Google DeepMind 如何安全、负责任地开发 Gemini 4 Argon

Developing Gemini 4 Argon responsibly and safely

Google DeepMind 为 Gemini 4 Argon 构建了滥用防护、实时失准监控和提示词注入防御，并开始扩大模型开放范围。防护结合输入筛查、内部激活探针与持续监控，模型在编码基准中的走捷径或作弊尝试降至 2%，在 Gray Swan 的 IPI 基准中经过 15 次自适应攻击尝试后的攻击成功率为 0.7%。

推荐理由：Google DeepMind 将实时行为监控与不惩罚思维链的训练原则结合，使智能体的违规尝试保持可监测性。