Gemini 4 Argon вышла в широкий доступ: что умеет новая нейросеть Google

Gemini 4 Argon больше не ограничивается закрытым кругом тестировщиков. 13 октября 2026 года Google объявила о расширении доступа к модели: теперь её могут использовать подписчики Google AI Pro и Ultra в приложении Gemini, а разработчики — через платный Gemini API. Поэтому сообщения о выходе Argon «для простых смертных» получили официальное подтверждение. Правда, широкий доступ в данном случае не означает бесплатный.

Главное обещание новой модели — не просто более убедительные ответы. Google предлагает поручать ей продолжительную работу: разбирать документы, исследовать программный код, сопоставлять данные и решать задачи, которые требуют множества последовательных действий.

Но что за этим стоит на практике? Разберём возможности Gemini 4 Argon, условия доступа и важную подробность о том самом миллионе токенов.

При первом анонсе Google сосредоточилась на специалистах по киберзащите. Теперь модель выходит за пределы этой аудитории.

Для обычного пользователя основной способ знакомства с Argon — приложение Gemini с подпиской Google AI Pro или Google AI Ultra. Компания также объявила о доступе для этих подписчиков в AI Mode в поиске. Разработчикам предлагается платный Gemini API, а пользователям Ultra — работа с моделью в Google Antigravity. 3

Это важное изменение: обсуждать Argon теперь можно не только по презентациям. Появляется возможность проверить модель на собственных документах, проектах и привычных запросах.

При этом подписка на приложение и использование API — разные способы доступа. Не стоит переносить технические лимиты API на обычный чат или считать, что подписка автоматически покрывает любые программные обращения к модели.

Argon — флагманская модель Google для сложных многошаговых задач. В официальном описании акцент сделан на программировании, финансовой и юридической аналитике, научных исследованиях и кибербезопасности. Модель также рассчитана на работу с разными форматами информации: текстом, документами, графиками и видео. 3

Её позиционирование проще понять через разницу между ответом и выполненной работой.

Рассказать, как ускорить программу, — это ответ. Изучить проект, найти узкое место, предложить изменение и проверить его влияние — уже рабочий процесс. Пересказать финансовый отчёт — ответ. Сопоставить несколько отчётов, обнаружить расхождения и объяснить их — аналитическая задача.

Именно во второй категории Google видит основную ценность Argon. Однако самостоятельность здесь зависит не только от нейросети. Для реальных действий ей нужны инструменты, рабочая среда, доступ к данным и понятные ограничения.

Фраза «до миллиона токенов на выходе» стала одной из главных характеристик Argon. Но документация к широкому запуску уточняет, как устроен этот объём.

Через Gemini API модель использует единое окно размером до миллиона токенов, которое делят входные данные, рассуждения и ответ. Следовательно, нельзя загрузить миллион токенов документов и рассчитывать ещё на миллион токенов генерации сверх этого объёма. Чем больше места занимает вход, тем меньше остаётся для дальнейшей работы модели. Это прямо описано в руководстве Google для разработчиков.

Есть и техническая особенность: в Interactions API стандартный предел генерации составляет 65 536 токенов. Для более продолжительной генерации требуется соответствующая настройка фонового выполнения и увеличенного лимита.

Для большинства читателей важнее не сами параметры, а их смысл. Argon получает большой запас для сложного решения, но это не обещание выдавать миллион токенов в каждом диалоге.

Да и полезность модели измеряется не длиной ответа. Хороший аналитический вывод иногда занимает одну страницу, хотя для его подготовки приходится обработать сотни страниц исходных материалов.

Большой контекст становится полезным, когда нейросеть способна находить связи между удалёнными фрагментами информации.

Например, условие из начала договора может противоречить приложению в конце. Изменение финансового показателя — объясняться примечанием в другом отчёте. Причина программной ошибки — находиться не в проблемной функции, а в связанном модуле.

