Разбор релиза Gemini 4 Argon: лимит вывода в 1 млн, 77,9% в DeepSWE и 6 ключевых особенностей

30 сентября 2026 года старший вице-президент Google DeepMind и главный архитектор ИИ Koray Kavukcuoglu представил в официальном блоге Google Gemini 4 Argon — первую модель поколения Gemini 4 и самую мощную передовую модель Google на сегодняшний день. Argon ориентирован на сложные задачи, требующие глубоких рассуждений в несколько этапов. В первую очередь он предназначен для реальной разработки ПО, корпоративных задач в сфере юриспруденции и финансов, а также защиты от киберугроз.

В этом запуске есть несколько заметных отступлений от привычного подхода. Во-первых, вместо линейки Pro, Flash и Flash-Lite модель впервые получила кодовое имя — «Argon». Во-вторых, максимальный объём одного ответа вырос с 64K до 1M токенов. В-третьих, на старте модель доступна не всем разработчикам: сначала её предоставят надёжным специалистам по киберзащите в рамках программы Fairwind. В этой статье мы разберём основные возможности Gemini 4 Argon, результаты бенчмарков, цены и планы по открытию доступа на основе публикации Google, материалов англоязычных СМИ и независимых оценок.

Главное: прочитав статью, вы сможете быстро оценить, насколько Gemini 4 Argon подходит для ваших задач, когда его можно будет использовать и какую подготовку стоит начать уже сейчас.

Кратко о Gemini 4 Argon

Сначала соберём в таблице ключевые сведения из публикации Google. Обратите внимание: Google указал только максимальный объём ответа — 1M токенов, но не назвал точный размер входного контекстного окна. В некоторых публикациях упоминается «входное окно в 1M токенов», однако официального подтверждения Google пока нет. Ориентироваться стоит на будущую официальную документацию.

Три основных направления Gemini 4 Argon

В публикации Google выделил для Argon три ключевых направления. В разработке ПО модель способна поддерживать рассуждения на протяжении сложных многоэтапных рабочих процессов. Инженеры Google уже используют её в повседневной отладке и масштабной миграции кода. В сфере корпоративных знаний Argon показывает лидирующие результаты в Agent-бенчмарках для профессиональных областей, таких как юриспруденция и финансы. Он подходит для задач, где нужно изучить большой объём документов и подготовить структурированные выводы. Особенность Argon — киберзащита: модель специально обучали самостоятельно обнаруживать, проверять и устранять критические уязвимости в ПО.

Google также отдельно отметил мультимодальные возможности Argon: анализ сложных диаграмм, поиск нужных деталей в длинных видео и выполнение задач на основе целого набора документов. Кроме того, по словам Google, модель стала лучше справляться с творческим письмом. Так что Argon — не узкоспециализированная модель только для программирования.

🎯 Совет по подключению: Gemini 4 Argon пока открывают пользователям поэтапно. Если вы хотите как можно раньше протестировать модель в своих проектах, рекомендуем заранее подключить модели Gemini через платформу APIYI apiyi.com. Платформа использует единый интерфейс, совместимый с OpenAI, поэтому после выхода новой модели для переключения обычно достаточно изменить параметр model.

Разбор результатов Gemini 4 Argon в бенчмарках

В своём блоге Google привела результаты целого ряда бенчмарков. Вскоре независимые оценки опубликовали и сторонние организации — Artificial Analysis, Vals и другие. В таблице ниже собраны данные, заявленные разработчиками и сведённые DataCamp. Для сравнения взяты OpenAI GPT-6 Astra и модели Anthropic Claude Fable 5.1 и Claude Opus 5.5.

По этим данным видно, что сильные стороны Gemini 4 Argon — многоэтапная разработка ПО (DeepSWE), агенты для специализированных задач (Vals, Harvey) и рассуждения с очень длинным контекстом (GraphWalks). Особенно заметен отрыв в бенчмарке юридического агента Harvey: Argon набрала 19.6%, тогда как остальные модели остались на однозначных значениях. Это говорит о существенном преимуществе Argon в длительных профессиональных задачах, где нужно работать с большим количеством документов.

Однако Argon не лидирует во всех тестах. В бенчмарках FrontierSWE v2 и Terminal-Bench 4.0, которые больше ориентированы на работу в терминале и сложные инженерные задачи, модель уступила GPT-6 Astra и Claude Opus 5.5 соответственно. В CWE-bench v1 Argon разделила первое место с GPT-6 Astra. Как сообщает Engadget, к ним присоединилась и Grok 4.7. Кроме того, Google заявила о результатах 51.3% в Zapier AutomationBench (первое место) и 91.7% в бенчмарке понимания длинных видео LVBench (SOTA).

