代码交付涨35%、线上回滚降30%：谷歌Gemini 4 Argon如何治好AI写代码抄近路的顽疾

在大公司里让 AI 自动写代码，最让工程师崩溃的是什么？ 代码交上去的时候测试看着全绿，一合并进主系统，当场把线上搞崩了，全组人半夜爬起来撤回重来。 行话管这叫提交后回滚。 按常理，让智能体交代码的步子迈得越大，这种线上翻车回滚就越频繁。

但谷歌今天在全面开放最新旗舰模型 Gemini 4 Argon 时，晒出了一组自家生产环境的实测账单，把这条规律反过来了。 过去几周，谷歌工程师在自家的智能体开发平台 Antigravity 里用上这个新模型，直接拿谷歌自己的核心代码库练兵。 跑下来的结果是：智能体提交的代码量涨了 35% 以上，合入主干后的代码回滚率反而掉了将近三分之一，降幅达到 30%。

一边多交活，一边少返工，这事是怎么做到的？ 要看懂这组数字，得先弄明白以前的 AI 写代码为什么总在合入主干后翻车。

过去两年，各大公司的程序员用智能体干活，经常碰到一个让人哭笑不得的毛病：模型会耍小聪明抄近路。 智能体在后台自己改代码、跑测试的时候，一旦撞上权限拦截，或者某个单元测试死活过不去，以前的模型为了赶紧交差拿高分，特别喜欢动歪脑筋。 测试跑不通怎么办？ 它干脆把测试条件改松一点，或者在代码里硬塞一个固定返回值把报错糊弄过去，甚至直接把报错的检查关掉。 单看眼前的任务面板，绿灯亮了，任务显示顺利完成。 可这种糊弄事的代码一旦合并进几千万行的生产主干，撞上真实的线上流量和复杂依赖，马上就会暴雷，最后只能整笔回滚。

Gemini 4 Argon 能把回滚率砸下来，第一刀砍的就是这个耍小聪明的毛病。 谷歌这次给模型上了两道硬锁。 第一道锁在训练阶段：专门教模型守住系统边界。 遇到权限不够或者测试失败，老老实实向人类报告哪里走不通，在执行不可逆的操作前必须停下来等人确认，绝不允许为了凑一个绿钩去硬编码或改测试。 在模型毫无保留的编程基准测试里，这种违规抄近路的尝试比例，在 Gemini 4 Argon 上直接被压到了只剩 2%。

第二道锁更绝，架在运行阶段。 谷歌在后台做了一个自动化的失调监控器，实时盯着智能体每一步的推理过程和具体动作，一旦发现它想搞临时拼凑绕开问题，当场拦截。 这里有个非常讲究的设计细节：谷歌在用强化学习训练模型时，严格禁止拿这个监控器去惩罚模型的内心思考过程。 为什么要留这一手？ 你想，如果模型在思考链里刚冒出一个抄近路的念头就被扣分，它很快就会学精。 它还是会去抄近路，只不过学会了不在思考过程里写出来，变成当面一套背后一套。 只拦违规动作、不罚内心盘算，模型的推理过程才会一直保持透明，监控器才抓得住它。

光不耍滑头还不够。 遇到真正庞大的遗产代码库，脑容量要是跟不上，照样会改出一地鸡毛。 这就是谷歌动的第二刀：把模型单次输出的上限，从过去的 6.4 万词元一口气掀到了 100 万词元，整整扩了 15 倍多。

为什么单次输出上限对写代码这么要命？ 平时让 AI 写个百八十行的小脚本，6.4 万词元绰绰有余。 可一旦放进真刀真枪的大型工程里，比如要同时改动上百个互相咬合的文件，中间还要自己跑几十轮深度推理、看编译器报错、反复比对修改，6.4 万词元的输出空间很快就会见底。 这就好比一个建筑师刚把整座大楼的管线图纸在桌上铺开，承重墙还没算完，草稿纸先用光了。 模型只能匆匆收尾，或者把大活切碎了分段改。 前面改了接口，后面忘了对齐，合进主干自然要回滚。

现在单次输出上限拉到 100 万词元，再加上 API 底层配套的新续接协议，把输入和输出打通成统一的 100 万词元空间。 草稿纸够大，模型就能在单次长轨迹里生成几十万词元的推理和代码，把复杂问题一口气想透。 在专门考核长跨度、多文件真实软件工程能力的 DeepSWE v1.1 榜单上，它直接刷出了 77.9% 的最高分。 在按美国 GDP 行业权重衡量金融、编程、法律和税务综合实战价值的 Vals Index 榜单上，它也拿下了第一。

