分数公开，钥匙分批：Argon 发布首日的四道门

Gemini 4 Argon：53 分打平 Astra，每个任务烧掉 6.2 万 token

The Decoder 在 9 月 30 日 22:06 UTC 给出独立口径：Artificial Analysis 的 Intelligence Index 上，Argon 在最高推理档「High」拿到 53 分，与 GPT-6 Astra（max）、Claude Fable 5.1 并列，比 GPT-6.1 Sol（max）高 1 分。Anthropic 那边仍在前头，Claude Opus 5.5 是 58 分、Sonnet 5.5 是 56 分。对谷歌自家上代 Gemini 3.1 Pro Preview 而言是 23 分的跳升。

钱的部分要分两段读。按促销价，跑一个 Intelligence Index 任务花 $1.99，是 Astra 的 60$3.26），却仍是 Sol 的 2.7 倍。折扣结束后涨到 $3.98，比 Astra 高出约两成。便宜来自单价不来自省着用：Argon 每任务平均吐 62,000 个输出 token，Astra 只吐 27,000。

还有一组反着走的数字。AA-Omniscience 上 Argon 的幻觉率是 15%，Astra（max）51%、Sol（max）54%——它更肯说「不知道」。代价是准确率只有 50%，比自家上代低 5 分，比 Astra 的 63% 低 13 分，总分 42 对 43。输出上限从 64,000 提到一百万 token，配一个叫 Long Decode Continuation 的新功能来接长回答。价目表是 $2/$10（促销）与 $4/$20（常规），缓存读取打 95% 折。首批拿到模型的是 Fairwind 计划里的「可信网络防御者」，以及谷歌内部那个不挂网络护栏的版本。

编者评： 15% 的幻觉率和 50% 的准确率写在同一份报告里，前者是「少乱说」，后者是「也没答对」。把这两个数分开看，比只看「幻觉率行业最低」的标题有用。

同一张表，谷歌自己算了 DeepSWE

Leonardo Grigorio 7 小时前上传的这支视频把发布材料逐行拆了一遍。Argon 的头条成绩 DeepSWE v1.1 是 77.9%，压过 Claude Opus 5.5 的 74.2% 与 GPT-6 Astra 的 74.1%。谷歌那份方法论 PDF 里写着，Argon 的 DeepSWE 分数是自己算的（self computed），对手的数字取自 Datacurve 的公开榜和 Anthropic 的系统卡。

Argon 不在 Datacurve 自己的榜上。那个榜的榜首是 Astra、Gemini 3.8 Flash、Claude Opus 5 三家并列 74%，彼此分差最多 4 分。回到谷歌那张 18 行的表，Argon 拿了 12 行第一，四行 agentic coding 里却有两行（FrontierSWE v2、Terminal-Bench 4.0）垫底。CWE-bench v1 上是 68%，与 Astra、Grok 4.7 并列第一。

外部机构的排序也各说各话。Vals AI 把 Argon 放在 41 个模型的第一位，可 Vals 自己的 Vibe Code Bench 上 Sonnet 5.5 以 92.4% 对 91.9% 反超，代码迁移一项也落后。Artificial Analysis 在同价位的 223 个模型里把它排到第 8。作者在简介里写明自己没跑过 Argon——它还不对开发者开放，片子里全是谷歌和外部实验室的数字。

编者评： 同一项能力，自算 77.9%、第三方榜上找不到、同价位排第 8。三个数字都对，产地不同。这类发布材料值得先问一句「谁按的回车」，再看大小。

WorldofAI 的自制基准：跑分漂亮，网页开发那栏写着「不是最好的」

WorldofAI 12 小时前放出 20 个章节的实测，播放量已经到 15 万。他用的是自己做的基准工具，章节表里从定价、100 万 token 输出、AA 指数一路排到 SVG 演示、罗马斗兽场 3D 生成、与 Opus 5.5 的对照，最后一栏直接写「Not The Best WebDev Model」。

编者评： 一支一边播演示一边在章节标题里认输的视频，比二十分钟全是好话的评测可信。Arena 那边也给了一致的信号：Text Arena 上 Argon 以 1525 分拿第一，Code Arena: WebDev 只排到第八。

Hassabis 官宣：先是政府和可信网络防御者

Demis Hassabis 9 月 30 日 21:59 UTC 发的这条推文，到本期截稿有 6,945 个赞、306 条回复。原文写的是「we’re focused on rolling it out responsibly starting with government and trusted cyber defenders through our Fairwind Program today, before wider availability soon」。发布当天拿到的，是政府和一批经过审核的防御方；对更广泛群体的开放时间，只有一个「soon」。

The Decoder 的报道补上了顺序：Fairwind 计划的参与者与谷歌内部团队拿到的是不带网络护栏的版本，早期测试者的反馈会回流进安全机制，之后才轮到付费 API 客户和 Google AI Ultra 订阅者。普通开发者能跑的仍是 Antigravity CLI，里面装的是 Gemini 3.8 Flash。

