Google先限量开放Argon，DeepSeek把推理底座搬上昇腾

约 3,500 字 · 阅读约 12 分钟

Juju Radar · 2026 年 10 月 1 日

本期导读

Google的新模型Gemini 4 Argon有百万Token的单次输出上限，却没有像普通新模型那样立即全面开放：第一批使用者是经过筛选的网络防御者。与此同时，OpenAI披露了一起试图提取模型隐藏推理的行动。这两条消息放在一起看，问题已经不只是模型能做多难的题，还包括强能力该给谁用、执行过程中的中间信息该怎样保护。

另外三条各有新意。DeepMind把可检测的来源标记嵌进AI设计的蛋白质，并在湿实验中检查功能；DeepSeek公开一组面向昇腾的底层算子；一篇Nature论文让AI在看不到对手棋子的Stratego游戏里大幅击败顶尖选手。它们分别指向生物设计的来源追踪、模型跨硬件迁移，以及不完整信息下的行动规划。

🧠 Gemini 4 Argon先给网络防御者用，长任务输出上限升到百万Token

前沿模型 / 网络安全 / Agent · 9.5/10 · 建议深挖

Google 9月30日公布Gemini 4 Argon，先通过Fairwind计划交给可信网络防御者试用；开发者、企业与消费者的开放安排在后面。官方把一次任务的最大输出从此前的64K Token扩至100万Token。这里说的是输出上限，不是上下文窗口：它要解决的是模型在同一条执行轨迹中写下更长的分析、代码和操作结果，少因输出到顶而中断。

模型页的官方对照表显示，Argon在DeepSWE v1.1取得77.9%，高于表中GPT‑6 Astra的74.1%；但在FrontierSWE v2，它的55.0%低于Astra的65.5%，Terminal-Bench 4.0也不是第一。Google还展示内部代码迁移、数据中心内存优化和漏洞修补案例。这些例子说明它瞄准长时专业任务，却不能替代外部团队在相同工具、预算和任务集下的复测。官方给出的每百万输入/输出Token 2/10美元也是前期价格，之后计划变为4/20美元。

更值得留意的是开放顺序。Google称Argon能自主发现、验证并修补严重漏洞，因此先让可信防御者在受控条件下使用，并继续完善提示注入防护、推理与动作监测。强模型开始承担高风险的真实工作时，谁能接入、它能触碰什么系统，已经和模型分数一样决定实际影响。当前它仍是分阶段开放，普通用户不能把发布页上的能力当作已经可用的产品。

⚠️ OpenAI披露推理提取行动，称核心活动与Moonshot相关人员有关

真实AI事故 / 模型安全 / 公司争议 · 9/10 · 建议读原文

OpenAI 9月30日披露，它从7月初观察到有人尝试批量获取模型本不向用户展示的推理内容。7月24日至25日，相关提取模式出现约1.6万次请求；这是尝试次数，不是已经成功拿到1.6万份推理。OpenAI明确说，事件不是数据库或用户会话遭到直接入侵。

技术上的薄弱处在一种会随请求传递的加密推理块。攻击者拿到一段加密内容后，尝试把它放进另一段对话，诱导模型把隐藏内容转写出来。独立研究者8月发表的论文也展示了跨会话、跨模型重放这类工件的攻击路径；它支持“这种漏洞类别存在”，不能替OpenAI证明本次行动是谁实施的。OpenAI称已封禁或限制相关账户、封堵重放路径，并加强输出监测和跨平台协作。

关于Kimi，需要把证据说到它实际能支持的程度。OpenAI表示，它将其中一个核心活动簇归因于“与Moonshot AI有关的个人”，同时承认不能确定所有操作者都属于同一方。该公告没有提供足以让外界独立复核人员身份和组织关系的完整材料，也没有证明Kimi模型用过这些提取内容。现在可以确定的是OpenAI提出了这一归因并披露了修补措施；把它写成“Moonshot公司已被证实盗取模型”会越过证据边界。更普遍的教训是：加密的中间工件若能跨用户、会话或模型复用，隐藏推理仍可能变成新的泄露面。

🧬 蛋白质也能加水印：SynthID Bio把来源标记放进生成过程

AI for Science / 生物安全 / 论文 · 9/10 · 建议读实验部分

DeepMind与合作者在9月30日发表于Nature的论文中提出SynthID Bio：让AI设计的蛋白质序列和预测结构带有可检测的来源信号。它没有在成品外面贴一张标签。序列路线在ProteinMPNN选择每个氨基酸时，用带密钥的规则微调候选选择；结构路线则微调AlphaFold 3的扩散模块，让生成的三维坐标自带水印。

