Gemini 4 Argon 思维级别与长解码：默认值、成本及何时使用每种设置

Gemini 4 Argon 于2026年10月13日正式发布，谷歌随之记录了决定 Argon 请求成本和所需时间的两个设置：思维级别和输出限制。Argon 提供三种思维级别，分别为低、中和高，默认设置为中。除非您启用长解码，否则响应将在 64K 令牌处停止，启用后单个响应可以达到 1M 令牌。

默认设置中有一个陷阱。每个发布的 Argon 基准测试都在高设置下运行：谷歌评估了它“在最高思维设置下”，人工分析在高设置下进行了测试，Vals AI 也在高设置下运行。未设置级别的请求将以中级运行，因此这不是这些分数所描述的配置。

本文涵盖了这三种级别以及谷歌对每种级别的建议，高级别在令牌和时间上的成本，如何设置输出限制以避免返回空答案，以及长解码的工作原理及其计费方式。最后附上了 AIHubMix 的代码。

简短版本

• Argon 有三种思维级别：低、中（默认）和高。思维无法关闭。
• 每个发布的基准测试都使用了高设置。没有人发布中或低设置的结果。
• max_output_tokens 同时限制思维和答案。将其设置为至少 32,768，否则硬提示可能会耗尽整个预算进行思维而不返回任何内容。
• 在没有长解码的情况下，响应在 65,536 令牌处停止。启用后，响应可以达到 1,048,576 令牌减去您的输入。
• 长解码对每个 64K “跳跃”的每个令牌进行计费，每个跳跃都会将迄今为止写入的所有内容重新读取作为输入，隐式缓存使其折扣 95%。

三种级别

谷歌的 Gemini 4 Argon 新特性 指南将这些级别描述如下：

谷歌警告说，在低级别下，“在困难任务上质量可能下降”，而其选择建议很直接：“在所有三个级别上运行评估，然后选择满足您质量标准的最低级别。”

在原生 API 中，设置为 thinking_level，在 Gemini 思维指南 中有文档说明。通过与 OpenAI 兼容的端点，它是 reasoning_effort。谷歌的 OpenAI 兼容性指南 将 Argon 的值映射为：minimal 和 low 都变为 low，medium 保持 medium，high 保持 high，省略则为默认的 medium。没有级别可以关闭思维。

默认是中级。基准测试是高。

谷歌、人工分析和 Vals 都报告 Argon 在高设置下。Vals 还设置了 262,144 令牌的输出上限。因此，您所看到的分数描述的是 Argon 在其最高级别的表现，而未设置级别的请求将运行一个级别低。

这不一定是个问题。中级别是谷歌推荐用于大多数工作的级别，包括复杂代码和代理，并且它使用的令牌比高设置少。但没有人发布中或低级别的准确性损失或节省的令牌数量。[待定：按思维级别的准确性和令牌]

还有一个细节对比较很重要。GPT-6 Astra 和 GPT-6.1 Sol 在“max”级别下进行了测试，这是高于高的级别。“Argon（高）”与“Astra（max）”之间的平局是每个模型在其上限，而不是在匹配设置下。

高设置的成本

这里的数据来自 人工分析，包括其 提供者速度测试，以及来自 Vals AI 的数据。它们都在高设置下运行 Argon。

思维令牌按输出计费：谷歌列出了 Argon 的输出价格“包括思维令牌”，使用数据将其报告为 total_thought_tokens。每个任务约 62k 输出令牌，任务的成本在谷歌的入门价每百万 $10 下约为 $0.62，在每百万 $20 的价格下约为 $1.24，这是从 12 月 1 日开始的价格。

时间与令牌成正比。在 99.5 到 116.5 令牌每秒的速度下，62k 令牌大约需要 9 到 10 分钟生成，首次回答令牌的等待时间约为 45 秒。交互式产品需要在高设置下进行流式传输和进度指示器，或使用较低级别。

