Google объявила о публичном запуске Gemini 4 Argon 13 октября 2026 года. Model card описывает её как новую модель, а не модификацию или дообучение предыдущей. Для разработчиков важны не только заявленные возможности, но и устройство общего токенного бюджета, тарифы API и то, что показывают опубликованные сравнения. Google датирует запуск 13 октября.
Что Google выпустила 13 октября
Само определение «новая модель» не раскрывает, что именно изменилось относительно предыдущего этапа Gemini 4. В доступной model card Google уточняет, что Argon не является модификацией или дообучением прежней модели, однако детального сопоставления с предыдущим этапом там нет. Поэтому по опубликованным данным можно описать возможности Argon, но не составить полный перечень изменений поколение к поколению.
Google называет целевыми областями программирование, финансы, право, кибербезопасность и науку. В анонсе компания также приводит примеры: рефакторинг крупных кодовых баз, оптимизация рабочих процессов, поиск уязвимостей и научные задачи. Это сценарии, заявленные производителем, а не независимая оценка результатов внедрения.
Общий бюджет входа, рассуждения и ответа
Документация Gemini API задаёт единое окно до 1 048 576 токенов. В общий лимит входят входные данные, внутреннее рассуждение (thinking) и выход. Это принципиально для длинных задач: токены, занятые документами и рассуждением, нельзя одновременно использовать для ответа.
Документация описывает long decode — генерацию одного ответа длиннее 64 тысяч токенов, вплоть до общего предела в 1 млн токенов за вычетом уже использованной части бюджета. Максимум не означает, что каждый запрос способен получить миллион токенов именно на выход: доступный объём зависит от входа и thinking. Для анализа большого корпуса или создания длинного результата важны и лимит, и то, сколько контекста останется на финальный ответ.
Уровень thinking можно выбирать: low, medium или high; по умолчанию установлен medium. Это даёт разработчику параметр настройки, но доступная документация не приводит измерений, позволяющих заранее количественно оценить влияние каждого уровня на точность, задержку или расход токенов.
Model card указывает текст, изображения, аудио и видео в числе типов входных данных, а текст — в качестве выхода. Архитектура описана как разреженная трансформерная модель mixture-of-experts с нативной мультимодальной поддержкой текста, изображений и аудио. Перечень поддерживаемых типов данных сам по себе не говорит о качестве обработки любого конкретного файла или задачи.
Где доступна модель и сколько стоит API
Для разработчиков указаны Gemini API и Google AI Studio; идентификатор модели — gemini-4-argon. В анонсе Google также перечисляет Gemini platform и потребительские продукты: доступ через Antigravity для подписчиков Google AI Ultra, а через приложение Gemini и AI Mode в Search — для подписчиков Google AI Ultra и Pro. Это опубликованные компанией каналы запуска; доступность конкретного продукта для отдельного аккаунта или региона следует проверять непосредственно в сервисе.
До 30 ноября 2026 года документация указывает вводный тариф: 2 доллара за 1 млн входных токенов и 10 долларов за 1 млн выходных. После этого срока опубликованы ставки 4 и 20 долларов соответственно. Вход и выход считаются раздельно: миллион входных и миллион выходных токенов вместе обойдутся в 12 долларов по вводным ставкам или 24 доллара по указанным последующим тарифам, без учёта иных условий биллинга.
Анонс сообщает о скидке 95% на кэшированные входные токены. Это не означает автоматическую скидку на любой повторный запрос: условия кэширования нужно учитывать по тарифной документации. Для оценки стоимости длинной задачи также важно, что общий бюджет расходуется на вход, thinking и выход, при этом входные и выходные токены тарифицируются по разным ставкам.
Что показывают опубликованные Google сравнения
В карточке модели Google приведены результаты Gemini 4 Argon и нескольких конкурентов. Ниже — выборка строк таблицы; проценты относятся к показателям, указанным в названиях соответствующих бенчмарков. Все значения в таблице опубликованы Google, а не получены в тестах Comrad404.
| Бенчмарк | Gemini 4 Argon | GPT-6 Astra | Claude Fable 5.1 | Claude Opus 5.5 |
|---|---|---|---|---|
| Vals Index | 68,9% | 63,1% | 65,8% | 67,0% |
| DeepSWE v1.1 | 77,9% | 74,1% | 67,4% | 74,2% |
| FrontierSWE v2 | 55,0% | 65,5% | 56,3% | 62,3% |
| Terminal-bench 4.0 | 57,4% | 58,2% | 57,9% | 66,4% |
В этой выборке Argon показывает наибольшее значение на Vals Index и DeepSWE v1.1, но уступает GPT-6 Astra, Claude Fable 5.1 и Claude Opus 5.5 на FrontierSWE v2. На Terminal-bench 4.0 результат Argon также ниже значений всех трёх моделей. Следовательно, даже сама таблица производителя не подтверждает превосходство Argon во всех задачах.
Анонс Google заявляет о первом месте в Vals Index и превосходстве над другими передовыми моделями на бенчмарках в разных областях. Model card даёт численные результаты, однако доступные сведения не раскрывают здесь все детали методики, настройки и условия проведения тестов. Независимых воспроизводимых тестов в рассмотренных источниках нет. Поэтому таблица полезна как набор опубликованных Google сравнительных показателей, но не заменяет независимую проверку.
Для каких задач рассматривать Argon
Большое общее окно может быть полезно, когда запрос требует передать объёмные материалы и получить развёрнутый ответ; long decode допускает особенно длинную генерацию в пределах оставшегося бюджета. Уровень thinking позволяет менять параметр рассуждения, а мультимодальный вход расширяет типы материалов, которые можно включать в запрос. Это выводы из спецификаций, а не свидетельство того, что модель одинаково надёжно справляется с любой длинной или мультимодальной задачей.
Для разработки ПО таблица показывает сильный результат Argon на DeepSWE v1.1, но одновременно — заметное отставание на FrontierSWE v2 и более низкое значение, чем у перечисленных конкурентов, на Terminal-bench 4.0. Значит, выбор модели для агентной разработки разумнее делать по бенчмаркам и собственным рабочим задачам, а не по одному общему заявлению о лидерстве.
В праве, финансах, кибербезопасности и науке цена ошибки может быть существенной. Google приводит эти области как сценарии применения, но опубликованные примеры не отменяют проверки результата специалистом. При выборе через API стоит сопоставить характер задач, нужную длину контекста и ответа, тарифы на вход и выход и результаты конкретных бенчмарков. По имеющимся данным Argon выглядит вариантом для проверки в рабочих процессах, где важны длинный общий контекст и результаты на подходящих задачах; универсального победителя таблица не показывает.
