Argon 放进四个入口，坏内存要硬件组点头

关键训练跑到一半，机器会进入一种他们已经学会忍受的坏状态。一位工程师把问题交给 Argon，模型指出硬件上的一处真实故障。森尼韦尔的硬件团队先问：你是不是拿人工智能的套话来烦我们。人对着坐下来核对，供应商那边找到了损坏的内存。字幕先写成 HPM，后来说起同一件 HBM 的事。纠错码没有抓住这次损坏。

原始来源：Gemini 4 Argon: What’s new and what’s next。中文深度整理，非逐字翻译。本文依据创作者提供的英文字幕。

榜公开了大约两周，今天放进四个入口

主持人 Logan Kilpatrick 在 Google DeepMind，这期 Release Notes 请来 Josh、Melvin、Sergey、Tulsee，产品、模型和研究方向都在桌上。Josh 说 Gemini 4 Argon 当天就能用，入口有四个：Gemini 应用、AI Studio、云上的 Gemini API，以及 Antigravity。

Logan 说，大约两周前他们放出过一张基准图，也把模型交给 Fairwind 计划里的网络防御者。基准是用来公开打分的测验。另一位把这两周的安排补全：继续测；和他们称为内部网络安全公司的 Wiz 一起，通过 Scan For Good，在一批关键系统上找出漏洞并修补；对企业和客户慢慢放开，先收反馈；内部大量在用；量子、机器人、科学方向的研究者也在试。安全被说成同样关键。和美国政府的关系包括把模型送去测试。他们自己的护栏也在收：监测要到位，模型里面一道，模型外面一道。这样才放心在节目发出去的当天前后上线。字幕把日子说成明天、今天或昨天，取决于这期何时上线。

漏洞的名字、修补的步骤，这期都没有讲。Wiz 是“内部公司”这句，按他们自己的用词。

套话被标成要清掉，人还在自己写

Josh 说，希望大家先感到的是写作质量。模型有一套自己的房子风格。他们盯过反馈：到处是人工智能套话，撑场面的短语，还有把什么都写成清单。专业写作者在输出上做标记，这些标记收成黄金样本，再沿着样本往上爬。目标是更短、更准。销售、法务、财务，以及写代码，最好都听得出这是另一个语气。

Logan 说自己不用人工智能写作，每个字都自己敲，也提到思考的权利这一类理由，字幕写成 right to think，没有展开。Josh 说自己也没有放下笔。Argon 在他那里是编辑。走路或在车上他会先口述，再丢过去：把这篇磨尖。最弱的三处在哪，有哪三个想法他没想到，有哪三个想法会把人弄糊涂。他说这事它特别能做。

另一位说自己手腕不舒服，对着 Antigravity 把话倒出来，让它变成文章。以前这样会又密又钝。Argon 交回来的稿他觉得还能改。概念仍是自己的，只是从嘴里说出来。

这些都是在座几个人的用法。Josh 把模型放在编辑的位置，没有说它替代动笔。

内部已经在用再下一版

Logan 转述同事 Varun：内部有大约十万名工程师在用，十万人在测，他觉得可能比以往任何一次模型都多。Varun 还把云的销售团队算成另一大群使用者。知识工作在这期被单独点出来，和写代码、做科学并列。

Sergey 讲节奏。Gemini 4 之前已经有 Flash 3.6、3.7、3.8，他们开始走上 RSI 那台跑步机。RSI 在这里指用自己的模型去做下一版模型。研究者和模型一起干活。他这天是和 Melvin 聊着下一版，临时进来的。等到观众看到这期，内部大概已经在用再往前的几版。他预期节奏还会加快。

Tulsee 被问到，栏杆一直在动，什么叫够好、可以拿出来。他说 Argon 内部已经充分测了三到四周以上，迹象说明它是好的。他更想把它交到 Gemini 应用、Antigravity 和云上更多人手里，这样三到四周一轮的制作才吃得到反馈。每隔几周会有候选，大约每三周能让一些有希望的毕业。

有人说，这大概是第一次让智能体比较实质地进入造模型的过程，Sergey 可以作证。智能体是能自己盯着一段流程做事的程序。它们看着关键训练跑，对配错给出反馈，看奖励的尺度，找错误、补错误，也看数据里的重复。谷歌员工被问过都在用 Argon 做什么。Chromium 团队用得很猛。也有 Gemma 的优化，以及各处的性能优化。Antigravity 团队拿它做代码迁移，把外部的 Fortran 代码迁向 Rust。桌上有人写过 Fortran，有人只见过打孔卡、没有用过。有人还提起一个在内部流传的数据中心小游戏：训练任务细到有人去换 GPU，一个提示丢进去，回来就有结果。

Logan 自己的例子是用两个提示做一款类似 Minecraft 的游戏。别的模型常常只有看上去像的表面，洞穴只有两层，钻石到处都是。第一条提示把画面做对，第二条补上深度和界面。另一位记得，这次几乎立刻交给一批谷歌员工。他在家，群里已经在说这模型太好、生活变了。他说这批人挑剔，更早的检查点被他们批评过。训练侧也有人改了口：以前来要五百、一千、六百份芯片，现在要的是 Argon 的每秒请求，五个、十个或十五个，用来生成数据、做下一版。还有人用它给同事的小孩做识字应用，先查早期阅读的理论，再做成有步骤的前端并放上线。他们开玩笑，要看孩子多快学会 th 这个音。另有人见过它在训练数据里指出一条数学证明是错的，并给出反例。