设置输出限制

max_output_tokens 是对思维和答案的硬限制。当响应达到该限制时，状态为“未完成”，文本将被截断或为空，思维令牌仍然会被计费。谷歌的指导：

• 如果您的应用设置的限制低于 32K，请将其提高到至少 32,768。Argon 可以在思维上花费更多的限制。
• 要减少支出，请降低思维级别，而不是设置小限制。
• 在没有长解码的情况下，默认和最大值为 65,536 令牌。请求更多而没有长解码将返回 400 错误。
• 输入、思维和输出共享一个 1,048,576 令牌的窗口。如果您的输入加上 max_output_tokens 超过该限制，输出限制将缩小以适应。

还有两个来自 Gemini 3 的更改。温度、top_p 和 top_k 在 Argon 上被忽略，因此调整它们没有任何效果。硬提示可能需要几分钟，因此谷歌建议 HTTP 客户端超时至少为 15 分钟。

长解码：超过 64K 令牌的响应

长解码是谷歌在发布时宣布的长解码续写。长解码指南 描述了两种运行它的方法。

后台执行（交互 API）。 使用 background=True 创建交互，并将 max_output_tokens 设置为超过 65,536。后台执行需要 store=true。服务器以每次最多 64K 令牌的跳跃写入响应，每次跳跃继续上一次停止的位置，最长可达 24 小时。每次跳跃都会增加一个 model_output 步骤，因此在交互完成时将它们连接起来。如果不提高 max_output_tokens 而设置 background=True，则会在 64K 处停止。

客户端续写（generateContent API）。 每次跳跃在流式传输或通过 SDK 时返回最多 64K 令牌，非流式 REST 调用返回 32K。达到上限的跳跃以 finish_reason: CONTINUATION 和 continuation_token 结束，下一次请求发送相同的输入加上该令牌。最近的 SDK 会为您处理此操作：Python google-genai 2.30.1 和 JavaScript @google/genai 2.29.1 或更高版本。每次请求有 20 分钟的限制。

在流式传输长解码时，保存交互 ID 和最新的 event_id，当流断开时使用 last_event_id 重新连接，并设置 15 到 20 分钟的读取超时。在前 64K 令牌之后，流以大约 5,000 令牌的块到达，中间有暂停。

谷歌明确说明了何时值得使用：

更高的限制为模型提供了思考的空间；它不会使正常答案更长。模型决定写多少内容，并且不遵循字数或令牌目标。

长解码的计费方式

您为每个跳跃中的每个令牌付费，包括仅包含思维的跳跃。每个跳跃还将您的提示和迄今为止生成的所有内容作为输入重新发送给模型，因此这些令牌再次计入。谷歌的示例：一个 1,000 令牌的提示生成 200,000 令牌的思维和输出需要四个跳跃。

使用数据报告约 397,000 个输入令牌，即使上下文仅容纳约 201,000 个。隐式缓存使重复输入折扣 95%，因此成本低廉：在入门价格下，200,000 个输出令牌的成本为 $2.00，约 396,000 个重复输入令牌的成本为每百万 $0.10，增加约 $0.04。输出仍然占据账单的主导地位。

两个副作用。不要使用 total_input_tokens 来决定何时修剪或总结对话，因为它高估了上下文；而是将您的提示大小添加到输出和思维总数中。此外，取消或失败的交互会计费在停止之前完成的所有工作。

按工作负载开始的地方

这些遵循谷歌的级别指导；没有发布的每级准确性来细化它们。

然后测试一个级别低。如果更便宜的级别满足您自己评估集的标准，请保留它。

在会话中保持级别固定。Argon 会隐式缓存，对于至少 4,096 令牌的提示，重复输入折扣 95%，而 AIHubMix Gemini 指南 指出，缓存命中需要相同的内容、模型和参数。在回合之间切换级别可能会将缓存输入变回全价输入。

在 AIHubMix 上设置级别和限制

Argon 在 AIHubMix 上作为 gemini-4-argon 提供，支持 OpenAI 兼容的端点和原生谷歌 GenAI SDK。对于大多数请求，明确设置级别和限制：

