Google推旗舰模型Gemini 4 Argon 基准测试结果胜对手 惹「刷榜」质疑

Alphabet旗下Google推出新一款旗舰人工智能模型Gemini 4 Argon，称它为目前最先进的AI模型，主攻复杂、长时间工作流程，包括软件开发、网络安全任务。不过，据彭博报道，该模型在正面临公司内部，对其在程式码编写等关键领域表现的疑虑；并引述专家指Google或过度关注基准测试而「刷榜」（benchmaxxing）。

据报Gemini 4 Argon主打长时间软件工程、企业知识工作与网路安全防御等复杂任务。Google周三向一小群资讯安全合作伙伴公开该模型，并表示在经过额外测试后，将从付费用户开始扩大开放存取权。该公司指出，Gemini 4在多项基准测试中取得领先成绩，包括在衡量安全技能的测试中胜过OpenAI的Astra模型。

Google称目前最先进AI模型

据Google 公布的测试结果，Gemini 4 Argon在 DeepSWE v1.1 长周期软件工程测试取得 77.9%，高于 Claude Opus 5.5 的 74.2% 与 GPT-6 Astra 的 74.1%。Google称Gemini 4 Argon为目前最先进的AI模型，但目前尚未全面开放给一般使用者。

否认Gemini 4程式码编不佳

不过彭博引述Google内部人士指，虽然Gemini 4在广泛用于衡量模型效能的基准测试中表现优异，但当员工实际将其投入工作时，表现却大打折扣。知情人士表示，该模型在处理特定程式码编写任务时相当吃力。Google回应指，Gemini 4在程式码编写等领域表现不佳并不准确。有熟悉模型开发的Google员工表示亦否认模型在处理复杂、真实世界的程式码编写任务时面临困难。

刷榜：专注评测中取得高分

报道引述专家表示，Google可能受业界过度关注基准测试倾向的困扰，这种现象被称为「刷榜」（benchmaxxing），即工程师比起创造能良好完成工作的产品，更专注于取得高分。AI 实验室往往会这么做，因为客户经常透过基准测试分数来评价模型。两位熟悉该模型的人士表示，Gemini 4 似乎受到了这种做法的影响。

去年11月，Google推出Gemini 3大受好评，并被视为公司跟上OpenAI和Anthropic的转折点。Google在5月的 I/O 大会上宣布了名为Gemini 3.5 Pro的新改版，并承诺在次月发布该模型。但知情人士透露，该公司其后已放弃了3.5 Pro。