Новая флагманская модель Google — Gemini 4 Argon — создана для глубокого рассуждения в сложных многошаговых рабочих процессах: разработке ПО, корпоративной аналитике и защитной кибербезопасности. Следить за обновлениями линейки удобно в разделе gemini на нашем сайте; официальный анонс опубликован в блоге Google «Gemini 4 Argon».
Модель сначала раскатывается узкому кругу доверенных киберзащитников через программу Fairwind, а широкий доступ для разработчиков, компаний и пользователей откроется позже — начиная с платных клиентов API и подписчиков Google AI Ultra.
Вводная цена составляет $2 за миллион входных токенов и $10 за миллион выходных, а выходной лимит расширен до рекордного 1 млн токенов. Ниже — характеристики, результаты бенчмарков, позиция в лидерборде Agent Arena, сравнение с конкурентами и статус релиза.
Что такое Gemini 4 Argon и кто её разработал
Gemini 4 Argon — фронтирная модель поколения Gemini 4, разработанная Google (Alphabet) и анонсированная 30 сентября 2026 года для сложных долгих рабочих процессов. Модель несёт кодовое имя Argon и носит название Gemini 4 Argon — топовой линейке нового поколения, которая крупнее и мощнее предыдущих Pro-моделей Google.
Модель, компания и дата анонса
Разработчик — Google DeepMind, исследовательское подразделение Google в составе холдинга Alphabet. Именно DeepMind отвечает за обучение и архитектурные решения флагманских AI-моделей компании. Анонс состоялся 30 сентября 2026 года и сопровождался немедленным ограниченным запуском через программу Fairwind.
Argon приходит на смену линейке Gemini 3.8 Flash и обозначает переход к новому поколению возможностей. New top-shelf artificial intelligence model позиционируется как партнёр для разработчиков, профессионалов и крупных предприятий, которым нужно решать наиболее трудные задачи в единственном непрерывном проходе.
Для каких задач создана
Argon ориентирован на три приоритетных домена:
- Разработка программного обеспечения — сложные миграции кодовых баз, алгоритмические задачи, автономный рефакторинг
- Корпоративная работа — юридические исследования и документы, финансовый анализ, многоступенчатые бизнес-процессы
- Защитная кибербезопасность — автономный поиск, верификация и устранение уязвимостей
Флагманская модель Google уже работает во внутренних процессах компании: тысячи сотрудников Google отметили её силу в специализированном кодировании, углублённых исследованиях и качестве письменных текстов.
Как получить доступ к Gemini 4 Argon: Fairwind и статус релиза
Доступ к Gemini 4 Argon сначала открыт доверенным киберзащитникам через программу Fairwind, а широкий релиз для разработчиков, компаний и пользователей запланирован позже — начиная с платных клиентов API и подписчиков Google AI Ultra. Модель уже передана избранным партнёрам в области кибербезопасности, а официальный публичный график не объявлен; оценки сообщества указывают на возможный публичный релиз около октября 2026 года.
Программа Fairwind: кто получает первым
Fairwind — программа от Google DeepMind, предназначенная для контролируемого предрелизного доступа к модели. Доверенные защитники получают Argon без киберзащитных ограничений, чтобы задействовать полные фронтирные возможности в области кибербезопасности.
В числе участников Fairwind — правительства, операторы критической инфраструктуры (здравоохранение, телеком, энергетика, финансы) и ведущие технологические платформы. Параллельно Google активно участвует в добровольном процессе предрелизного доступа правительства США, что отличает запуск Argon от предыдущих релизов линейки. Для сравнения, аналогичный подход к поэтапным релизам применяет документация Grok 4.7 от xAI.
Поэтапный запуск и сроки публичного доступа
После Fairwind Google планирует расширить доступ, начиная с платных клиентов API и подписчиков Google AI Ultra. Такая последовательность позволяет собирать обратную связь от реальных тестировщиков и итерационно укреплять защитные ограничения перед массовым выходом.
Официального дедлайна Google не называет. Тем не менее оценки сообщества указывают на возможный публичный релиз около октября 2026 года — что фактически совпадает с датой анонса модели. Порядок выхода: сначала доступ получат разработчики и корпоративные клиенты, затем — широкая потребительская аудитория.
