谷歌最强AI刚发布,自家员工竟反水砸场:跑分全是刷出来的!

2026年9月30日，硅谷上演了极具戏剧性的一幕。

同一天，同一个发布窗口，全世界看到了两张截然相反的面孔。

聚光灯下，谷歌CEO桑达尔·皮查伊（Sundar Pichai）意气风发，亲自向全球发布最新旗舰大模型，Gemini 4 Argon。在官方博文与评测图表里，这款模型堪称“全能战神”：横扫软件工程、网络防御和量子计算，跑分直接碾压竞品，全面杀回全球AI的最前沿。

▲ 谷歌CEO皮查伊公开的官方基准对比表，Argon多项指标位列榜首

然而，香槟还没来得及开，后院突然起火了。

彭博社两位资深记者朱莉娅·洛夫（Julia Love）和戴维·阿尔巴（Davey Alba）在同一时间抛出一篇调查报道。数名能直接接触该模型的谷歌内部员工爆出猛料：这匹跑分黑马，在内部实测中严重翻车！

员工直言不讳：Gemini 4 在业界标准考试卷上确实拿了高分，但只要一接手公司内部真实脏活累活，尤其是日常编写代码时，表现令人大跌眼镜。

▲ 彭博社记者Julia Love直言：谷歌宣称重返前沿，但部分员工并不买账

消息一出，科技圈一片哗然，Alphabet 股价在开盘冲高超2%后迅速跳水回落。

技术社区里迅速流行起一个新词：“Benchmaxxing”（刷榜狂魔）。

01考场满分，进厂懵圈：AI界的“应试学霸”陷阱

所谓 Benchmaxxing，是硅谷工程师生造的黑话。

说白了，就是“为了考高分而针对性刷题”。

这就像一个高三学生，把历年高考模拟卷背得滚瓜烂熟，SAT考了满分，可一旦让他去修个水龙头、组装个宜家柜子，他却连螺丝刀都握不明白。

▲ 行业追踪账号指出，Gemini 4 陷入了“跑分好看但实用偏弱”的舆论漩涡

彭博社的爆料戳中了最敏感的神经：Gemini 4 在处理杂乱、长链路的真实编程时非常吃力。

一位知情人士特别指出了它的软肋，前端设计。前端开发不仅需要把代码跑通，还要理解视觉审美、交互手感、组件库规范以及用户的微小习惯。这种任务根本没有标准答案，传统基准评测也很难量化。

数据标注平台 Surge AI 创始人埃德温·陈（Edwin Chen）一针见血地指出：“过度迷信基准，会诱使实验室把力气花在‘应试做题’上，偏离了打造扎实好用、构思精妙的实际产品。这在工业界危害极大”

为什么大模型容易沦为“刷题机器”？

在大模型研发中，有一个著名的古德哈特定律（Goodhart's Law）：当一个指标被选为考核目标时，它就注定不再是一个好指标。

为了在发布会上拿出一张“遥遥领先”的柱状图，团队会不自觉地将训练数据向基准考卷倾斜，调整输出格式去迎合自动判分脚本。最终，测试集上的百分比一路狂飙，但真实工程师上手敲代码时，感受到的却只有死板、幻觉与卡顿。

02绝地反击：DeepMind核心研发具名怒斥“全是扯淡”

面对“自家员工背刺”的舆论风暴，谷歌官方与技术一线没有选择沉默。

官方层面，谷歌迅速发布声明驳斥，强调有关“编程表现不佳”的说法完全不实，并强调内部对 Gemini 4 处于前沿水平存在“广泛共识”。

紧接着，两位 Google DeepMind 的核心技术骨干直接实名下场开火。

▲ DeepMind 高级主任研究员公开表示，彭博报道完全是无稽之谈

DeepMind 高级主任研究员阿迪蒂亚·蒂马拉朱（Aditya Timmaraju）在社交平台上硬刚：“这篇彭博报道纯属扯淡（BS）！ Argon 已经当了我相当长一段时间的日常主力工具。除了日常写代码，它在复杂智能体调试（Agentic Debugging）上的表现尤其惊艳。”

另一位 DeepMind 研究者 Sicong Jiang 同样公开发声：“我平时很信任彭博，但这次的报道完全脱离现实。内部情绪是压倒性正面的，它是迄今为止内部口碑最好的一代 Gemini，所谓的‘广泛担忧’让我非常困惑。”

▲ DeepMind 研究员 Sicong Jiang 直言内部口碑极佳，所谓的“广泛担忧”脱离现实

实名反驳迅速引发了第二轮激辩

围观群众被分成了两派：有人认为这是技术骨干以个人声誉作保的硬核背书，也有人冷嘲热讽这是“大厂员工的官方洗地”。

双方之所以吵得不可开交，根源在于“体验的割裂”：Gemini 4 首阶段仅通过 Fairwind 计划向经过认证的少数安全合作伙伴及内部团队开放，外部大众还摸不到。