Независимые оценки Gemini 4 Argon

Независимые оценки звучат сдержаннее, чем данные самих разработчиков. По данным Intelligence Index от Artificial Analysis, Argon набрала 52.6 балла — практически столько же, сколько GPT-6 Astra с её 52.7, — но уступила Claude Opus 5.5, у которой 57.6 балла. При этом важно учитывать, что организация тестировала только версию Argon с уровнем High. В Vals Index Argon заняла первое место среди 41 модели с результатом 68.9%, а в текстовой арене Arena.ai вышла на первое место, набрав 1525 баллов.

На долю галлюцинаций и точность фактов стоит смотреть вместе. У Argon доля галлюцинаций составляет всего 15%, но точность фактов ниже, чем у Astra. Это говорит о том, что модель скорее откажется отвечать, если не уверена, чем станет придумывать ответ. В корпоративной работе со знаниями такой подход — «лучше ответить реже, чем ошибиться» — обычно предпочтительнее. The Decoder даёт довольно взвешенную оценку: Google сократила отставание, но пока не вышла на явное лидерство.

💡 Совет по выбору: результаты бенчмарков — лишь ориентир, а эффективность сильно зависит от задачи. Рекомендуем сравнить модели Gemini, GPT и Claude на собственных данных через платформу APIYI apiyi.com. Единый интерфейс поможет заметно сократить затраты на тестирование нескольких моделей.

Что означает лимит вывода в 1M токенов у Gemini 4 Argon

Лимит вывода в 1M токенов — цифра, которую в этом анонсе проще всего понять неправильно. Она не означает, что на один вопрос в Gemini App можно получить ответ на миллион слов. Этот лимит рассчитан на длительные рабочие процессы с агентами. Когда модели нужно долго генерировать код, выполнять несколько циклов вызова инструментов и непрерывно выдавать промежуточные результаты, прежний лимит в 64K токенов часто становится узким местом — разработчикам приходится дробить задачу на множество частей.

В блоге Google привела три внутренних примера, показывающих, в чём практическая ценность этой возможности. Они же лучше всего помогают понять, для чего предназначен Argon.

Пример с миграцией с C/C++ на Rust лучше всего показывает ценность лимита вывода в 1M токенов. При миграции ядра объёмом более 800 тысяч строк модель должна в рамках одной связной задачи сохранять контекст, генерировать код и проверять свою работу. Чем выше лимит вывода, тем реже приходится прерывать и разбивать задачу. Для команд, которые масштабно перерабатывают кодовые базы или модернизируют устаревшие системы, это важнее, чем результат в отдельном бенчмарке.

Возможности Gemini 4 Argon в области кибербезопасности

Кибербезопасность — самая необычная особенность Argon. По словам Google, Argon умеет самостоятельно обнаруживать и проверять критические уязвимости в программном обеспечении, а также устранять их. Внутренние тесты Google по поиску уязвимостей на 20 языках программирования и бенчмарк Wiz для тестирования на проникновение методом «чёрного ящика» показали «значительный скачок» по сравнению с предыдущей моделью Gemini 3.8 Flash Cyber.

Конкретный пример привела компания Wiz, специализирующаяся на безопасности. В рамках программы Google Scan for Good компания Wiz с помощью Argon обнаружила в медицинском ПО, которым пользуются больницы по всему миру, серьёзную уязвимость, из-за которой могли раскрыться конфиденциальные персональные данные. Прежде её не обнаружила ни одна из передовых моделей. Это также объясняет, почему Google сначала предоставила Argon участникам программы Fairwind: версия для доверенных специалистов по защите и внутренних команд Google не имеет ограничений в области кибербезопасности. Это расширяет пределы возможностей модели, поэтому круг пользователей необходимо строго контролировать.

Анализ цен и графика открытия доступа к Gemini 4 Argon

В плане цен Argon использует двухэтапную стратегию: «стартовая цена + обычная цена». На стартовом этапе ввод стоит $2, а вывод — $10 за миллион токенов. Затем цена вернётся к $4 за ввод и $20 за вывод. На кешированный ввод всегда действует скидка 95%. Google пока не уточнила, как долго продлится стартовый период и как будет тарифицироваться токен рассуждений.

Примечание: данные о GPT-6 Astra и Claude Opus 5.5 собраны сторонними источниками, включая Engadget и NeuralTrust. Актуальные сведения следует сверять с официальными страницами разработчиков.

Из таблицы видно, что стартовая цена Argon составляет лишь пятую часть цены GPT-6 Astra, а обычная — 40% от цены Astra. С Claude Opus 5.5 цены совпадают. По оценке Artificial Analysis, при действующей скидке выполнение Argon задачи сопоставимого объёма обходится примерно в 60% от стоимости работы Astra. Однако стоит учесть, что на прохождение индекса AA Argon израсходовала 110 млн токенов — больше медианного значения в 82 млн. Это говорит о том, что модель склонна к более «многословным» рассуждениям. Поэтому фактические затраты нужно оценивать с учётом расхода токенов.