Характеристики Gemini 4 Argon: контекст, лимит токенов и цена
Gemini 4 Argon расширяет выходной лимит до рекордного 1 млн токенов (против прежних 64K), а вводная цена составляет $2 за миллион входных и $10 за миллион выходных токенов. По данным ранних тестировщиков, модель также фигурировала с лимитом входного контекста 10 миллионов токенов и выходным лимитом 256 000 токенов; официальный анонс делает акцент на 1 млн выходных токенов как на ключевом отличии.
Контекст и лимит выходных токенов
Расширение выходного лимита с 64K до 1 млн токенов — принципиальный архитектурный шаг: модель получает «пространство» для глубокого рассуждения и генерации сотен тысяч токенов за один непрерывный проход. Это позволяет решать задачи, которые прежде требовали разбивки на несколько итераций или теряли контекст на длинных цепочках.
Leaked-данные тестеров указывают на входной контекст 10 млн токенов и выходной лимит 256 000 токенов в конкретных конфигурациях. Такой объём входного окна означает, что Argon способен единовременно обработать крупные кодовые базы, юридические досье или многочасовые видеозаписи, не теряя деталей в начале документа.
Цена и кэшированные токены
Ниже приведены ключевые технические и ценовые параметры модели:
| Параметр | Значение |
|---|---|
| Выходной лимит токенов | 1 000 000 (официально) |
| Входной контекст (leaked) | 10 000 000 токенов |
| Выходной лимит (leaked) | 256 000 токенов |
| Цена входных токенов | $2 / млн |
| Цена выходных токенов | $10 / млн |
| Кэшированные входные токены | скидка 95% от цены входных |
Официальная цена заметно привлекательнее ранних leaked-оценок и существенно дешевле конкурентов: у GPT-6 Astra аналогичные тарифы составляют $10 / $50. Кэширование входных токенов со скидкой 95% делает повторяющиеся запросы к одному контексту экономически эффективными для корпоративных пайплайнов.
Бенчмарки Gemini 4 Argon: кодинг, корпоративные задачи и мультимодальность
Gemini 4 Argon устанавливает новый рекорд на DeepSWE v1.1 (77.9%) в реальной долгой разработке ПО, лидирует на Vals Index и AutomationBench (51.3%), а на LVBench по пониманию длинного видео достигает 91.7%. При этом по leaked-данным с Arena в более ранних утечках фигурировали заметно более высокие результаты на DeepSWE и на Terminal-Bench — что говорит о значительном запасе на сложных агентских задачах.
Кодинг и инженерные задачи
На DeepSWE v1.1 — бенчмарке, измеряющем реальные долгосрочные инженерные задачи, — Argon набрал 77.9%, опережая GPT-6 Astra (74.1%), Claude Opus 5.5 (74.2%) и Claude Fable 5.1 (67.4%). Leaked-данные из Arena указывали на ещё более высокий результат на более ранней версии DeepSWE — что говорит о последовательном прогрессе модели в процессе подготовки к релизу.
По утечкам с арены, на OSWorld-2.0 модель набрала 86.8% — что отражает способность Argon управлять десктопными интерфейсами и выполнять компьютерные задачи автономно. Это ключевая метрика для агентских сценариев, где модель должна видеть экран и действовать в ответ на визуальный контекст.
Корпоративные и мультимодальные тесты
На Vals Index — бенчмарке, взвешивающем результаты по реальному вкладу секторов в ВВП США, — Argon занимает лидирующую позицию, опережая конкурентов в финансах, кодинге, юриспруденции и налоговой работе. На AutomationBench от Zapier, измеряющем сквозное исполнение бизнес-процессов, флагманская AI-модель Google набрала 51.3% и заняла 1-е место, опередив соперников (конкретный отрыв от Claude Opus 5.5 в выдержках не указан).
На LVBench — тесте на понимание длинного видеоконтента — Argon достигает 91.7%, устанавливая state-of-the-art. Это подтверждает уникальную силу модели в задачах, где знания извлекаются из визуальных источников: профессиональный анализ графиков, идентификация деталей в многочасовых видео и принятие решений на основе серий документов.
