移。长任务可能同时产出代码、测试、文档和变更记录。更多输出有机会减少中断，也可能留下更多需要核对的材料。收益取决于其中多少能成为被接受的改动；我们没有用 Argon 实测这个场景。
开始任务之前，先定义交付物和证据：哪些组件必须修改，哪些测试必须通过，哪些接口需要保持兼容，最终由谁确认。任务应当允许在远低于输出上限时顺利结束。填满预算不是完成标准。
研究资料包与内容批次也是如此。引用必须支持主张，记录之间需要一致，修订不能偏离原意。生成得更长，不会让缺乏依据的句子变成证据。值得衡量的是可以使用、经过审阅的成果，而不是对话记录的长度。
先读评测条件，再读醒目的分数
Google 模型页列出 DeepSWE v1.1 为 77.9%，FrontierSWE v2 为 55.0%。这是两项不同的代码评测，不能理解成你的代码仓库具有一个通用完成率。表格中的 GraphWalks 还区分了上下文范围；这里谈的是输入，并非输出长度。 [2]
方法文件中，GraphWalks 使用 650 道不超过 128K 上下文的题目，以及 200 道介于 256K 与一百万之间的题目。Argon 通常使用最高思考设置与 pass@1，但有例外：OSWorld 报告离线子集的部分得分，并取三次运行中的最高结果。一些对照成绩来自其他厂商或排行榜。 [3]
我们没有在这份方法文件中找到百万 token 输出的端到端验收实验。这是已查证材料的边界，不能据此认定这种工作做不到。基准提升值得团队调查具体场景，却不能替代对正确性、漏项与故障恢复的实际检查。
把大任务变成可以检查的交付单元
一种可行的设计是拆分验收单元，同时不预设模型必须在每个单元之后停下来。代码迁移可以按模块、测试与兼容性证据组织；内容批次可以按文章、来源与批准版本组织。每个单元都应有可以辨认的成果。
能机械判断的部分交给自动检查：构建、结构校验、重复检测，或必需文件清单。含义、重要取舍，以及机械检查无法判断的主张，仍需要人工审阅。构建通过所回答的问题，比请求的改动是否正确更窄。
审阅还应暴露未完成的部分。一份有用的交接记录，应列出已接受的单元、被退回的单元、未解决的依赖，以及任务结束的原因。否则，漂亮的最终总结可能掩盖局部完成。审阅者需要随成果附上的证据，而不仅是模型声称已经全部完成。
给执行与纠错分别留出预算
长任务需要明确的停止条件：时间限制、费用上限、反复失败次数，或一个需要重新授权的决定。这些是我们建议的工作流控制措施，并不表示 Argon 提供了某种特定 API。
在重要改动之前保留可以恢复的检查点。记录哪些输出已经应用，哪些还只是建议，避免后续任务重复动作，或依赖尚未被接受的成果。如果执行中途失败，恢复应该从已验证的状态开始，而不是从最后一句乐观总结开始。
把审阅与纠错成本和生成成本一起计算。模型每 token 更便宜，仍可能带来更多检查工作。比较每份被接受的交付物所需的总时间与投入，并纳入失败任务。合理预算购买的是可靠进展，而不是尽可能多的生成材料。
先准备试点，不急着整体替换
核验时，Fairwind 对 Argon 的访问仅限经批准的可信伙伴。这不等于面向公众普遍开放。项目之外的团队，不能因为看到了模型页面，就假定今天可以直接部署。 [4]
等待符合资格的访问时，可以从已经完成、且有权使用的工作中准备一小组评估样本。包括常规任务、困难依赖，以及正确做法是停止的情况。保留现有工作流作为基线，并在看到新模型答案之前确定验收标准。
如果获得访问，再用相同任务、工具与权限做对照。记录首次通过验收的比例、纠正、漏项与恢复投入。更大的输出预算，只有改善这些证据才值得使用。我们没有核实 RouterShift 是否提供 Argon，本文不作产品支持声明。
容量上限提供机会，不能代替结论
反对增加检查点的一个有力理由，是它们可能打断适合连续完成的工作。这确实是一项设计取舍。保留检查点与审阅，不必意味着把每次生成切得零碎；系统可以保留长任务，同时持续形成可检查的成果。
本文无法确定 Argon 能否改善某个企业的具体工作流。我们没有运行这个模型，没有复现它的基准，也未核实输出上限如何计算思考部分。我们的建议是一种评估长任务的方法，并非性能结论。
潜在变化，是从审阅一个答案，转向验收一整份工作。更大的容量拓宽了模型可以尝试的范围。专业采用能否成立，取决于团队能否看见、检查，并在必要时恢复模型实际交付的成果。