十万人是转述，节目里没有名单。Fortran 说的是外部代码库。Minecraft、识字应用和那条反例都是个别用法，没有分数，也没有定理的名字。再往前的几版是 Sergey 对内部节奏的判断，没有给出公开日期。

坏内存要硬件的人点头，第一稿也不能收工

Melvin 讲的就是开头那件。关键训练里的坏状态拖了很久，大家学会跟它一起过。工程师把问题交给 Argon 之后，硬件团队在森尼韦尔先把它当成套话。坐在一起看完，供应商确认内存损坏。来自那家供应商的机器，可以被标出并请出机群。

接着有人讲自己的旧账，字幕没有把这句话标到具体名字上。大约 1998、1999 年，给谷歌买的头二十来台服务器装不上系统。前面只有过两台。他查了几天，跑内存测试，才发现内存和主板不合。对方免费给了更贵的内存，可那批不能用。有人问是不是乐高服务器架。他说乐高那段在斯坦福，用的是仿杜普洛的 Mega Bloks，公差不如乐高，拿来当硬盘盒可以。公司之后向 KingStar Computers 采购，不合是对方选配的问题：内存比主板该配的更高一档，跑几个小时就坏一次。他说三十年后碰到的是同一类事。Melvin 补了一句：纠错码没有抓住这次损坏，所以先前找不到根。纠错码是内存用来发现比特出错的机制。

Logan 说，自己现在收到别人用 Argon 做的长调查，怀疑比以前更高。听着完整，他不知道是不是真的。没有十万个同事时，人怎么建立把握。Melvin 说这模型不爱夸大，也不太会顺着人说。接地还可以更好，它不编造。会有理解错，没有故意把事情说歪。他因此信任不少输出。Sergey 把这说成自己早就习惯的世界：人或人工智能递上来的东西，都要怀疑。也可以让人工智能检查人工智能。用 Argon 去核 Argon，它不会因为“那是我”就护着。对话里还提到，内部有一整族模型，可以拿来听不同意见。

Josh 从自己那边看到瓶颈在挪，代码评审是大家正在盯的地方。他常回的一句是：把提示发给我，我们改一改。他不想拦住别人去用模型，也认为不能第一稿生成完就结束。另一位把界线画在思考上。可以用模型汇总分析、提供角度、跟着你的角度往下聊。不能把交回来的一切当成定论。自己读，觉得不对就问，再跑一轮。细的错误，尤其不是这行的人，会漏。粗的错误，盯一眼能看出来，问出去就有用。Logan 还说，自己写软件时即使用很糟的提示，只说“把这个变得更好”，它也常常会多花一些 token 把东西改好。token 是模型读写的计量单位。

硬件这一件有供应商的回执。Melvin 对“不编造”的信任，和他承认接地还能更好，是放在一起的。提示一改就更好，没有成功率。

最高一档可以在一次请求里走很远

Logan 说，他们曾经第一个放出一百万输入 token。这一次的一百万输出，他不知道是不是第一个，但认为在业界领先。早期客户被问过，这么长的输出到底值在哪。

Melvin 说，难的推理和数学、以及去啃开放问题的小组，模型本来就想把解码拉长。允许它走到一百万输出，帮得上。Logan 说这问题他已经问过 Tulsee 三次。Tulsee 的回答是：在他们称为最高的那一档，模型可以走到一百万 token，如果它做得到。他认为竞争模型做不到。评测轨迹里，顶到这个上限的比例不算小。没有给百分比。后文有人解释 Melvin 爱用的那个词“允许”：能力已经在，如果输出只有 6.4 万，模型就得停。把上限放开，最高档的推理才出得全。基础设施、研究、接口和上线的团队被点名，因为长任务和把模型送到这么多人手里都不轻松。

Logan 随即把口径收窄。一百万输出指的是单步。以前的 3.8 Flash 也可以在很多步加起来之后到达一百万。这一次是一步里面。写代码通常是看一段、写一点、跑一下，不太靠这一步。很难的数学题才可能要想很久。他按人的速度打比方，并说自己也不知道人一秒钟几个 token。一百万 token 若折成大约五十万秒，是一周上下。把睡觉和吃饭算进去，可能接近一个月。他喜欢“一次请求里想一个月”这句，也说这是个好用的说法。

一周或一个月是比方，带了“大约”和“也许”。是不是第一个放出一百万输出，Logan 自己留了不知道。

做完和追问，两边都会过头

行为被分成几根轴，两头都不好。模型被做成会坚持：一直做、不轻易停。坚持过了头，就会在含糊的地方不问人。另一头是不停地问，让人烦。他们把锚放在坚持这一侧，同时希望它还能把含糊问清楚。

透明也是同一类取舍。说太多，和什么都不告诉用户，都不好。他们让模型多讲自己正在做什么。这既写进评测，也写进训练。谷歌员工的意见很多。他们用 Argon 把几十个聊天室里的反馈收拢，再跑线上实验，看员工实际怎么跟模型来往，从而知道天平停在哪。界面上也试过。Antigravity 和 Gemini 应用里，思考过程显示多长、出现几次，人会在什么时候按停止或抱怨。新模型早期，大家珍惜又深又密的思考痕迹。用久了，要么更信任、看得少了，要么仍然不信任、也看得少了。显示多少，要跟着这段关系变。

Logan 说，至少接口这边在上一个新的思考摘要，更短。Gemini 应用里有没有，他不确定。有人接了一句：质量会更好。

员工反馈和线上实验说明他们在调，没有给出哪一档提问次数算刚好。节目停在请人把用过的感觉寄回去。