AI 编程进入"全流程执行"时代：Gemini 4 Argon、Mellum2.1、GPT-6.1 Ultrafast 三连解读

2026 年 10 月的第二周，可能是 AI 编程工具史上最密集的一周。谷歌放出了能直接向生产代码库提交 PR 的 Gemini 4 Argon，JetBrains 开源了专为 Agent 子任务训练的 Mellum2.1，OpenAI 则推出了推理快 8 倍的 GPT-6.1 Sol Ultrafast。三件事如果分开看都是产品更新，放在一起看就是一个信号：AI 编程正从"代码补全"跨入"全流程执行"。

一、先看三家各自交了什么卷

三款产品不是竞品关系——它们分别回答了 AI 编程链条上的三个不同问题：谁来规划？谁来做杂活？怎么做得更快？

二、Gemini 4 Argon：第一个敢直接交 PR 的"员工级"模型

2.1 它到底能做什么

谷歌给了 Argon 一个很具体的定位：能端到端完成代码工程任务。不是补全一行代码，也不是生成一个函数，而是——

自主理解需求 → 探索代码库 → 生成完整代码 → 运行测试 → 直接提交 Pull Request

整个过程只需少量人工审核。这和 Copilot / Codex 当年的"帮你写下一行"完全不是一个维度。

2.2 内部实测数据

谷歌内部已有数千名员工在真实业务场景中深度测试 Argon：

• 覆盖约 40% 的日常编码任务，代码通过率与人工水平相当
• 完成了数十万行内核代码的跨语言迁移（包括将 libgav1 的 SIMD 代码重写为 Rust 版，解码速度提升 2.7 倍）
• 在数据中心内存优化中，Argon agent 自动释放了超过 300 TiB 内存，预计可释放 500 TiB ~ 1 PiB
• 在量子计算子任务中，比已发表的基线提升 40%

2.3 两个技术指标值得关注

百万 token 输出：前代 Gemini 输出上限约 6.4 万 token，Argon 直接拉到 100 万（约 3000 页文本）。这意味着它可以在单次调用中生成一个中型代码库的完整重构方案——不用分段、不用续写、不用重新建立上下文。

DeepSWE v1.1 77.9%：这是长周期软件工程任务的新 SOTA。对比 Claude Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%，Argon 在"需要长时间、多步骤完成的编码任务"上建立了明确优势。

2.4 它也有短板

• Terminal-Bench 4.0 仅 57.4%，落后于 Opus 5.5（66.4%）——在终端操作场景不占优
• FrontierSWE v2 55.0%，落后于 GPT-6 Astra（65.5%）——在更前沿的复杂工程任务上并非最强
• 目前只有安全审查通过的企业和研究人员能用，普通开发者还要等

三、Mellum2.1：Apache 2.0 开源的"Agent 打工人"模型

3.1 它的定位很窄也很聪明

JetBrains 没有去卷"谁是最强编程模型"。Mellum2.1 的定位是：

不是取代前沿模型当主脑，而是做 Agent 在执行过程中产生的大量小任务。

在一个典型 coding agent 的工作流里，"主脑"只占 10%-20% 的调用量，剩下 80%-90% 是这些琐碎活：读文件、总结 diff、选测试、写 commit message、做一个定向修改。每次把这些琐碎活都发给一个收费的旗舰模型，又慢又贵。

3.2 架构亮点：小身材大能量

MTP（多 token 预测）让单请求速度提升约 1.6 倍。关键的是，它可以在你自己的硬件上跑——一台 GPU 就能服务多个用户，量化版甚至能在笔记本上本地跑。

3.3 RL 驱动的质变

Mellum2.1 最值得说的不是架构，是训练方式的改变：

• RL 从短暂的收尾阶段变成了训练主体——“After a summer of reinforcement learning in real environments”
• 在真实代码仓库里训练，有 shell 和文件编辑工具，跑通测试就奖励
• 数百万次沙箱运行，覆盖数千种环境

结果就是 SWE-bench Verified 从 Mellum2 的 2.0% → 47.0%。架构完全没变（12B MoE / 2.5B active），纯粹靠 RL 后训练把能力拉上来。

xychart-beta
    title "Mellum2 → Mellum2.1：RL 后训练带来的飞跃"
    x-axis ["SWE-bench Verified", "SWE-bench Pro", "Terminal-Bench 2.1", "AIME 25/26"]
    y-axis "%" 0 --> 100
    bar [2, 0, 0.6, 60.1]
    bar [47, 28, 17.4, 83.3]

