Gemini 4 Argon: mit tud a Google új csúcsmodellje?

Röviden

A Gemini 4 Argon (model ID: gemini-4-argon) október 13. óta GA a Gemini API fizetős szintjén, az AI Studióban, a Google Cloud Gemini Enterprise Agent Platformon, a Gemini appban és az AI Mode-ban (Google). Szeptember 30-án jelentették be, de az első két hétben csak a Fairwind kibervédelmi program egyes partnerei és amerikai kormányzati értékelők érhették el (endue).

A Google szerint ez a legképesebb modellje, és több területen megelőzi a versenytársakat. A független számok ezt részben igazolják: az Artificial Analysis indexén holtversenyben van a GPT-6 Astrával, de a Claude Opus 5.5 és a Sonnet 5.5 előtte van (Artificial Analysis).

Idővonal és elérhetőség

Szeptember 30: bejelentés, korlátozott hozzáférés. Október 13: globális GA. A Vertex-dokumentáció szerint a kiadás dátuma október 13., a visszavonás legkorábban 2027. október 13. A modell global, us és eu régióban fut, standard és priority PayGo, valamint provisioned throughput opcióval (Google Cloud docs).

Kinek mi jár? Fejlesztőknek a Gemini API fizetős szintje kell: a free tieren és a Google AI Pro csomagban nem érhető el az API-n (árazás). Az appban és a Searchben a Pro és az Ultra előfizetők kapják meg, a Google Antigravity agent fejlesztői felületen viszont csak az Ultra. Ez a launch napján a Hacker Newson is zavart okozott, többen keverték a két csatornát (HN).

Változatok: a nyilvános modell egyetlen, gemini-4-argon néven, low, medium és high thinking szinttel (alapértelmezés: medium). Mellette létezik egy Gemini 4 Argon Cyber Permissive változat kibervédelmi csapatoknak, allowlist mögött, a Fairwind programon keresztül. Pro, Flash vagy Lite testvérmodell egyelőre nincs, a Google csak annyit ír, hogy a család többi tagja később jön.

Specifikáció: a fő újdonság az 1M tokenes ablak

A fejlesztői dokumentáció szerint az input, a thinking és az output egy közös, 1 048 576 tokenes ablakon osztozik (Gemini API docs). Az alapértelmezett szinkron output 65 536 token, de long decode módban egy válasz akár 1M tokenig (mínusz az input) is mehet. Ehhez az Interactions API-ban background módot kell kérni, és a max_output_tokens értéket 65 536 fölé állítani (What's new).

Bemenet: szöveg, kép, videó, hang és PDF. Kimenet: csak szöveg, kép- és hanggenerálás nincs. Itt van egy ellentmondás: az Artificial Analysis modelloldala csak szöveg és kép inputot említ (AA modelloldal). A Google dokumentációja a hivatalos forrás, de érdemes saját teszttel ellenőrizni, mielőtt videóra vagy hangra építünk.

Tool support a doksi szerint: function calling, structured output, code execution, Google Search és Maps grounding, URL context, file search, agentic videóértés, computer use (még preview). Live API nincs. Batch, flex és priority inference elérhető.

Migrációs buktatók: a temperature, a top_p és a top_k egyedi beállítását el kell hagyni, és explicit context caching nincs, csak implicit. Aki régebbi Gemini-hívásokat visz át, annak ezeket a paramétereket ki kell takarítania.

Árak: bevezető ár november 30-ig

Gemini API, fizetős szint, millió tokenenként: november 30-ig 2 dollár input és 10 dollár output (a thinking tokenekkel együtt), december 1-től 4 és 20 dollár. A cache-elt input 95% kedvezményes, vagyis 0,10, később 0,20 dollár. A Search és a Maps grounding havi 5000 kérésig ingyenes, utána 1000 kérésenként 14 dollár (árazás).

A Vertexen a global ár megegyezik ezzel, a nem global régiókban kb. 10%-kal drágább (2,20 / 11 dollár, később 4,40 / 22 dollár). A Cyber Permissive változat a standard áron fut.

A so what: a bevezető ár a GPT-6.1 Sol szintje, a standard ár pedig az Opus 5.5 listaáráé. Az árnál fontosabb, hogy az Argon sokat ír. Az Artificial Analysis mérésében átlagosan 62 ezer output tokent használt feladatonként, az Astra 27 ezret. Így a feladatonkénti költség most 1,99 dollár, a standard áron viszont 3,98 dollár lesz (Artificial Analysis). Egy HN-kommentelő szerint ez már most drágább feladatonként, mint az Astra high vagy az Opus 5.5 high (HN). Költségtervezéskor a 4/20 dolláros árral érdemes számolni.

Benchmarkok: amit a Google állít

A Google szerint az Argon első a Vals Indexen (68,9%), és a saját, 18 benchmarkos táblázatában 12-ben vezet, egyben holtversenyben van. Ezek a gyártó saját közlései. A legnagyobb előnyök a tudásmunkában és a long contextben vannak: Harvey jogi agent benchmark 19,6% (a következő 6,7%), GraphWalks 256K és 1M között 84,2% (a többiek 65–72%), Vals Finance Agent v2 65,4% (endue összesítés).

Forrás: Google, gyártói mérés (Google blog)

Ahol kikap: a FrontierSWE v2-n 10,5 ponttal az Astra mögött van, a Terminal-Bench 4.0-n 9 ponttal az Opus 5.5 mögött. Coding terén vegyes a kép: a négy agentic coding benchmarkból kettőt nyer, kettőben az utolsó.