在黑盒完全打开之前，匿名爆料的“失望感”与具名专家的“真香感”，在社交网络上激烈碰撞。

034亿美元单次训练！谷歌背水一战

这场争议之所以在科技界激起轩然大波，是因为谷歌在2026年的大模型竞争中，已经退无可退。

据彭博情报分析师曼迪普·辛格（Mandeep Singh）测算，像 Gemini 4 这种体量的超级旗舰，单次完整训练成本就高达约4亿美元，这还没算顶尖科学家的高昂年薪与海量数据标注费用。

在研发推进中，团队内部承受着巨大的推迟压力：

• 2026年6月，原定发布的 Gemini 3.5 Pro 因未达预期被内部直接砍掉；
• 紧接着，主要对手开启了令人窒息的“连环轰炸”：Anthropic 刚推了 Claude Opus 5.5，OpenAI 紧接着就端出了 GPT-6.1 Sol / Astra。

谷歌急需一颗定海神针，来向资本市场和全球开发者证明自己依然坐在王座中央。

Gemini 4 Argon 应运而生。它体量庞大，专攻长链路推理与高价值企业场景。在网络安全领域，它能自主扫描、验证并修复系统漏洞；在谷歌内部，它被用于量子计算资源优化和千万行旧代码迁移。

官方每百万输入 2 美元、每百万输出 10 美元的高定价格，清楚标注了它的定位：专为严肃企业级场景打造的重装武器，无关闲聊娱乐。

成本投入越高，容错空间就越窄

只要流出一丝“手感不行”的评价，外界就会立刻怀疑：这台耗资4亿美元打造的巨型引擎，难道又沦为只能在跑分软件里空转的摆设？

04十亿用户的超级护城河，防得住智能体特种兵吗？

拉高视野来看，这场“跑分与手感之争”，折射出整个生成式AI产业正在经历的生死范式转移。

当前的AI竞争，已经彻底告别了“给一个输入框、生成一段文本”的初级阶段，全面跨入以 自主智能体（Autonomous Agents） 为核心的工业化落地期。

在软件开发领域，开发者不再满足于单行代码补全，转向追求由智能体全权接管工程仓库：自主梳理依赖关系、拆解重构需求、编写测试用例，乃至跨模块协同修复缺陷。

在这个全新赛道上，谷歌正面临一场非对称战争：

谷歌的绝对王牌，是举世无双的“十亿级分发护城河”。

• 搜索顶部的 AI Mode，坐拥超过 10亿 独立用户；
• 手机里的 Android、办公必备的 Gmail、桌面标配的 Chrome、出行依赖的地图，每一个都是超10亿级入口。

谷歌可以毫不费力地把底层模型做成自来水，通过庞大的产品矩阵直接“空投”到全球数十亿人的屏幕上。这种分发能力，是 OpenAI 和 Anthropic 这类初创巨头短期内无法企及的。

但谷歌的阿喀琉斯之踵，恰恰在于“顶级开发者的心智”。

科技史反复证明：开发者用脚投票选在哪里写代码，下一代计算平台的中心就会在哪里诞生。

如果 Anthropic 和 OpenAI 的模型在日常编程、终端交互与智能体协同上进化得更快、手感更丝滑，全球顶尖的程序员、极客与初创公司，就会顺理成章地将工作流沉淀在对手的生态圈里。

久而久之，基于智能体构建的企业软件、行业知识库与自动化流水线，都将绕开 Google Cloud，牢牢锁定在竞品的基础设施之上。

到那时，十亿级的分发渠道哪怕再宽广，运送的也不过是日常信息泡沫；而高价值的工业生产力核心，将被对手蚕食殆尽。

05跑分是面具，指尖才是度量衡

跑分决定了一款大模型的下限，但手感决定了它的上限。

对今天的AI巨头而言，自制的横向对比表固然可以在发布会PPT上赢得阵阵掌声；但决定一家公司长远命运的底牌，从来不在于测评榜单上长出几个像素的优势绿条，而取决于深夜里数百万工程师敲击键盘时，是否愿意将这个AI视为不可或缺的工作搭档。

Gemini 4 Argon 究竟是力挽狂澜的工业利器，还是又一次为榜单定制的“应试状元”？

当大模型全面走出测试集，直面全世界开发者复杂多变的真实工程代码库时，所有的公关词令与匿名爆料都会失去意义。

唯有指尖的体验，从来不会说谎