Агентские возможности и реальные кейсы внутри Google
Gemini 4 Argon поддерживает агентский режим для автономных многошаговых задач, и команды агентов Argon уже оптимизируют память в дата-центрах Google, мигрируют код на Rust и ускоряют научные вычисления. В тестах на автономных агентов преимущество Argon над младшей версией Gemini 4 Flash достигает почти 14 процентных пунктов — критическая разница на длинных цепочках, где прежние модели теряли устойчивость.
Автономные агенты и преимущество на длинных цепочках
Argon поддерживает агентский режим: модель выполняет сотни действий подряд, самостоятельно планирует шаги и корректирует стратегию на ходу. Именно на длинных многошаговых цепочках проявляется ключевое преимущество флагмана: там, где Flash теряет фокус, Argon удерживает контекст и продолжает движение к цели.
Как Argon используется в реальных агентских сценариях:
- Получить исходные данные: кодовую базу, дамп профилирования или описание задачи.
- Автономно проанализировать структуру и выявить узкие места или уязвимости.
- Сформировать план изменений с обоснованием каждого шага.
- Итерационно применять правки, проверяя результат на каждом проходе.
- Провести профилирование и сравнить с исходным baseline.
- Подготовить финальный отчёт с патчем или оптимизированным кодом.
Именно такой подход задокументирован для Mistral Medium 3.5 и теперь воспроизводится Argon в масштабах Google.
Кейсы внутри Google: память, Rust, квант
Агенты Argon автономно проанализировали телеметрию профилирования флота дата-центров Google и применили оптимизации памяти, освободив свыше 300 TiB; общая оценочная экономия составляет от 500 TiB до 1 PiB.
- Видеодекодер libgav1: Argon заменил 32 тыс. строк SIMD-кода на безопасный Rust, который компилятор векторизует автоматически — итоговый декодер работает в 2,7 раза быстрее исходного Rust-порта при идентичном видеовыводе.
- Fuchsia Zircon kernel: агенты ведут миграцию C/C++ на Rust для кодовых баз объёмом от десятков тысяч строк в библиотеках re2, libgav1 до более чем 800 тысяч строк ядра.
- Квантовые вычисления: Argon оптимизировал пространственно-временны́е ресурсы (кубиты × гейты) подпрограмм и за считанные минуты превзошёл опубликованный baseline на 40%.
Кибербезопасность и фронтирные меры безопасности
Gemini 4 Argon обучен автономно находить, проверять и устранять критические уязвимости ПО: на CWE-bench v1 он делит первое место с результатом 68%, а в кейсе Wiz нашёл критическую уязвимость в больничном ПО, пропущенную прежними моделями. Модель приходит на смену Gemini 3.8 Flash Cyber и получает доступ к фронтирным киберзащитным инструментам у избранных партнёров в области кибербезопасности без дополнительных ограничений.
Поиск и устранение уязвимостей
На CWE-bench v1, измеряющем способность модели устранять уязвимости, Argon делит 1-е место с результатом 68%, продолжая успех Gemini 3.8 Flash Cyber на предыдущей версии бенчмарка. Через инициативу Wiz «Scan for Good» — программу защиты критической публичной инфраструктуры — модель обнаружила уязвимость, открывающую доступ к персональным данным в больничном ПО, которое используется в госпиталях по всему миру; предыдущие фронтирные модели этот риск пропускали.
На внутреннем бенчмарке Google Argon находил уязвимости в кодовых базах на 20 языках программирования. На внутреннем бенчмарке Wiz по тестированию на проникновение методом чёрного ящика — без доступа к исходному коду — модель опережает Gemini 3.8 Flash Cyber в трёх ключевых направлениях:
- Обнаружение поверхности атаки
- Идентификация уязвимостей
- Генерация proof-of-concept для их валидации
Защита от злоупотреблений и prompt injection
Google укрепляет фронтирные гарантии по четырём направлениям перед широким релизом. Защита от злоупотреблений строится согласно Frontier Safety Framework: модель отказывает во вредоносных запросах, связанных с кибератаками и CBRN-угрозами, сохраняя при этом законные научные применения двойного назначения. Устойчивость к непрямым инъекциям подтверждена лидерством на Gray Swan Indirect Prompt Injection (IPI) benchmark.
