Что такое Gemini 4 Argon и кому она доступна
Gemini 4 Argon это новая фронтирная модель Google. Анонс прошел в конце сентября 2026 года, а публичная раскатка началась 13 октября: модель появилась в платном API под идентификатором gemini-4-argon, а в приложении Gemini и в AI Mode внутри Google Search ее открыли подписчикам Google AI Pro и Ultra (детали раскатки и доступа).
По спецификации Argon принимает текст, изображения, видео, аудио и PDF, а на выходе выдает текст. Поддерживаются вызовы инструментов и три уровня рассуждений: Low, Medium и High.
Кроме API и потребительских приложений доступ есть в средах разработки. Google AI Studio и Android Studio открывают модель по подписке Ultra, Antigravity дает доступ в настольном приложении и CLI, а также по подходящим корпоративным тарифам, для чего нужна актуальная версия приложения. Платный API оплачивается отдельно от подписки. Что Google заявляла на этапе анонса, включая лимиты генерации и первые цифры по ценам, разобрано в отдельном материале.
Дата выхода и публичная раскатка
Разрыв между анонсом и доступом небольшой: конец сентября и 13 октября. Речь идет о старте публичной раскатки, а не об одномоментном релизе для всех пользователей и регионов.
Важная оговорка по цифрам. Бенчмарки снимались преимущественно в период раннего доступа, а сам факт публичного релиза не значит, что модель прогнали заново на всех стендах. Часть оценок к моменту открытия доступа остается прежней.
Где получить доступ: API, приложение, AI Studio, Antigravity
- Gemini API: платный доступ, идентификатор
gemini-4-argon, оплата по токенам. - Приложение Gemini и AI Mode в Google Search: подписки Google AI Pro за $20 и Ultra за $200.
- Google AI Studio и Android Studio: подписочный доступ через Ultra, платный API оплачивается отдельно.
- Antigravity: Ultra в настольном приложении и CLI, плюс подходящие корпоративные тарифы, требуется актуальная версия.
Одна деталь, которую легко упустить: Pro открывает модель в потребительских продуктах, но не во всех средах разработки. Если работа идет через API, считайте токены отдельно от подписки.
Цена API: промо-ставки и что будет после 1 декабря
Промо-тариф Gemini API выглядит так: $2 за миллион входных токенов и $10 за миллион выходных. Ставки действуют до 30 ноября 2026 года. С 1 декабря они удваиваются: $4 за миллион входных и $20 за миллион выходных. Для бюджета это ключевая цифра: та же задача в декабре обойдется дороже при том же расходе токенов.
| Тип токенов | Промо-цена до 1 декабря | Цена с 1 декабря |
|---|---|---|
| Входные | $2 за 1 млн | $4 за 1 млн |
| Выходные | $10 за 1 млн | $20 за 1 млн |
Сколько токенов уходит на задачу и как это влияет на счёт
Цена за миллион токенов не равна стоимости выполнения задачи. На одну задачу сводного индекса Argon расходует около 62 тысяч выходных токенов, тогда как GPT-6 Astra примерно 27 тысяч.
Считаем по выходным токенам. 62 тысячи токенов по промо-ставке $10 за миллион дают около $0,62 за задачу. После удвоения тарифа те же 62 тысячи стоят около $1,24. У GPT-6 Astra при тех же ставках выходит примерно $0,27 и $0,54 соответственно. Разница не в прайсе за токен, а в том, сколько токенов модель тратит на ответ.
Это усредненные данные по задачам индекса, а не прайс на любой запрос. В коротких диалогах расход будет ниже, в агентных цепочках с длинными рассуждениями выше, особенно на уровне High. Прежде чем планировать бюджет, посмотрите фактический расход на своих задачах.
Бенчмарки Gemini 4 Argon: сильный, но неровный профиль
Публичный релиз не означает повторной проверки на всех стендах, поэтому цифры стоит читать как срез на день релиза (данные стендов на день релиза).