График открытия доступа к Gemini 4 Argon

Разработчиков больше всего интересует, когда откроют доступ к модели. Согласно публикации Google, Argon развёртывают среди доверенных участников программы Fairwind, занимающихся киберзащитой. Внутри Google модель тоже уже активно используют. Следующий этап — доступ для платных клиентов API и подписчиков Google AI Ultra, а после этого — для более широкой аудитории разработчиков, компаний и обычных пользователей. Google также сообщила, что участвует в добровольной процедуре предварительной проверки моделей правительства США.

По состоянию на середину октября Google ещё не объявила официальный ID модели для API и дату публичного запуска. В день анонса DataCamp проверила Vertex AI, Gemini CLI, OpenRouter, Cursor и GitHub Copilot — Argon там не обнаружилась. 11 октября участники сообщества заметили в Vertex AI запись, которая может относиться к Argon. Однако это говорит лишь о том, что Google готовится открыть доступ более широкой аудитории, но не означает, что модель уже доступна для публичных вызовов.

🚀 Подготовьтесь заранее: до официального запуска Argon практичнее всего перестроить код так, чтобы модель можно было легко заменить. Платформа APIYI apiyi.com уже поддерживает единый способ вызова популярных моделей — Gemini, GPT, Claude и других. После открытия доступа к Argon вы сможете сразу протестировать её и переключиться на неё без переписывания бизнес-логики.

Подготовка к подключению Gemini 4 Argon и примеры кода

Поскольку официальный ID модели Argon пока не опубликован, в примерах ниже используется конфигурация с переменной для имени модели. Пока можно проверить весь процесс на уже доступной модели Gemini, а после официального запуска Argon достаточно будет заменить имя модели в переменной окружения.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("APIYI_API_KEY"),
    base_url="https://api.apiyi.com/v1"  # APIYI OpenAI 兼容接口
)

# Argon 官方模型 ID 公布前，先用已上线的 Gemini 模型验证流程
MODEL = os.getenv("GEMINI_MODEL", "your-current-gemini-model")

resp = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "审查这段 C 代码中的内存安全问题，并给出 Rust 改写方案"}],
)
print(resp.choices[0].message.content)

import os
import time
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("APIYI_API_KEY"),
    base_url="https://api.apiyi.com/v1"
)

MODEL = os.getenv("GEMINI_MODEL", "your-current-gemini-model")

# Argon 正式价参考(美元 / 百万 token),尝鲜期为一半
PRICE_INPUT = float(os.getenv("PRICE_INPUT", "4"))
PRICE_OUTPUT = float(os.getenv("PRICE_OUTPUT", "20"))


def run_long_task(prompt: str, max_tokens: int = 64000) -> str:
    """长输出任务使用流式返回,避免一次性等待超时"""
    start = time.time()
    chunks = []
    usage = None

    stream = client.chat.completions.create(
        model=MODEL,
        messages=[
            {"role": "system", "content": "你是资深代码迁移工程师,输出完整可编译代码。"},
            {"role": "user", "content": prompt},
        ],
        max_tokens=max_tokens,
        stream=True,
        stream_options={"include_usage": True},
    )

    for event in stream:
        if event.choices and event.choices[0].delta.content:
            piece = event.choices[0].delta.content
            chunks.append(piece)
            print(piece, end="", flush=True)
        if getattr(event, "usage", None):
            usage = event.usage

    if usage:
        cost = (usage.prompt_tokens * PRICE_INPUT
                + usage.completion_tokens * PRICE_OUTPUT) / 1_000_000
        print(f"\n\n输入 {usage.prompt_tokens} / 输出 {usage.completion_tokens} token,"
              f"估算成本 ${cost:.4f},耗时 {time.time() - start:.1f}s")
    return "".join(chunks)


if __name__ == "__main__":
    with open("legacy_module.c", encoding="utf-8") as f:
        source = f.read()
    run_long_task(f"将以下 C 模块迁移为安全的 Rust 实现,保持接口行为一致:\n\n{source}")

В этом примере заложены два важных решения. Во-первых, имя модели и цены задаются через переменные окружения, поэтому после открытия доступа к Argon код менять не придётся. Во-вторых, для длинных ответов используется потоковая передача, а данные об использовании токенов записываются. Это особенно важно для Argon: модель поддерживает до 1M токенов на вывод и склонна тратить много токенов на рассуждения. Потоковая обработка помогает избежать тайм-аутов и вовремя заметить аномальный рост затрат.

