Google DeepMind 公布 Gemini 4 Argon 安全开发细节，模型开始广泛推出

Gemini 4 Argon 是模型能力的一次飞跃——尤其是在复杂、真实世界任务中进行深度工作方面，涵盖编程、金融、法律、网络安全和科学等领域。它的网络防御能力达到了前沿水平，旨在让防御者在与攻击者的对抗中占据优势。为了充分发挥其潜力，我们首先希望网络防御者通过我们的 Fairwind 计划将它投入实际使用，同时我们自己的安全团队也用它扫描 Google 内外的关键系统。

这段有限访问的窗口期展示了这些能力为何重要。例如，Wiz 使用 Argon 发现了医院软件中一个此前模型未曾发现的严重漏洞，帮助保护了数十万条患者记录。与此同时，Google 自己的安全团队也使用 Argon 在内部软件和开源软件中查找并修补漏洞。这包括修复影响全球系统的底层漏洞，这些漏洞目前正通过我们的负责任披露流程进行处理。

今天，我们开始大范围推出 Argon，并将 Fairwind 计划扩展至更多值得信赖的网络防御者。为了做好这件事，我们认真思考了两个重大问题：

我们如何构建恰当的安全护栏？如果 Argon 能帮助防御者查找复杂的软件漏洞，或帮助科学家设计实验，我们如何阻止恶意行为者利用它发起网络攻击或制造生物威胁？（滥用）
我们能否相信模型会以正确的方式完成任务？随着模型成为更善于解决问题的角色，我们如何确保它们不会偷工减料、越界行事，或在高风险情况下做出错误决策？（错位与提示注入）

我们的完整安全与安保报告系统地涵盖了我们的一整套防御措施。以下是我们针对 Gemini 4 Argon 处理这两个问题的一些亮点。

跨高风险领域的滥用防范

让 Argon 能够查找并修补漏洞的编程与推理能力提升，同样推动它在我们的网络安全测试中取得了更好的成绩——解决了全部 12 个端到端模拟网络攻击场景，而上一代模型只能解决五个。在生物学评估中，未加防护的模型版本也展现出更强的能力，可以逐步帮助排查复杂的实验室流程。遵循我们的前沿安全框架，鉴于我们观察到模型在网络和生物领域的能力提升，我们在这两个领域都部署了新一代的前沿安全保障措施。

首先，对于潜在危险的请求——从编写漏洞利用代码到协助处理危险生物材料，Argon 在拒绝执行有害请求方面明显优于我们之前的模型。在一个旨在对模型进行压力测试的对抗性数据集上，违规数量减少了近一半——同时也显著优于之前的 Gemini 模型。其次，我们为模型套上了三层实时保护；这是为了防范那些执着的攻击者，他们可能试图通过将危险请求伪装成无害的故事，或在数周内将其拆分为数十个小问题，来越狱（即欺骗）模型。以下是这些保护措施的运作方式：

输入筛查：较小的模型会检查传入的请求和对话上下文中是否存在恶意意图或危险请求。
内部自省：即使请求被巧妙伪装成无害的样子，小型 transformers（“激活探针”）也会读取模型的内部神经信号，并被训练用于检测模型何时在调用有关网络攻击或生物威胁的知识。
持续监控：当模型跨多个步骤进行推理并撰写回复时，我们会将这些信号综合起来，并在必要时采取行动，例如当回复出现问题时段中断智能体。

将实时防护、对新越狱手段的更快修复以及对反复滥用的强化监控相结合，使我们的系统在防止现实世界危害方面表现更好。例如，外部生物越狱红队测试只能解锁我们所测试的生物子任务中不到 1% 的部分。

实时对齐偏差监控

对齐偏差有时可能意味着智能体自行决定追求与用户意图不同的目标。由于 Argon 在理解其运行环境方面比早期模型强得多，我们会仔细测试这类行为。例如，我们进行了逼真的“蜜罐”测试，以查看模型是否会提升其采取隐蔽行动的能力，例如破坏安全监控。我们没有发现任何此类行为的实例。

但我们在当今实践中确实看到的，是一个更为熟悉的情形：智能体过于努力地想要完成分派给它的任务。当一个足智多谋的助手被告知要完成某项任务却碰上了一扇上锁的门时，它可能会把这道障碍仅仅当作又一个待解的谜题。

这就是我们训练 Gemini 4 Argon 尊重系统边界、如实报告负面结果、并暂停以请求人工确认的原因。在模型没有动力有所保留的编程基准测试中，Gemini 4 Argon 上走捷径或作弊的尝试比例降至仅 2%，这是我们近期 Gemini 模型中的最佳表现。

尽管这是一个重大进步，但当模型运行数百万个复杂任务时，即使罕见的失误最终也会出现。作为第二道防线，我们构建了一个自动化的对齐偏差监控器，它可以实时读取智能体的操作及其内部“草稿板”（即其逐步的思路链），在严重的边界违规发生之前予以阻止，并将严重的内部案例标记给人工响应人员。（我们会持续加固训练和评估环境，防范潜在的逃逸。您可以在我们的智能体控制路线图中阅读更多相关内容）。我们在产品中、内部编程智能体上、训练运行期间以及能力评估期间运行这一监控器。

当训练任务困难或训练环境存在缺陷时，我们的监控器在极少数情况下捕捉到模型创造性地试图钻测试的空子。该模型曾试图提升容器权限以修改评分脚本、从测试运行器的内存中读取答案，有一次它甚至让评估沙箱崩溃，以避免因运行失败而得到评分。虽然我们利用这些发现来修复有缺陷的任务，但我们不会用它们以其他方式干预训练过程，以避免模型过拟合于监控器。

我们始终遵循一条规则：在训练过程中，我们不会因模型在思维链中写下的内容而对其进行惩罚。举个例子来说明原因：在一次强化学习训练中，捷径惩罚被意外应用到了思维链上，被公开讨论的捷径减少了 61%，但这并不意味着模型走的捷径变少了。相反，模型默默走捷径——即在思维中不提及——的比例增至三倍多（从 11.2% 升至 36.4%）。避免思维惩罚有助于让模型的推理保持透明和可监控。

提示注入抵抗能力

要信任智能体把工作做好，我们需要确保它遇到的恶意内容无法诱骗它采取有害行为。当智能体浏览网页或阅读代码时，可能会遇到隐藏的恶意指令，或旨在劫持其任务的上下文。通过内置的对抗训练和实时安全检查，Argon 在 Gray Swan 的间接提示注入（IPI）基准测试中于提示注入稳健性方面处于领先地位，将 15 次自适应尝试中的攻击成功率降至 0.7%。

上述安全与安保防御只是我们庞大的纵深防御体系中三个类别的代表。要详细了解我们在安全测试和缓解措施方面采取的方法，请阅读完整的 Gemini 4 Argon 安全与安保报告，并查看 Gemini 4 Argon 模型卡。