Два других направления касаются предотвращения рассогласования: мониторинг цепочки рассуждений (chain-of-thought) останавливает выполнение агента, если он пытается достичь цели способами, выходящими за рамки намерений пользователя. Проблема выхода агентов из-под контроля актуальна для всей отрасли, и Google публично призывает сохранять прозрачность рассуждений. Четвёртое направление — закалка изолированных sandbox-сред до начала высокорисковых тренировочных прогонов и оценок.
Позиция в лидерборде Agent Arena и метрики качества
Gemini 4 Argon (High) занимает одно из первых мест в чат-лидерборде Agent Arena по состоянию на 30 сентября 2026 года, лидируя по метрикам Praise vs Complaint и Steerability. Впервые модель появилась на платформе Arena 17 сентября под именем gemini-3.8-flash — до официального анонса, что позволило собрать реальные пользовательские данные ещё до публичного релиза.
Место в рейтинге и охват лидерборда
По состоянию на 30 сентября 2026 года лидерборд Agent Arena охватывает 796 623 сессии и 46 моделей, что делает его одним из наиболее представительных агентских бенчмарков по объёму данных. Argon накопил 1 142 сессии — достаточно для статистически значимых оценок по всем ключевым метрикам.
Тройка лидеров показывает, что флагманская AI-модель Google уверенно конкурирует с аналогами от OpenAI и Anthropic: 3-е место при сравнительно небольшой истории сессий говорит о стабильно высоком качестве на агентских задачах. Появление под именем gemini-3.8-flash 17 сентября свидетельствует о том, что Google тестировал модель в реальных условиях Arena за две недели до официального анонса.
Сигналы качества и экономичность
Ключевые метрики Gemini 4 Argon (High) в Agent Arena:
| Метрика | Значение |
|---|---|
| Net Improvement | 11.58% ± 6.42% |
| Confirmed Success | 14.04% ± 9.96% |
| Praise vs Complaint | 38.08% ± 26.33% |
| Steerability | 12.36% ± 4.79% |
| Tool Hallucination | минимальный уровень |
| Cost/Task (P50) | $0.33 |
| Токены на задачу (P50) | 9 200 (9.2K в таблице лидерборда) |
Показатель Tool Hallucination 0.26% — один из самых низких среди топ-моделей лидерборда, что означает высокую точность в вызовах инструментов. Медианная стоимость задачи $0.33 при генерации 9 200 токенов (P50) делает Argon заметно экономичнее большинства конкурентов в топ-10, где стоимость задачи нередко превышает $1.
Сравнение Gemini 4 Argon с GPT-6 Astra, Claude Opus 5 и Fable 5.1
Gemini 4 Argon конкурирует с GPT-6 Astra (OpenAI), Claude Opus 5 и Claude Fable 5.1 (Anthropic), и по leaked-данным обошёл их во всех тринадцати сравнительных тестах при цене около пятой части от Astra. Google официально позиционирует Argon именно в этом конкурентном треугольнике, сравнивая модели на ключевых бенчмарках кодинга и кибербезопасности.
По результатам 13 сравнительных тестов Gemini 4 Argon опередил GPT-6 Astra, Claude Fable 5.1, Claude Opus 5 и GPT-5.6 Sol. На DeepSWE v1.1 разрыв с ближайшими соперниками — Claude Opus и Astra — составляет несколько процентных пунктов; на AutomationBench преимущество перед Opus заметно весомее. Среди наглядных демонстраций — задача на генерацию SVG-изображения пеликана на велосипеде, где Argon сравнивался с GPT-6 Astra Pro напрямую.
Ценовое преимущество Argon радикально: $2 / $10 за миллион токенов против $10 / $50 у Astra — то есть значительно дешевле при сопоставимом или более высоком качестве. Это меняет экономику развёртывания агентских систем: предприятия, запускающие тысячи агентских сессий в день, экономят на порядок. Агенты на GPT-6 Astra от OpenAI по-прежнему сильны в мультимодальных сценариях реального времени, однако ценовая позиция Argon делает его предпочтительным выбором для долгосрочных корпоративных пайплайнов.