A módszertan is számít. Az endue elemzése szerint több Argon-eredményt a Google maga futtatott, az OSWorld-2.0-nál három futás legjobbját vették, a Terminal-Bench Science-nél hatszoros verifier timeouttal ment az Argon, és az LVBench videóteszten eltérő képkockaszámmal futottak a modellek. A táblázatból a Claude Sonnet 5.5 és a GPT-6.1 Sol is hiányzik. Az irány tehát megbízhatóbb, mint az egyes különbségek mérete.

További gyártói állítások: 87% az ERQA embodied reasoning benchmarkon, és a Google belső mérése szerint az Antigravityben 35%-kal több agent által beküldött kód, közel harmadával kevesebb rollback. Ezeket független forrás nem ellenőrizte.

Független mérések

Az Artificial Analysis szerint az Argon high módban 53 pontot ér el az Intelligence Indexen: ez az Astrával azonos, a GPT-6.1 Solnál egy ponttal jobb, és 23 ponttal jobb a Gemini 3.1 Pro Preview-nál. Az élen továbbra is a Claude Opus 5.5 áll 58 ponttal (Artificial Analysis).

Agent feladatokban javult a legtöbbet: az AutomationBench-AA-n 78%-kal első, 7 ponttal a Sonnet 5.5 előtt. A Terminal-Bench 4-en 57%, ezzel a Sonnet 5.5 (64%), az Opus 5.5 (60%) és az Astra (59%) mögött van.

A legtöbbet idézett szám a hallucináció. Az AA-Omniscience teszten az Argon hallucinációs aránya 15%, az Astráé 51%, a GPT-6.1 Solé 54%. Fontos, mit jelent ez: az AA a rossz válaszok arányát méri azok között, amelyeket a modell nem tudott helyesen megválaszolni. Az Argon pontossága ugyanitt 50%, 13 ponttal kevesebb, mint az Astráé. Magyarul: kevesebb tényt tud, de sokkal gyakrabban mondja, hogy nem tudja. Az összesített pontszám így nagyjából egyforma (42 vs. 43).

A közösség reakciója

A GA-szálon egy kódolási benchmarkot futtató csapat azt írta, hogy saját 100 környezetes tesztjükben az Argon a Fable 5 és a Fable 5.1 között van, vagyis kb. két hónappal a frontier mögött. Szerintük a korábbi Gemini-modellek gyengéjét, a harnessben való hatékony munkát megoldották, de az elmúlt időszakban ez volt az első közel frontier modell, amelyet végtelen reasoning loopban kaptak, és néha a reasoning blokkokat sem zárta le rendesen (HN).

A szeptemberi bejelentéskor a legtöbb panasz a hozzáférésre vonatkozott, hiszen két hétig szinte senki nem tudta kipróbálni. Volt benchmarkfáradtság is, és sokan a Google Antigravity eszközt kritizálták, nem a modellt. A Bloomberg névtelen forrásai szerint belsős tesztelők szerint a valós munkában gyengébb, mint a benchmarkokon, ezt a Google cáfolta (endue).

Biztonság

A modellkártya szerint a Google a Frontier Safety Framework alapján nem tudja kizárni, hogy az Argon elérte a biológiai információs kockázat és a kiberbiztonság kritikus képességszintjét (CCL), valamint a stealth és situational awareness követett szintjét (TCL). Mindhárom esetben safety case vagy maradékkockázat-értékelés készült, amely a Google értékelése szerint a küszöb alá viszi a kockázatot (modellkártya).

A Google szerint a modell mind a 12 szimulált end-to-end kibertámadási forgatókönyvet megoldotta, az előző generáció ötöt (biztonsági blog). Védelmi oldalon a cég saját adatai: a külső bio red teaming a vizsgált bio részfeladatok kevesebb mint 1%-át tudta feloldani, az adverzariális teszten a szabálysértések közel felére csökkentek, a kódolási benchmarkokon a shortcut-kísérletek aránya 2%, és a Gray Swan indirekt prompt injection teszten 15 próbálkozásból 0,7% volt a sikeres támadás.

Forrás: Google, gyártói mérés, Gray Swan IPI teszt (Google blog)

Ehhez jön egy automatizált misalignment monitor, amely az agent gondolatmenetét és lépéseit olvassa, és valós időben blokkolja a nem kívánt kerülőutakat. A Fairwind partnerei ugyanakkor kiberguardrailek nélkül kapják a modellt, szigorú feltételekkel.

Korlátok és nyitott kérdések

Verbózus: sok output tokent ír, ez a valós költséget emeli. Hosszú outputnál az időt és a kapcsolatot is kezelni kell: egy 1M tokenes válasz órákig is tarthat, a legtöbb proxy és serverless runtime ennél hamarabb bontja a kapcsolatot. Front-end munkában a visszajelzések vegyesek, a reasoning loop és a blokkhibák pedig közösségi jelzések, nem szisztematikus mérések. Az API-n nincs ingyenes szint, és az explicit caching hiánya a Google cache-elésével korábban is elégedetlen felhasználókat nem fogja megnyugtatni.

Mit érdemes most csinálni?

Ha long context, dokumentumelemzés vagy tudásmunka a fő use case, az Argon most az egyik legerősebb jelölt, és a bevezető ár miatt november 30-ig olcsóbb kipróbálni. Coding agentnél érdemes a saját harnessünkben összevetni az Opus 5.5-tel és az Astrával. Mindenhol érdemes logolni a tokenszámokat, mert a valós költséget nem a listaár, hanem a verbózusság dönti el. Ahol a téves válasz drága, ott az alacsony hallucinációs arány valódi előny lehet, de csak akkor, ha a rendszerünk tudja kezelni a „nem tudom” választ.