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
    timeout=900,  # 硬提示可能需要几分钟
)

resp = client.chat.completions.create(
    model="gemini-4-argon",
    reasoning_effort="medium",  # Argon 的默认值；基准测试使用了“高”
    max_tokens=32768,           # 同时限制思维和答案
    messages=[
        {"role": "user", "content": "审查此支付服务的重试逻辑中的竞争条件。\n\n<源代码>"},
    ],
)
print(resp.choices[0].message.content)
print(resp.usage)

对于长解码，使用指向 AIHubMix 的 Gemini 端点的原生 SDK。AIHubMix 的指南记录了交互 API，包括后台模式，使用 google-genai 2.0.0 或更高版本。下面的模式是谷歌记录的模式；尚未通过 AIHubMix 测试。[待定：通过 AIHubMix 的长解码]

import os
import time
from google import genai

client = genai.Client(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    http_options={"base_url": "https://aihubmix.com/gemini"},
)

interaction = client.interactions.create(
    model="gemini-4-argon",
    input="为此支付模块编写完整的测试套件，测试每个边缘案例。\n\n<源代码>",
    background=True,
    generation_config={"max_output_tokens": 262144, "thinking_level": "high"},
)
while interaction.status in ("in_progress", "queued"):
    time.sleep(5)
    interaction = client.interactions.get(id=interaction.id)

# 每个跳跃增加一个 model_output 步骤；将它们全部连接起来。
text = "".join(
    part.text
    for step in interaction.steps
    if step.type == "model_output"
    for part in step.content
    if part.type == "text"
)
print(interaction.status, interaction.usage)

Argon 的 AIHubMix 模型页面 列出了其支持的输入、能力和当前价格。

常见问题

Gemini 4 Argon 支持哪些思维级别？
低、中和高。默认是中，思维无法关闭。

Argon 的基准测试是在什么级别下进行的？
高。谷歌、人工分析和 Vals AI 都报告 Argon 在高设置下，没有人发布中或低设置的结果。

如何通过 OpenAI SDK 设置级别？
使用 reasoning_effort。对于 Argon，minimal 和 low 映射到 low，medium 映射到 medium，high 映射到 high。省略则得到 medium。

为什么 Argon 返回了空答案？
它可能将整个 max_output_tokens 预算花费在思维上。响应返回不完整，思维令牌仍然会被计费。将限制提高到至少 32,768 或降低思维级别。

如何获得超过 64K 的输出令牌？
使用长解码。在交互 API 中，将 background 设置为 true，并将 max_output_tokens 设置为超过 65,536。在 generateContent 中，使用最近的 SDK，它会自动跨跳跃继续。

长解码如何计费？
您为每个跳跃中的每个令牌付费。每个跳跃重新发送提示和迄今为止生成的所有内容作为输入，隐式缓存使重复输入折扣 95%。取消或失败的运行会计费已完成的工作。

温度在 Gemini 4 Argon 上仍然有效吗？
不。温度、top_p 和 top_k 被忽略，因此请删除它们并使用思维级别来控制行为。

继续阅读：Gemini 4 Argon 系列

• 在调整设置之前，检查 Argon 是否适合您的工作负载：Gemini 4 Argon：前沿分数、1M 令牌输出限制及如何现在调用它
• 高思维是导致 Argon 任务成本高的原因。来自两位独立测试者的每个任务的测量成本：Gemini 4 Argon 定价：每令牌便宜，但每任务不便宜
• 思维默认值、输出限制和被忽略的采样参数是迁移清单上的三项更改：从 Gemini 3.1 Pro 或 3.8 Flash 迁移到 Gemini 4 Argon：什么会中断以及如何修复

来源

• Gemini 4 Argon 的新特性（谷歌 AI 开发者）
• Gemini 思维（谷歌 AI 开发者）
• 长解码（谷歌 AI 开发者）
• Gemini 4 Argon：谷歌重新成为实现智能的前三大实验室之一（人工分析）
• AIHubMix 上的 Gemini 4 Argon（AIHubMix）