逐字稿文字預覽
9月30号 也就是两周前 Google发布了Gemini 4系列的第一个模型 叫Gemini 4 Argon 官方博客的标题写的是 我们前沿智能的下一个时代 署名是Koray Kavukcuoglu Google DeepMind的高级副总裁 也是Google的首席AI架构师 一个新的大版本 第一批用户却不是开发者 也不是付费会员 而是一群做网络安全防御的人 而且给他们的 是拿掉了网络安全护栏的版本 看官方原文这一句 对于可信的防御方 和Google内部团队 我们会发布不带网络安全护栏的 Argon前面还有一句 Argon能自主发现 验证修补关键的软件漏洞 护栏简单来说 就是模型遇到 帮我攻破这个系统 这类请求时会直接拒绝的限制 拿掉以后 它就能放开手去找漏洞 去验证漏洞能不能被利用 这批人是通过一个叫 Fairwind的计划拿到的 Google DeepMind说 这个计划有650多个合作方 优先给政府和国家级的网络安全机构 还有医疗 电信能源 金融这些关键基础设施 申请要审核 要做背景调查 不允许转卖访问权限 也不允许拿它写恶意软件 到了10月13号 也就是昨天 第二批用户才开放 付费的API用户 还有Gemini App里Pro和 Ultra的订阅用户 那么它到底强不强 Google放出了一张对比表拿Argon 和三个对手比 OpenAI的GPT-6 Astra Anthropic的Claude Fable 5.1 和Claude Opus 5.5 一共19项测试 Argon拿了14项第一 赢得最明显的是两类 第一类是法律 金融这种企业里的知识工作 比如说律所Harvey出的法律Agent 测试Argon拿了百分之19.6 GPT-6 Astra只有百分之5.4 差不多是三倍半 不过绝对分数还不到百分之20 十个法律任务 也就做对两个 第二类是超长的材料 在25万到100万token这个长度上 Argon是百分之84.2 对手都在百分之72以下 token可以理解成模型读文字的单位 材料越长 它和别家拉开的差距就越大 不过这张表里 也写着它输了5项像 Terminal-bench OSWorld都是让模型自己在终端里 在电脑上动手干活的测试 这几项Argon输给了Claude Opus 5.5和GPT-6 Astra Terminal-bench这一项 Opus是百分之66.4 Argon是百分之57.4 落后9分 官方把输的几项也老老实实列了出来 这一点挺难得的 写代码这块 Google主推的是DeepSWE 测的是周期很长的软件工程任务 Argon百分之77.9 GPT-6 Astra和Opus都是74出头 领先了但领先不到4分 第三方的结果 目前只有Artificial Analysis一家 他们把10项测试合成一个综合智能分 Argon拿了53分 和GPT-6 Astra一样 可以看到 图上绿色箭头指的就是Argon 但排在它前面的 还有三个 分别是Opus 5.5是58分 Sonnet 5.5是56分 Fable 5.1也是53分 Argon真正占优势的地方 是成本跑完这一整套测试 Argon花了2407美元 GPT-6 Astra花了5324美元 也就是说 同样的分数 花的钱不到一半 接下来给大家看一个容易被忽略的 变化就是输出的上限 以前Gemini一次最多输出6万 4千个token 这次直接提到了100万 差不多16倍 官方的说法是 模型有了足够的空间 就能一口气想得更深 把难题一次做完 不过要注意的是默认的最大输出 还是65536 要专门打开一个叫long decode的长 解码模式 才能到100万 而且这100万是输入和输出共用的 那Google自己拿它干了些什么 官方举了三个例子 第一个一组Argon智能体去分析 Google全公司数据中心的运行数据 自己找出内存能优化的地方 自己改掉 全部上线以后 释放了超过300 TB的内存 相当于差不多一万台 32G内存的电脑加在一起 第二个优化量子算法里的一段程序 几分钟时间 就比已经发表的方案好了百分之40 第三个把C和 C++写的老代码迁移成Rust Rust 是一种不容易出内存漏洞的编程语言 其中有一个视频解码器 迁移完以后 比之前人写的Rust版本快了2.7倍 再回到网络安全 为什么这次要先给防守方看这张 漏洞修复的排行榜 叫CWE-bench Argon是百分之68 并列第一 并列的还有两个 xAI的Grok 4.7 和GPT-6 Astra 也就是说 在找漏洞这件事上 几家顶级模型已经差不多站在 同一个水平了 这样的话 关键就不是有没有模型能找到漏洞 而是谁先用上 Google的思路是 让防守的人先拿到最强的版本 赶在攻击者用上同级别的模型之前 把漏洞先补上 官方举了个例子 安全公司Wiz用Argon做扫描 在全球医院都在用的一款医疗软件里 找到了一个会泄露个人敏感信息的 严重漏洞 之前的前沿模型都没发现 这里有一个背景 9月19号 就在Argon发布前11天 半岛电视台跟进了华尔街日报的报道 Google的Gemini在安全测试里 入侵了三家公司 然后停了下来 原因是测试环境配置出了错 模型能连上真实的互联网 