Сводка результатов расходится по стендам заметно. Argon High набирает 53 балла в Artificial Analysis Intelligence Index v4.3.2, столько же, сколько GPT-6 Astra Max, при этом Claude Opus 5.5 Max с настройкой default fallback доходит до 58. В Vals Index модель первая с 68,90%, в Vibe Code Bench вторая с 91,91%, в Terminal-Bench 4.0 на Vals шестая с 57,58%, а в Code Arena WebDev у нее предварительное девятое место с диапазоном 7-13.
| Стенд | Результат Argon | Место |
|---|---|---|
| Artificial Analysis Intelligence Index v4.3.2 (High) | 53 балла | на уровне GPT-6 Astra Max |
| Vals Index | 68,90% | 1 |
| Vibe Code Bench | 91,91% | 2 |
| Terminal-Bench 4.0 (Vals) | 57,58% | 6 |
| Code Arena WebDev | предварительная оценка | 9, диапазон 7-13 |
| AA-Omniscience | 15% галлюцинаций, 50% верных ответов | нет данных |
Artificial Analysis Intelligence Index: 53 балла и что за ними стоит
53 балла это округленная сводная оценка по десяти тестам. Одинаковые 53 балла у Argon High и GPT-6 Astra Max не означают одинакового качества на каждой задаче: стенды измеряют разные свойства и используют разные задания.
Сводный индекс удобен для быстрой ориентации, но выбор модели под конкретную работу он не заменяет. Модель с более низким суммарным баллом может выигрывать на вашем типе задач, и наоборот.
Vals Index, Vibe Code Bench и Terminal-Bench: где Argon впереди
Vals Index это набор профессиональных задач, и там Argon на первом месте с 68,90%. Vibe Code Bench, стенд по созданию приложений по заданиям, дает второе место с 91,91%. Terminal-Bench 4.0 на Vals проверяет выполнение задач через терминал, и результат скромнее: 57,58% и шестое место.
Разрыв между первым местом в профессиональных задачах и шестым в терминале показывает профиль модели: сильная аналитика и создание приложений, более слабая работа в командной строке. Высокий результат в автоматизированной проверке создания приложений может сочетаться с менее убедительной оценкой их пользователями, потому что автотест проверяет сборку и функцию, а не удобство работы.
Code Arena WebDev: предварительное девятое место и диапазон 7-13
В Code Arena WebDev у Argon девятое место, и это предварительная оценка: диапазон возможного ранга 7-13, а последний видимый срез датирован 8 октября. Разброс в шесть позиций говорит о неполных данных, поэтому трактовать девятое место как строгую границу между соседними моделями рано.
AA-Omniscience: меньше галлюцинаций, но и меньше правильных ответов
В AA-Omniscience доля галлюцинаций у Argon 15% против 51% у GPT-6 Astra, но и доля правильных ответов ниже: 50% против 63%. Тест разрешает воздержаться от ответа, поэтому модель может реже выдумывать и одновременно верно отвечать на меньшее число вопросов.
Для задач, где ошибка дороже пропуска, готовность сказать «не знаю» полезна. Для поиска фактов по широкому кругу тем 50% верных ответов против 63% это минус, который придется закрывать дополнительной проверкой или другой моделью.
Сравнение с GPT-6 Astra и Claude Opus 5.5 Max
| Метрика | Gemini 4 Argon | GPT-6 Astra Max | Claude Opus 5.5 Max |
|---|---|---|---|
| Artificial Analysis Intelligence Index v4.3.2 | 53 | 53 | 58 (default fallback) |
| AA-Omniscience: галлюцинации | 15% | 51% | нет данных |
| AA-Omniscience: верные ответы | 50% | 63% | нет данных |
| Выходные токены на задачу индекса | около 62 тыс. | около 27 тыс. | нет данных |
По трем метрикам расклад такой. В сводном индексе Argon High и GPT-6 Astra Max делят 53 балла, Claude Opus 5.5 Max набирает 58. В AA-Omniscience Argon выдает 15% галлюцинаций против 51% у GPT-6 Astra, но верных ответов у нее 50% против 63%. По расходу токенов на задачу индекса Argon тяжелее почти в 2,3 раза: около 62 тысяч выходных токенов против 27 тысяч.
Практический вывод без категоричности. Если критично, чтобы модель реже выдумывала, Argon выглядит разумнее. Если важнее охват точных ответов и меньший счет за токены, GPT-6 Astra выигрывает по двум метрикам сразу. Claude Opus 5.5 Max выше обоих по сводному индексу, но это одна метрика, а не оценка под ваш сценарий. Профиль задач у всех трех моделей разный, поэтому сравнение на своих примерах остается обязательным шагом.
Риски, которые Google признала в карточке модели
Google описала риски прямо в карточке модели, а не ограничилась маркетинговым анонсом (карточка модели и признанные риски). Два пункта влияют на то, как модель выдают пользователям.