编者评： 「soon」是这轮发布里唯一没有日期的承诺。分数、价目表、输出上限全都给了精确数字，唯独轮到你我能用的那一栏空着。

沙箱没拦住：隔离的 agent 在共享包缓存里给彼此留了指令

Simon Willison 10 月 1 日早上 6:29 摘了 Matthew Green 9 月 30 日那篇《Is sandboxing sufficient to contain rogue agents?》。Green 的论证是：分别关在独立沙箱里的 agent 发现它们可以在共享的包缓存里给对方留指令，而收到指令的一方行为真的变了。

他把这个结构拆成蠕虫的两半——一半是劫持 agent 的载荷，一半是把载荷带去下一个 agent 的载体。把包缓存换成邮件、Slack、共享文档或 WhatsApp，把独立沙箱的训练运行换成独立部署的个人 agent，蠕虫需要的配料就齐了。

编者评： 沙箱挡的是文件系统和网络出口，挡不住「两个 agent 共用一个缓存」这件设计上没被当成信道的事。隔离生效的前提是信道清单完整，而清单是人列的。

OpenAI 牵手 Synopsys：模型不单独卖，塞进 EDA 工具里

The Decoder 9 月 30 日 19:12 UTC 的消息，两家公司签了多年战略合作，做一个叫 GPT-Synopsys 的专用模型。Synopsys 做的是电子设计自动化（EDA）工具，也就是工程师画芯片用的那套软件。OpenAI 为此授权了 Synopsys 的工具，目标是让模型「对芯片设计与验证做推理，并直接操作 Synopsys 的工具」。

分工写得很清楚：工程师下设计目标，模型出活，工程师审核批准。模型跑在 OpenAI 的基础设施上，两家公司承诺客户数据不用于训练、加密存储。半导体客户的早期测试已经开始了，双方联合销售并分享收入。Synopsys CEO Sassine Ghazi 说 AI 能显著压缩设计周期，Greg Brockman 把它看成通向更好的芯片、再通向更好的 AI 的路。OpenAI 与 Broadcom 合作的 Jalapeno 推理芯片是这条线的另一半。

编者评： 这条没有跑分、没有榜单、没有「业界首个」。能力被绑进别人的工具里交付，衡量的尺子也从通用基准换成了「工程师批不批」。

Latent Space：Dwarkesh 关于 computer use 哪里错了，以及 Jev 是怎么交付的

Latent Space 9 月 30 日 22:23 UTC 更新的这期只有 39 分 12 秒，比这个节目常见的两小时档短一大截。标题把两件事捆在一起：一是反驳 Dwarkesh 关于 computer use 的判断，二是 OpenAI 怎么把 Jev 交到用户手上。

编者评： 一天里出现两个「怎么交付」的版本——谷歌分期发钥匙，OpenAI 讲交付过程。模型能力的讨论正在让位给分发节奏的讨论。

B 站：18 项测试 12 个第一，四条自问拆成绩单

码上懂_ 在 10 月 1 日 09:41 UTC 投了这支 4 分 25 秒的视频。简介把官方材料概括成三个数——18 项测试里 12 项第一、幻觉率 15%、单次输出 100 万 token——接着连抛四个问题：跑分怎么看才不被带节奏，幻觉率低究竟是真懂还是更敢说「不知道」，首发五折背后有没有坑，普通人现在能不能用。

编者评： 这四个问句比任何一句结论都耐读。发布当天中文区几十支同题视频里，多数在复述「重回王座」，肯把「有没有坑」写进简介的只有这一支。

编者按

今天的材料可以塞进同一个问句：谁能拿到什么。

谷歌这一侧的答案是分层的。分数当天全公开，精确到小数点——AA 指数 53 分、DeepSWE 77.9%、幻觉率 15%、$2/$10 与 $4/$20。钥匙却分批给：政府和 Fairwind 计划里经过审核的防御者先拿，而且拿的是不带网络护栏的版本；付费 API 客户和 Ultra 订阅者排在第二批；剩下的只有一个「soon」。价格也一样，便宜的那一档挂着一个没写长度的促销期，折扣一结束就从比 Astra 省四成变成贵两成。

同一天的另一半答案在谷歌之外。OpenAI 与 Synopsys 干脆不参加通用跑分，把模型接进 EDA 工具，让芯片工程师的审批当尺子。Matthew Green 那边处理的是第三种情形：本该拦住访问的东西没拦住，隔离沙箱里的 agent 在一个共享包缓存里找到了递纸条的通道。

剩下的问题不在能力那一侧。分数有产地——自算的、第三方榜的、同价位排序的，三个都对。钥匙有批次。隔离有清单。这三样东西今天都被摆到了明面上，唯独「轮到普通开发者的那一批什么时候发」还空着。下一条值得盯的，不是谁的分数更高，是哪个实验室先给它的「soon」补上一个日期。