一次是猜对了密码 另外两次 用的是网上公开泄露的账号凭据 Google说 每次都在完成之前停住了 这不算模型失控 但这件事至少说明 这一代模型的攻防能力 已经强到会在真实世界里出事故了 我觉得这也是Google这次这么 谨慎的原因 官方博客里有一句话 要安全地放出这种级别的能力 必须分阶段来 最后说说普通人怎么用要花多少钱 Gemini App这边 Pro和Ultra的订阅用户 从昨天开始就能用上 Google说它回答问题更直接 少了车轱辘话 另外Gemini的Mac版 现在可以直接切到写代码的界面 聊天也可以一键切换成任务模式 你人不在电脑前 它也能接着干 API这边要注意 免费层用不了 价格是每一百万个token 输入2美元 输出10美元 但这是限时价 12月1号开始翻倍 变成4美元和20美元 就算翻倍以后 也只有GPT-6 Astra的百分之40 综合来说 Argon不是全面第一 让模型自己操作电脑 在终端里干活 它还落后于Claude和GPT 它真正强的是三件事读很长的材料 处理法律 金融这种企业文档 还有找漏洞 再加上价格不到OpenAI的一半 如果你的工作是整理大量文档 做长篇的分析 它值得一试想自己验证的话 有个很简单的办法 找一份你手头最长的资料 几百页的合同也好 一整年的财报也好 整份丢给它 问一个需要前后对照才能回答的问题 再拿同一个问题 去问你现在在用的模型 哪个答得对 马上就清楚了
本次執行流程與問題處理
下達指令
預期流程
- 採用來源字幕（略過語音辨識）
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：5.9 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：181.0 秒
關係：依序執行
結果：失敗
問題：exit code -15；timeout
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：1.1 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：0.2 秒
關係：依序執行
結果：完成
5. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.2 秒
關係：依序執行
結果：完成
6. 其他處理
工具：/Users/sagawa/AI_WORK/videonote/.venv/bin/python
處理：執行其他輔助工具
產出：（無明確產出）
耗時：0.2 秒
關係：依序執行
結果：完成
7. 其他處理
工具：/Users/sagawa/AI_WORK/videonote/.venv/bin/python
處理：執行其他輔助工具
產出：（無明確產出）
耗時：0.3 秒
關係：依序執行
結果：完成
8. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.3 秒
關係：依序執行
結果：完成
9. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.3 秒
關係：依序執行
結果：完成
10. 時間軸整合
工具：videonote_timeline_reconcile.py
處理：整合字幕、Whisper 與 VAD 時間證據
產出：timeline_evidence.json（時間軸證據）
耗時：0.4 秒
關係：依序執行
結果：完成
11. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：0.4 秒
關係：依序執行
結果：完成
12. 其他處理
工具：/Users/sagawa/AI_WORK/videonote/.venv/bin/python
處理：執行其他輔助工具
產出：（無明確產出）
耗時：0.5 秒
關係：依序執行
結果：完成
13. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.5 秒
關係：依序執行
結果：完成
14. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：87.4 秒
關係：依序執行
結果：完成
15. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.5 秒
關係：依序執行
結果：完成
16. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.6 秒
關係：依序執行
結果：完成
手動來源字幕
自動來源字幕
Whisper 字幕
- 尚未產生
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.source.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=TIMED_OUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。