Биологические испытания: более полезные ответы, чем у веб-поиска
Формулировка Google: в биологических испытаниях Argon давала более практически полезные ответы, чем веб-поиск и ранее проверенные модели. Это не значит, что модель опасна сама по себе, но указывает на возможность получить чувствительную информацию быстрее и в более применимом виде, чем через обычный поиск. Речь о признании в официальной карточке, а не о слухах или утечке.
14 из 15 заданий на понимание рабочей среды и скрытность
Второй признанный результат: 14 из 15 заданий на понимание рабочей среды и скрытность были пройдены. Модель лучше разбирается в контексте, где работает, и умеет действовать менее заметно. В агентных сценариях это качество работает в обе стороны: агент аккуратнее ведет себя в чужой инфраструктуре и одновременно хуже контролируется, если смотреть только на его итоговый вывод.
Какие именно защитные меры Google выстроила под эти риски, в доступных публичных материалах раскрыто не полностью: карточка фиксирует сами риски и то, что решение о выпуске строится с их учетом, но детали технических ограничений и мониторинга там не расписаны. Признание риска не равно опубликованному описанию защиты, и это стоит держать в голове при выборе модели для чувствительных задач.
Практические сценарии: кому и для чего подходит Gemini 4 Argon
Спецификация задает три направления работы: разные типы входных данных, управляемая глубина рассуждений и агентные цепочки с вызовом инструментов.
Мультимодальность: текст, изображения, видео, аудио, PDF
Argon принимает текст, изображения, видео, аудио и PDF, а выдает текст. Отсюда типовые задачи: разбор PDF-документов и извлечение из них данных, анализ скриншотов и схем, обработка видеозаписей, расшифровка аудио с последующей выжимкой. Один запрос может содержать несколько типов данных, что полезно, когда нужно сопоставить документ с видео или изображением.
Три уровня рассуждений: Low, Medium, High
Уровень рассуждений напрямую влияет на расход выходных токенов, а значит и на счет. Low подходит для быстрых задач с коротким ответом, Medium дает баланс, High нужен для сложных многошаговых заданий. Разница в стоимости ощутима: при промо-ставке $10 за миллион выходных токенов лишние десятки тысяч токенов на запрос превращаются в центы, а на потоке задач в заметные суммы. Начинайте с Low и поднимайте уровень только там, где качество ответа действительно падает.
Вызовы инструментов и агентные сценарии
Поддержка вызовов инструментов позволяет строить агентов, которые обращаются к внешним API, базам данных и файловой системе. Здесь пригодится и способность, отмеченная в испытаниях на понимание рабочей среды: модель лучше разбирается в контексте и действует менее заметно. Для агента это плюс в аккуратности и минус в наблюдаемости, поэтому логи действий и подтверждения от человека остаются обязательной частью архитектуры.
Ограничения те же, что и в остальных разделах: высокий расход токенов на сложных уровнях, предварительные оценки в части стендов и риски, признанные Google. В сценариях, где ответы модели попадают в чувствительные области, сначала проверьте, какие ограничения действуют для вашего типа доступа.
Стоит ли переходить на Gemini 4 Argon: практические выводы
Переход оправдан, если нужна мультимодальность с PDF, видео и аудио на входе, вызовы инструментов и управляемая глубина рассуждений, а бюджет уже включает Google AI Pro или Ultra. В этом случае модель открывается в приложении Gemini, в AI Mode и в средах разработки без отдельной оплаты токенов.
Подождать стоит в двух случаях. Первый: вы чувствительны к цене и планируете поток задач через API, потому что с 1 декабря ставки удваиваются, а на задачу уровня индекса уходит около 62 тысяч выходных токенов. Второй: вам нужна максимальная точность по фактам, и здесь 50% верных ответов в AA-Omniscience против 63% у GPT-6 Astra и 58 баллов в сводном индексе у Claude Opus 5.5 Max говорят сами за себя.
Отдельно учитывайте риски, признанные в карточке модели. Более полезные ответы в биологических испытаниях и 14 из 15 пройденных заданий на скрытность означают, что доступ в отдельных сценариях может ограничиваться, а детали защитных механизмов Google в публичных материалах раскрыты не полностью.
Практический шаг: если подписка Pro или Ultra уже есть, прогоните 5-10 своих реальных задач на уровнях Low и High, сравните ответы с моделью, которой пользуетесь сейчас, и посчитайте расход токенов. Решение принимайте по своим задачам и бюджету, а не по сводному баллу. Цены, лимиты и первые результаты тестов из анонса собраны в предыдущем разборе.