Claude Fable 5.1 и Mythos 5.1 от Anthropic сохраняют конкурентоспособность в творческих и диалоговых задачах, однако на агентских и инженерных бенчмарках уступают Argon заметный отрыв. Общая картина такова: Google со своей flagship AI model сместил центр тяжести конкуренции в сторону доступности массовых агентов, не жертвуя позициями в лидерборде.
История линейки: от Gemini 3.8 Flash к Gemini 4 Argon
Путь к Argon начался 21 июля 2026 года, когда Google DeepMind объявил о запуске «самого амбициозного предобучающего прогона для Gemini 4», и прошёл через четыре Flash-модели, завершившиеся Gemini 3.8 Flash 2 сентября 2026 года. На следующий день, 22 июля, о масштабе прогона публично высказался CEO Alphabet Сундар Пичаи, что придало анонсу дополнительный вес.
Gemini 3.8 Flash стал прямым предшественником Argon. Выпущенный 2 сентября 2026 года с расширенным контекстным окном и ценой $0.75 за миллион входных токенов, он обозначил финальную точку эпохи Flash и параллельно заложил практику мегаконтекстного окна, которую Argon унаследовал и развил. Именно Flash Cyber установил базовый результат на CWE-bench v0, который Argon продолжил на CWE-bench v1.
Серия Flash-моделей с мая по сентябрь 2026 года была инструментом накопления данных и обратной связи. Google последовательно выпустил четыре Flash-модели, каждый раз расширяя возможности и собирая сигналы от реальных пользователей. В конце августа The Wall Street Journal сообщил, что Gemini 3.5 Pro был закрыт — это ознаменовало окончательный переход компании к архитектуре четвёртого поколения. Для сравнения, линейка моделей Anthropic за тот же период прошла аналогичный путь ускоренных итераций — от Claude 3 Opus до Fable и Mythos 5.1.
FAQ
Зачем Google увеличил лимит выходных токенов Gemini 4 Argon до 1 млн?
Больший лимит выходных токенов позволяет модели глубже рассуждать и решать сложные задачи за один проход. Прежний предел составлял 64 тысячи токенов — теперь он вырос до 1 миллиона, что Google называет отраслевым рекордом.
Что такое Vals Index и как на нём выступил Gemini 4 Argon?
Vals Index измеряет экономический эффект ИИ в финансах, кодинге, юриспруденции и налоговой сфере — каждый сектор взвешен по доле в ВВП США. Gemini 4 Argon занимает лидирующую позицию в этом рейтинге.
Какой результат показал Gemini 4 Argon на LVBench?
На LVBench, который оценивает понимание длинного видео, Gemini 4 Argon достиг результата 91,7% и установил новый уровень для отрасли.
Как Gemini 4 Argon ускорил видеодекодер libgav1?
Агенты Argon заменили 32 тысячи строк SIMD-кода безопасным Rust-кодом, который компилятор векторизует автоматически. Итоговый декодер работает в 2,7 раза быстрее предыдущего Rust-порта при идентичном видеовыходе.
Как Gemini 4 Argon помог сэкономить память в дата-центрах Google?
Агенты Argon проанализировали телеметрию профилирования всего флота и самостоятельно применили оптимизации. После развёртывания высвободилось более 300 ТиБ памяти, а суммарная ожидаемая экономия оценивается в 500 ТиБ — 1 ПиБ.
Что такое AutomationBench и какое место занял на нём Argon?
AutomationBench — бенчмарк от Zapier, измеряющий сквозное выполнение ключевых бизнес-функций. Gemini 4 Argon занял первое место с результатом 51,3%.
Когда Gemini 4 Argon станет доступен разработчикам и обычным пользователям?
Google использует поэтапный подход и планирует открыть доступ разработчикам, корпоративным клиентам и потребителям как можно скорее. Сейчас компания собирает отзывы ранних тестировщиков и дорабатывает защитные ограничения.