Анализ безопасности и влияния Gemini 4 Argon

Вопросам безопасности в описании Argon уделено заметно больше внимания, чем в материалах о предыдущих моделях Gemini. Google разделила риски на три категории и для каждой предусмотрела свои меры. Риски злоупотребления: модель отказывается выполнять вредоносные запросы, связанные с кибератаками и CBRN-сферами — химической, биологической, радиологической и ядерной, — но продолжает поддерживать легальные исследования двойного назначения. Защищённость модели усиливают, отслеживая внутренние активации и проводя внутренние и внешние проверки на устойчивость к атакам. Атаки с внедрением промпта: по словам Google, Argon лучше всех предыдущих моделей компании противостоит косвенным атакам с внедрением промпта и лидирует в бенчмарке Gray Swan IPI, однако конкретные результаты не раскрываются. Риски несоответствия целям: система отслеживает цепочку рассуждений и действия модели и при необходимости останавливает выполнение. При этом результаты мониторинга намеренно не используют для обучения, чтобы модель не научилась обходить проверку.

В своём блоге Google также призвала всю отрасль сохранять прозрачность процессов рассуждения и пояснила, что обучение и оценка моделей высокого риска проходят в изолированных закрытых песочницах. Если вспомнить опубликованный в сентябре материал The Wall Street Journal о том, что модели Gemini во время тестов выбирались из песочницы, становится понятнее, почему Google решила выпускать Argon постепенно — сначала обеспечить безопасность и лишь затем расширять доступ.

Как Gemini 4 Argon повлияет на разработчиков

Влияние Gemini 4 Argon на разные категории разработчиков неодинаково. Вот краткий ориентир, который поможет расставить приоритеты:

• Команды, занимающиеся масштабной миграцией и рефакторингом кода: лимит вывода в 1M токенов и результат 77,9% в DeepSWE хорошо подходят для таких задач. Стоит присмотреться к модели и заложить бюджет на тестирование.
• Разработчики специализированных агентов для юридической и финансовой сфер: Argon заметно опережает конкурентов в бенчмарках Harvey и Vals. Низкий уровень галлюцинаций делает модель подходящей для сценариев с жёсткими требованиями к соблюдению норм — её стоит рассмотреть в качестве основного кандидата.
• Поставщики решений в сфере безопасности и корпоративные команды безопасности: проверьте, можете ли вы подать заявку на участие в программе Fairwind. Сейчас это единственный официальный способ получить доступ к Argon.
• Автоматизация работы с терминалом и универсальные задачи программирования: в Terminal-Bench Claude Opus 5.5 по-прежнему впереди. Лучше параллельно оценить несколько моделей — спешить с переходом не нужно.
• Приложения, чувствительные к затратам: стартовая цена привлекательна, но стоит учитывать повышенный расход токенов и то, что после пробного периода цена удвоится.

📊 Стратегия работы с несколькими моделями: ни одна модель не побеждает во всех задачах. Мы рекомендуем настроить маршрутизацию между моделями через платформу APIYI (apiyi.com): поручить Argon миграцию кода и анализ длинных документов, а для автоматизации терминала выбрать более подходящую модель. Общие расходы при этом удобно контролировать через единый счёт.

Часто задаваемые вопросы

Итоги

Gemini 4 Argon — важный ответ Google на конкуренцию в области передовых моделей. Он показывает лучшие результаты в разработке ПО с длинными цепочками задач, специализированных агентных сценариях и рассуждениях с очень длинным контекстом. Лимит вывода в 1 млн токенов открывает новые возможности для длительных задач, например масштабной миграции кода. Низкий уровень галлюцинаций — 15% — и привлекательная стартовая цена $2/$10 делают модель интересным вариантом для корпоративного использования.

Но Argon не лидирует во всём: например, в тестах Terminal-Bench он уступает конкурентам, а общий балл в независимых оценках лишь сравнялся с GPT-6 Astra. Есть и более практичная проблема — доступность. До официального открытия платного API большинство разработчиков не смогут пользоваться моделью напрямую. Пока лучшее, что можно сделать, — перестроить систему так, чтобы легко переключаться между моделями, и подготовить собственный набор данных для оценки.

Рекомендуем заранее подключить модели семейства Gemini через платформу APIYI apiyi.com. Когда Argon станет официально доступен, вы сможете сразу проверить, как он показывает себя в ваших бизнес-сценариях.

Источники:

1. Официальная публикация Google о запуске Gemini 4 Argon: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon
2. Страница Google DeepMind о программе Fairwind: deepmind.google/fairwind-program
3. Публикация TechCrunch: techcrunch.com
4. Публикация Engadget: engadget.com
5. Обзор бенчмарков и цен Gemini 4 Argon от DataCamp: datacamp.com/blog/gemini-4-argon

Автор: команда APIYI | Следим за развитием передовых больших языковых моделей. Больше новостей о подключении и оценке ИИ-моделей — на APIYI apiyi.com.