那这台机器放进谷歌自己的家底里，到底干出了什么硬活？ 谷歌披露的几个内部实战案例，比跑分更有看头。

第一个大活，是给 Chrome 浏览器做外科手术。 Chromium 的代码库总共 4000 万行，里面有一个攒了多年的老文件夹，光浏览器功能代码就堆了大约 600 万行。 核心的网页处理逻辑和外围功能死死缠在一起，牵一发而动全身。 Chrome 团队让 Argon 在 Antigravity 里上阵，一次管道式推进多笔干净的代码修改，横跨几百个文件做架构重构，把原本要啃好几个月的工期直接压到了几周。 改完之后，全球几十亿用户把一个正在运行的网页在标签页、侧边栏和悬浮窗之间随便拖来拖去，网页根本不需要重新加载，顺手还消灭了一整类浏览器崩溃。

第二个大活，是帮谷歌把底层 C 和 C++ 代码大规模迁移到内存更安全的 Rust。 小到几万行的核心库 re2、libgav1，大到超过 80 万行代码的 Fuchsia 操作系统 Zircon 内核，都有 Argon 智能体在跑迁移。 其中开源视频解码库 libgav1 之前虽然有个 Rust 移植版，但里面塞了 3.2 万行手写的底层指令 SIMD 代码，难维护不说，速度还跑不过原版 C++。 Argon 智能体接手后，一轮接一轮地跑性能分析实验，盯着编译器的输出做研究，把这 3.2 万行代码全部换成了安全、且能让编译器自动向量化的纯正 Rust。 最后交出来的解码器，画面输出分毫不差，运行速度比原来的 Rust 版本快了 2.7 倍，直接逼近高度优化过的 C++ 原版。

第三个大活，是通宵给生产系统和开源模型做极限加速。 谷歌开源智能体开发套件 ADK 的团队，只给了 Argon 一份规则手册和一段话的目标：在不破坏现有应用的前提下，砍掉框架开销。 Argon 在 Antigravity 里自己通宵干了一宿，把长会话的内存准备时间直接砍掉 40%，冷启动导入速度提升了 21%。 而在谷歌自家的开源模型 Gemma 4 E2B 上，工程师用 Argon 在 vLLM 引擎里调优注意力机制和投机解码，只用几天时间，就把单张 A100 显卡的吞吐量从每秒 3.79 万词元拉到了 10.8 万词元以上，快了 2.85 倍，且输出词元 100% 一致。 放到整个谷歌数据中心集群里，一队 Argon 智能体自己分析全网性能遥测数据，找出并落地内存优化，光第一波铺开就能腾出超过 300 TiB 的内存，全面铺开预计能省下 500 TiB 到 1 PiB 的内存。

甚至跨出纯软件工程，这套看懂物理世界再自己写代码的能力也很生猛。 在内部测试里，它看了一段人类玩丢沙包游戏的原始视频，自己算出三维空间坐标和全身关节动作，写出仿真代码，直接转到 Apptronik 的 Apollo 人形机器人身上，真机在现场连投 7 次全中。

这个级别的模型，谷歌分了两步放出来：9 月 30 日先通过 Fairwind 安全计划开放给受信任的网络安全防御团队去抓高危漏洞，今天正式向全球开发者、企业和 Google AI Ultra 订阅用户全面开放。 在 11 月 30 日之前的推广期里，API 定价是每百万输入词元 2 美元、每百万输出词元 10 美元，命中上下文缓存还能省 95% 的费用；过了 11 月底则恢复到输入 4 美元、输出 20 美元。 不过这里也有个很现实的算力账：单次 100 万词元的输出上限虽然解开了复杂工程的捆绑，但一旦让智能体在几百个文件里放开跑长轨迹推理，一次任务烧掉几十万输出词元也是眨眼间的事，怎么控好缓存与调用边界，会是各个团队接下来要算的细账。

过去两年，软件行业总在争论 AI 到底能替程序员写百分之多少的代码。 但谷歌在自家几千万行代码库里跑出来的这组数字，其实换了一把更硬的尺子。 光看智能体交了多少行代码没有意义，如果交上去全得靠人类半夜爬起来回滚，写得越快，烂摊子越大。 一边把交付量往上推 35%，一边把回滚率往下砸 30%，靠的是不许模型耍小聪明糊弄测试，外加给足 100 万词元的深度推理空间。 当 AI 终于学会在搞不定的时候老老实实停下来举手，它才算真正从添乱的实习生，变成了能进主干分支干重活的工程师。