注：所有基准分均为 JetBrains 自报，评价框架统一（Pi v0.73.1, 114K context, 16K token/turn）

3.4 对中小团队的最大价值

Apache 2.0 协议意味着：银行、政府承包商、IT 外包公司——这些不能把源码发到外部 API 的团队——终于有一个能在自己机房里跑、SWE-bench 接近 50% 的模型了。而且不是"勉强能跑"，是"产能足够支撑生产负载"。

四、GPT-6.1 Sol Ultrafast：当"快"本身就是功能

4.1 它解决什么问题

OpenAI 给了 Ultrafast 三个典型场景：调试故障、Agent 操作应用、实时交互。这句话翻译过来就是——“有些活，晚了 2 秒就等于没干”。

标准版 Sol 在重负载下被很多用户反馈只有 20-30 token/s。Ultrafast 把上限拉到 8 倍，本质上是从"能等"到"不卡"的质变。

4.2 定价逻辑

8 倍速度、6 倍价格。 这本质是一个"急活税"——急不急你自己判断。

4.3 但它不解决所有慢的问题

第三方测试者 MatthewBerman 的结论很直接：如果慢的不是模型推理、而是工作流里其他环节，切 Ultrafast 没意义。 它加速的是 token 生成速度，不是文件读写、不是网络往返、不是 shell 命令执行。

正确用法：Agent 循环里高频调用 Sol 的场景，用 WebSocket 保持长连接 + Ultrafast 加速生成，两条腿走路。

五、三件事拼在一起：AI 编程的范式在变

如果把三款产品放进同一个 Agent 工作流里，一个清晰的"分工架构"就浮出来了：

flowchart LR
    User["👤 开发者"] -->|"需求/Review"| Brain
    User -->|"最终决策"| Approve

    subgraph AgentWorkflow["AI Agent 工作流"]
        Brain["🧠 主脑：Argon / Sol<br/>理解需求 · 规划 · 提交 PR"]
        Worker["🔧 工人：Mellum2.1<br/>读文件 · 写diff · 跑测试<br/>自建部署，成本趋零"]
        Fast["⚡ 快车道：Sol Ultrafast<br/>Agent 高频交互 · 调试"]
    end

    Brain -->|"拆分任务"| Worker
    Worker -->|"完成提交"| Brain
    Brain -.->|"实时交互"| Fast
    Fast -.->|"结果回传"| Brain
    Brain -->|"最终 PR"| Approve["✅ 审核合并"]

    style Brain fill:#c084fc,color:#1e1e2e,stroke:none
    style Worker fill:#a6e3a1,color:#1e1e2e,stroke:none
    style Fast fill:#f9e2af,color:#1e1e2e,stroke:none
    style Approve fill:#94e2d5,color:#1e1e2e,stroke:none
    style User fill:#f38ba8,color:#1e1e2e,stroke:none

这张图不是在画未来——这个分工架构今天已经可以搭建：

1. 用一个前沿模型（Argon 或 Sol）做主脑，负责理解需求、分解任务、最终合并
2. 用 Mellum2.1 类的开源小模型处理海量子任务，自建部署，成本几乎为零
3. 用 Sol Ultrafast 处理需要实时反馈的调试和交互环节

对开发者的三条实际影响

六、几点理性提醒

1. 所有基准分都是厂商自报。 三款产品目前都没有独立的第三方大规模评测。Argon 的 DeepSWE 77.9%、Mellum2.1 的 SWE-bench 47.0%、Sol Ultrafast 的"8 倍"——这些数字在交叉验证前都应该打问号。

2. Argon 还没全面开放。 目前仅面向美国网络安全审查通过的组织和谷歌内部员工。普通开发者的 API 访问时间未定。

3. "Ultrafast 8 倍"是峰值，不是平均。 OpenAI 没有公布 p50/p95 的延迟分布，也明确说明加速的是 token 生成而非完整 task 完成时间。如果你的场景慢在 I/O 上，切 Ultrafast 没用。

4. Mellum2.1 不是"万能小模型"。 SWE-bench 47% 是个很好的开源成绩，但离"可替代人类工程师"还很远。它的正确用法是做子任务工人，不是做主规划者。

结语

2026 年 10 月这一周，AI 编程完成了一次无声的范式切换：

• 从"帮你写下一行"到 “帮你交整个 PR”（Argon）
• 从"所有调用都走云端旗舰模型"到 “自建小模型处理 80% 的琐碎活”（Mellum2.1）
• 从"模型快慢是固定的"到 “速度是可以按需购买的资源”（Ultrafast）

三件事的本质是同一个趋势：AI 编程正在从单点工具变成多模型协作的生产线。 开发者需要学会的不再是"如何用好一个 AI 编程助手"，而是"如何设计一条 AI Agent 流水线"。