Argon拿下DeepSWE新高钉死三类场景

Gemini 4 Argon 的第二组数据把定位钉得更具体：在 DeepSWE v1.1 软件工程基准上拿到 77.9%，刷新该基准的最好成绩，多项测试同时领先 GPT-6 Astra、Opus 5.5 与 Fable 5.1。厂商给它的目标场景写得很直白——复杂工作流，横跨真实软件工程、法律与金融这类企业知识工作、以及网络安全防御。 三类场景的共同点是长链条：一个任务要跨多步工具调用、读大量上下文、出错还得自己纠偏。软件工程基准之所以单独被拎出来强调，是因为它最接近企业真实采购时的验收题——不是答对一道题，而是把一串改动连贯做完。DeepSWE 恰好考的是这个：多文件修改、错误恢复、任务收尾，和办公室里的日常开发对得上。 开放节奏同样透露策略：先给付费 API 客户与最高档订阅用户，再逐步铺开。旗舰能力优先卖给能为它设计工作流的团队，而不是平均撒给所有用户——既能控制早期负载，又能让首批反馈来自最会挑毛病的用户群。 对接企业知识工作负载的团队可以做一次针对性评估：从法律文书抽取、财报归类、漏洞处置里各挑一条真实任务跑一遍，重点看跨步骤的连贯性与错误恢复，而不是单题准确率。基准分数只说明它会做题，任务链上的表现才决定它能不能上岗。