Gemini 4 Argon 在 RSI-Inference 基准上逼近 GPT-6 Astra
苹果团队的 RSI-Inference 基准让 AI 改 vLLM/SGLang 推理引擎，Gemini 4 Argon 推理提速 1.39 倍、Day-0 适配过 81% 隐藏测试，但 Pass@1 仅 6.7%。
让 AI 自己去改跑 AI 的底层引擎，这事全世界之前只有 OpenAI 和 Anthropic 能跑通。 刚刚，Google 的 Gemini 4 Argon 带着 Antigravity 成了第三家，总分直接贴着 GPT-6-Astra 打。 这事得看苹果团队前阵子搞的那个 RSI-Inference 基准测试。 这帮哥们挺狠，直接烧了 10 万美金的 API 和 5 万个小时 GPU，把工业界真正在用的 vLLM 和 SGLang 推理引擎丢给 AI。 看这玩意能不能在真实显卡上自己干完三件事： 给刚发布第一天的新模型做适配、给推理加速、还有修线上 Bug。 说白了，这就是在测 AI 能不能给自己做心脏搭桥手术。 谁先把这活跑通，谁就能用自家模型去榨干自家算力，成本优势会越滚越大。 这次 Gemini 4 Argon 交出来的成绩单确实有点猛： 在推理优化上，它自己动手改完代码，直接把运行速度提了 1.39 倍，排到第四。 在最难的新模型首日适配（Day-0）上，它过了 81% 的隐藏测试，打破了前两家的垄断。 但把数据拆开看，也能摸清现在 AI 干底层工程的真实边界在哪。 如果是局部的性能压榨，比如改改算子、把现成系统提速个 40%，顶尖模型已经能直接下场干脏活了。 可一旦变成从零接入一个新模型这种长链条工程，容错率是零。 Gemini 哪怕过了 81% 的隐藏测试，要求一次把整套流程彻底跑通的成功率（Pass@1）也只有 6.7%。 哪怕是榜一，所有任务最高的一次通过率也就 26.7%。 我觉得这就是眼下最真实的现状。 AI 已经能帮大厂省下大把的显卡电费了，但离它自己完全闭环迭代，中间还隔着那最磨人的最后 20% 报错。 照这趋势，以后底层工程师的日常大概就是看着 AI 把代码提速 40%，然后自己花三天帮它擦剩下那 19% 测试挂掉的屁股。 要不我还是趁早去考个高压电工证算了，毕竟 AI 再怎么自我进化，机房跳闸了总得有人去拉电闸。 https://x.com/onloglogn/status/2114624056385540407
这条是引用着另一条写的：「Gemini 4 Argon 在 RSI-Inference Bench 逼近 GPT-6 Astra」