难点是水印不能把蛋白质“写坏”。研究者对VEGF-A、新冠病毒刺突蛋白受体结合域和PD-L1三个靶标做体外结合实验，报告水印设计与无水印设计的命中率和结合亲和力分布相近；结构水印在作者测试中也保持了较高可检出性和预测精度。这比只在电脑上证明一串序列可识别更进一步：来源信号有机会随设计进入真实分子。

DeepMind的说明把应用指向DNA合成筛查与生物数据库。若一条陌生序列可证明来自某个带防护的设计模型，筛查机构就多了一个分流线索。但“有水印”不等于“无害”，水印能否抵抗有意删除、不同机构怎样共同识别，也还没有解决。这仍是概念验证，不能替代现有生物安全审查。

💻 DeepSeek把核心算子移到昇腾：同一接口背后重写硬件路径

开源项目 / 推理基础设施 / 算力 · 9/10 · 建议看代码

DeepSeek 9月30日公开DeepGEMM-Ascend等昇腾组件，还提供处理混合专家模型通信的DeepEP-Ascend及稀疏注意力实现说明。DeepGEMM在Python接口上尽量与原版兼容，但底层矩阵乘需要适配昇腾的内存布局、指令和流水线；DeepEP则要解决专家之间的数据分发与回收。真正可复用的是上层调用方式，硬件最难的部分仍要原生重写。

这比公布一份“模型可在昇腾上运行”的脚本更具体。大模型搬到另一套芯片时，矩阵乘、注意力、专家通信往往决定吞吐；一个环节慢，整套系统就慢。公开源码和测试意味着外部工程师至少能检查实现、按自己的模型形状测量，再决定是否接入。DeepGEMM的README称，在Ascend 950DT、CANN 9.20和指定大矩阵形状下，部分密集矩阵乘达到理论硬件峰值的99.8%。这只是项目方的算子级测试，不等于完整模型在所有昇腾设备上达到同等利用率。

还有一个部署边界容易被忽略：DeepEP仓库说明，部分带宽数字使用供应商提供的PoC硬件开发包和手动配置；相应商业版本当时尚未公开。因此，这次开源的价值是把关键实现和接口公开给生态验证，而不是宣布跨硬件迁移已经没有工程成本。

🎲 电脑终于赢了顶尖Stratego选手，关键是在落子前推测暗牌

强化学习 / 不完全信息博弈 / 论文 · 8.5/10 · 值得读方法

Stratego是一种对手棋子身份隐藏的棋类游戏。相比围棋，AI不仅要选下一步，还要估计对手手里究竟有什么。9月30日的Nature论文介绍Ataraxos：它在与顶尖选手的20局比赛中取得15胜、1负、4平。作者称训练只花费数千美元量级，远低于过去同题研究的大规模计算投入。MIT的研究介绍也提供了较易读的背景。

方法并非穷举所有暗牌。系统先通过自博弈学一套基本策略；另一个“信念模型”根据当前可见信息，给隐藏棋子抽样可能的分布；真正落子前再搜索这些可能局面，修正原先的动作选择。也就是说，它把计算用在当前这一步最有可能遇到的未知情况，而不是提前假设对手所有信息都已知。作者还把同一框架用于Barrage Stratego、Hanabi和斗地主，显示它并非只为一种棋的规则写死。

真人对局规模仍小，各系统训练费用也由研究者按自己的口径报告。现实谈判、金融交易和军事决策虽然同样存在隐藏信息，却没有游戏那样明确的规则和结果反馈。论文真正证明的是一种在复杂不完全信息游戏里有效的设计方法，距离现实决策助手仍有很长的验证路要走。

今天的主线

Argon的分阶段开放、OpenAI所述的推理块重放漏洞、SynthID Bio的来源水印，处理的是同一个部署难题的三个位置：谁能使用强能力，执行中留下的材料能否越界复用，生成的东西离开模型后还能否辨认来源。 模型越能持续工作、接触真实系统，安全措施就越不能只停在回答时拒绝一句话。

DeepSeek与Ataraxos则各自回答一个更偏工程的问题：前者把上层接口保留下来，重做面向不同芯片的底层算子；后者让基本策略可复用，把额外计算留给落子前最关键的未知局面。两条都值得看原始实现和实验条件，但目前没有证据把它们概括成一项共同的产业转向。