Google выпустила Gemini 4 Argon.

Что это значит для бизнеса и почему модель называют «убийцей» Astra и Opus 5.5

Google пропустила обещанный на июнь релиз Gemini 3.5 Pro и представила сразу Gemini 4 Argon — через поколение. По заявленным характеристикам, это не просто обновление предыдущей модели. Что изменилось

Лимит выходных токенов — 1 млн. У предыдущих Gemini он составлял 64 000 токенов. Благодаря этому Argon может обрабатывать и генерировать большие объёмы текста в рамках одной задачи — без необходимости делить её на несколько этапов. Модель ориентирована на задачи, требующие длительной работы: разработку ПО; анализ бизнес-процессов; кибербезопасность; обработку больших объёмов данных.

Argon заняла первые места в нескольких тестах: DeepSWE v1.1: 77,9% против 74,2% у Opus 5.5 и 74,1% у GPT-6 Astra; CWE-bench v1 — поиск уязвимостей: 68%; AutomationBench — автоматизация бизнес-процессов в Zapier: 51,3%.

Стоимость составит 2 за 1 млн входных токенов и 10 за 1 млн выходных. Позже тариф может вырасти до 4 и 20 соответственно. Кому Argon может пригодиться Юридическим компаниям. Если специалисты тратят дни на анализ контрактов и подготовку документов, модель может сократить срок до нескольких часов. В тесте Harvey's Legal Agent Benchmark Argon набрала 19,6%, а GPT-6 Astra — 5,4%. Разница — 3,6 раза. Финтех-компаниям. В тесте Vals Finance Agent v2 Argon получила 65,4% против 53,5% у GPT-6 Astra. Результат показывает преимущество модели в многошаговом финансовом анализе. Командам, которые поддерживают легаси-код. Google использует Argon для миграции более 800 000 строк кода ядра Fuchsia с C и C++ на Rust. Если компания применяет ИИ только для написания текстов и генерации изображений, заметного преимущества может не быть: в этих задачах разрыв с текущими моделями, вероятно, окажется небольшим. Как Google применяет модель Google тестирует Argon не только на бенчмарках, но и в собственных проектах.

По данным компании, агенты на базе модели: проанализировали телеметрию дата-центров и помогли освободить 300 ТБ памяти; участвуют в миграции кода Fuchsia OS с C и C++ на Rust; помогли исследователям в области квантовых вычислений улучшить базовый результат на 40%.

Эти результаты показывают, где модель уже применяют на практике. Однако они основаны на данных Google, поэтому их стоит проверять по независимым источникам. Ограничения Bloomberg сообщил, что во время внутренних тестов некоторые сотрудники Google сочли Argon менее эффективной в реальных задачах, чем можно было ожидать по результатам бенчмарков. Google оспорила эти выводы. Пока модель доступна ограниченному числу тестеров. Google обещает публичный релиз, но не называет дату. Опыт с Gemini 3.5 Pro показывает: высокие результаты в тестах не гарантируют такого же преимущества в рабочих сценариях. Оценивать Argon стоит на собственных задачах — по точности, стоимости, скорости и числу задач, которые модель выполняет без участия человека. Что делать сейчас Не стоит сразу перестраивать процессы вокруг Argon.

Сначала выберите задачи, на которых текущие модели регулярно ошибаются или останавливаются: миграция больших фрагментов кода; анализ длинных договоров и технической документации; поиск уязвимостей; выполнение многошаговых операций в корпоративных системах; обработка данных из нескольких источников.

Сравните Argon с текущей моделью на одинаковых данных.

Зафиксируйте не только качество ответа, но и: долю задач, выполненных без вмешательства человека; количество ошибок; время выполнения; стоимость одного результата; требования к проверке и доработке.

Если модель действительно выдерживает длинные задачи и реже теряет контекст, она может снизить нагрузку на команды разработки, аналитики и поддержки. Но это станет понятно только после тестов на рабочих сценариях. Пока Argon остаётся перспективной моделью с сильными результатами в агентных задачах и ограниченной доступностью.

Релиз стоит отслеживать, но принимать решения лучше после независимой проверки и собственного пилота.