Gemini 4 Argon: ny model Google DeepMind

Den 30. september 2026 annoncerede Google DeepMind Gemini 4 Argon, en ny grænsemodel af Gemini-familien. Det bliver rullet ud til en lille kreds af betroede cybersikkerhedsprofessionelle gennem programmet Fairwind Program, og virksomheden lover en bredere udgivelse senere: først for udviklere, virksomheder og forbrugere, begyndende med betalte API-brugere og Google AI Ultra-abonnenter.

Hvad kan Gemini 4 Argon gøre?

Meddelelsen nævner tre nøgleområder, hvor modellen viser stærke resultater:

• Programmering. Modellen arbejder med reelle tekniske problemer - fra daglig debugging til store kodebase-migreringer. Google siger, at Argon har opdateret sin topscore på DeepSWE v1.1-benchmark (77,9%), som måler ydeevne på lange opgaver med flere trin i udvikling i den virkelige verden.
• Virksomhedsviden arbejde. Når vi taler om jura og finans, så er Argon førende inden for Vals Index, som måler økonomisk effekt på disse områder og viser førende resultater i Vals Finance Agent v2 (finansiel forskning i flere trin) og Harvey's Legal Agent Benchmark (juridisk forskning og udarbejdelse af dokumenter). På Zapiers AutomationBench, som måler end-to-end udførelse af forretningsopgaver, blev modellen først placeret med en score på 51,3%.
• Cybersikkerhedsbeskyttelse. Argon er trænet til at finde, teste og lappe sårbarheder selvstændigt. I CWE-bench v1 benchmark, som evaluerer eliminering af sårbarheder, deler modellen førstepladsen med et resultat på 68%. Modellen gives til betroede forsvarere og interne Google-teams uden "cyberbegrænsere" for at udnytte dets fulde beskyttelsespotentiale.

Arbejdet med visuel information er særligt fremhævet: Modellen analyserer professionelle grafer, finder detaljer i lange videoer og handler på en række dokumenter. På LVBench benchmark, som måler lang videoforståelse, opnåede Argon en score på 91,7 %.

Arkitektur: hvad er afsløret og hvad der ikke er

Google DeepMind i meddelelsen afslører ikke den tekniske arkitektur af Gemini 4 Argon - hverken antallet af parametre eller strukturen af ​​lag eller træningsdata. Virksomheden beskriver modellen ved dens adfærd: evnen til at holde dybt ræsonnement gennem lange arbejdsgange i flere trin. Derfor giver vi ikke specifikke arkitektoniske detaljer - de er ikke i den officielle kilde, og vi vil ikke opfinde designet af modellen.

Udbetalingsgrænse - 1 million tokens

En af de vigtigste officielle ændringer er, at tilbagetrækningsgrænsen er blevet udvidet til 1 million tokens mod tidligere 64 tusind. Når en model har frihøjde til at tænke dybt og generere hundredtusindvis af tokens i en enkelt bane, tager den komplekse problemer på én gang. Dette er den angivne indsats for lange flertrinsopgaver.

Hvordan Argon allerede bruges i Google

Virksomheden giver specifikke eksempler på intern brug:

• Kvantealgoritmer. Argon hjælper forskere med at optimere ressourcerne (qubits × porte) i rutiner. I et eksempel overgik modellen den offentliggjorte baseline med 40 % på få minutter.
• Hukommelsesbesparelse. Agenter på Argon analyserede profilering på tværs af hele serverflåden og lavede hukommelsesoptimeringer, hvilket frigjorde mere end 300 TiB efter udrulning - med et estimat på 500 TiB til 1 PiB i alt.
• Kodemigreringer. Argon-agenter oversætter kodebaser fra C/C++ til Rust - fra titusindvis af linjer i biblioteker som re2 og libgav1 til 800+ tusind linjer af Fuchsia Zircon-kernen. For libgav1 erstattede agenter 32 tusind linjer SIMD-kode og fik en sikker videodekoder, der fungerer 2,7 gange hurtigere end Rust-porten med identisk video.

Sikkerhed før bred udløsning

Før masselanceringen styrker Google sine beskyttelsesmekanismer. Modellen skal afvise farlige anmodninger (cybertrusler såvel som kemiske, biologiske, radiologiske og nukleare scenarier), samtidig med at legitime videnskabelige mål opretholdes. Modstand mod indirekte injektioner af prompter erklæres separat: ifølge Grey Swan IPI benchmark er Argon førende. En anden retning er at kontrollere afvigelser fra brugerens intentioner: Systemet overvåger kæden af ​​ræsonnement og handlinger i modellen og stopper udførelsen, hvis det er nødvendigt.

Pris og adgang

Google navngiver startprisen for introduktionsperioden: $2 for 1 million input-tokens og $10 for 1 million output-tokens, cachelagde inputtokens er med 95 % rabat fra indgangsprisen. Efter afslutningen af ​​introduktionsperioden vil prisen være $4 for 1 million input-tokens og $20 for 1 million output-tokens. Der er ingen offentlig adgang på tidspunktet for meddelelsen: Kun betroede testere og forsvarere modtager modellen, så priser er givet for en fremtidig kommerciel lancering.

Hvad er fra Gemini 4 Argon til NeuralSpace

Denne model er endnu ikke på vores hjemmeside - der er ingen offentlig adgang til den nogen steder. Vi overvåger udgivelsen og vil fortælle dig, når situationen ændrer sig. I mellemtiden i snak og afsnit "Kode" Du kan arbejde med andre nuværende modeller.