Gemini 4 Argon：百萬輸出 token，然後呢？

過去的競賽是脈絡視窗。Gemini 4 Argon 則把焦點轉移到模型的另一端：一次能產出多少內容。9 月 30 日，Google DeepMind 推出 Argon，輸出上限從 64,000 token 提高到一百萬 token。這相當於一本書長度的回答。對行銷人來說，更有意思的問題是：什麼樣的工作需要這樣的回答。

發生了什麼事

在 Google 的公告中，Koray Kavukcuoglu 將 Argon 描述為 Google「針對真實世界程式開發、企業知識工作與網路防禦」的前沿模型。輸出 token 上限擴大到 1M，該模型專為軟體工程、法律與金融工作及資安領域中長時間、多步驟的任務而設計，並具備強大的視覺理解能力，例如圖表分析與長影片理解。

這次的推出方式很不尋常。Argon 先透過 Google 的 Fairwind Program 提供給一群受信任的網路防禦者，之後再計畫向開發者、企業與消費者開放，首先是付費 API 客戶與 Google AI Ultra 訂閱者。早鳥定價為每百萬輸入 token US$2、每百萬輸出 token US$10，早鳥期結束後調升為 US$4 與 US$20，快取輸入則享 95% 折扣。

Google 列出了基準測試結果，包括 DeepSWE v1.1 的 77.9% 與 LVBench 長影片基準的 91.7%，並描述了大型程式碼遷移等內部用途。它也說明了安全措施，包括監測濫用與錯位，以及抵禦間接提示注入的能力。這些是 Google 自己的結果。

為何重要

一百萬個輸出 token 並不是為了寫更長的部落格文章。當工作需要一次連貫地產出完整成品時，長輸出才有意義：完整的程式碼庫遷移、一整套合約、一個大型結構化資料集。在行銷領域，最接近的例子是完整改寫產品資料饋送、整個網站的在地化，或包含數百個協調一致版本的廣告活動素材庫。

在我看來，長影片理解是更能立即派上用場的能力。影片主宰了社群平台，而大多數品牌至今仍以觀看樣本、做筆記的方式分析影片。一個能可靠地大規模解讀長影片的模型，讓過去不可能徹底完成的競品與品類分析成為可能。

而資安優先的推出方式，透露了前沿實驗室認為風險所在之處。當實驗室讓防禦者比其他人更早取得存取權，等於在告訴你：這個模型的能力已強到對攻擊者也有意義。

我的研究怎麼說

我大部分的研究都與社群多媒體有關，而不只是文字。早期我們打造了 bBridge（ACM Multimedia 2016），一個跨網路分析社群多媒體的大數據平台。近期在 SOEX: Explainable AI for Competitor Communications Analytics（WWW 2025 Companion）中，我們聚焦於解釋競爭對手在傳達什麼，以及為何有效。

這些研究的教訓是：分析的規模只是問題的一半。一個能看完一千支競品影片的模型，仍然必須回答策略人員在意的問題：哪些訊息一再重複、哪些表現好、它們鎖定哪些受眾，以及還留下什麼空白。長脈絡與長輸出模型讓閱讀與撰寫變得更便宜。問題的框定與驗證，仍是人的貢獻，並以成效資料為支撐。

我想補充一點提醒。極長的產出很難檢查。一份 200 頁的生成文件可能 98% 都正確，卻仍包含那一個會讓你惹上麻煩的說法。產出越長，你就越需要結構、抽樣與自動化檢查。

我會如何在行銷中運用長程模型

• 品類影片稽核。針對一整組競品影片要求結構化的分析結果：開場鉤子、宣稱、形式、行動呼籲。然後再人工驗證一部分樣本。
• 協調一致的素材庫。一次產生廣告活動的整組版本，讓語氣與宣稱保持一致，並依檢查清單審閱。
• 全站在地化草稿。為新市場產出完整草稿，再請母語審閱者優先檢查高流量頁面。
• 附索引的長文件。要求模型產出一份附來源的宣稱列表，讓人能快速驗證有風險的部分。

Argon 的亮點數字令人印象深刻。對行銷人而言，價值將來自把這種能力與檢查產出的紀律結合起來。

常見問題