В опубликованных Google результатах Argon показывает сильные показатели на GraphWalks — тесте работы с графовыми связями, описанными в контексте. На заданиях размером от 256 тысяч до миллиона токенов модель получила 84,2% по метрике F1, тогда как GPT-6 Astra — 71,8%. 2

Это аргумент в пользу проверки Argon на больших массивах данных. Но не доказательство того, что она одинаково хорошо разберёт любой архив документов. GraphWalks проверяет конкретную способность, а не универсальную внимательность.

В практической работе модель всё равно стоит просить указывать источники выводов: страницы, фрагменты документов, названия файлов. Так результат будет проще проверить.

По опубликованным результатам Argon особенно интересна для профессиональной работы с информацией.

На AutomationBench, связанном с выполнением бизнес-задач, модель получила 51,3% против 42,5% у Claude Opus 5.5. В финансовом Vals Finance Agent v2 показатель Argon составил 65,4%, а ближайший результат среди представленных конкурентов — 58,9% у Claude Fable 5.1. 2

За этими названиями стоят вполне понятные пользовательские сценарии: собрать сведения из нескольких источников, сопоставить показатели, подготовить аргументированный документ или последовательно выполнить рабочее поручение.

Google также заявляет об изменениях в стиле общения. По описанию компании, Argon отвечает более прямо, меньше повторяется и лучше соблюдает требования к форме текста.

Если это подтвердится в повседневном использовании, улучшение окажется не менее заметным, чем рост результатов в тестах. Пользователю нужен не только правильный ответ, но и ответ, который не приходится заново редактировать из-за повторов и шаблонных вступлений.

С кодом картина неоднозначнее.

На DeepSWE v1.1, оценивающем длительные задачи разработки, Argon набирает 77,9%, опережая Claude Opus 5.5 с результатом 74,2%. Однако на Terminal-Bench 4.0 преимущество уже у Opus: 66,4% против 57,4% у Argon. 2

Поэтому формулировка «лучшая нейросеть для программирования» слишком широка. Помощник для работы в терминале, инструмент анализа репозитория и агент для крупного рефакторинга — разные роли.

В новом анонсе Google приводит пример использования Argon для оптимизации собственного Agent Development Kit. По сообщению компании, найденные моделью изменения сократили время подготовки сессий в памяти на 40% для длинных сессий и ускорили холодные импорты на 21%.

Этот кейс интересен конкретностью: речь не о количестве сгенерированных строк, а об измеримом изменении поведения программы. При этом это результат отдельного проекта, а не обещание аналогичного ускорения любого кода.

Argon рассчитана не только на текстовые задачи. В LVBench, проверяющем понимание длинных видео, Google указывает результат 91,7%, тогда как у GPT-6 Astra — 87,5%.

Компания также демонстрирует создание трёхмерных сцен и интерактивных приложений с участием Argon. Например, в одном из проектов фотографии рабочего стола стали основой для миниатюрной гоночной игры. При этом использовались внешние инструменты и другие модели: Blender, Three.js, Nano Banana и дополнительные компоненты. 3

Это различие важно. Argon не следует воспринимать как одну кнопку, внутри которой самостоятельно выполняются все виды генерации. В подобных проектах она выступает как управляющая модель: пишет код, обращается к инструментам и связывает результаты в готовую систему.

Для API Google установила вводные тарифы: 2 доллара за миллион входных токенов и 10 долларов за миллион выходных. Этот период действует до 30 ноября 2026 года. С 1 декабря предусмотрены ставки 4 и 20 долларов соответственно. Для кешированных входных токенов объявлена скидка 95%.

Большое контекстное окно не означает, что каждый запрос автоматически оплачивается как миллион токенов. Расход зависит от фактического использования.

Но продолжительная агентная работа может включать несколько запросов, повторную обработку данных и дополнительные проверки. Поэтому сравнивать модели лучше по стоимости законченной задачи, а не только по цене отдельного обращения.

Сильные результаты не отменяют необходимости проверять факты, расчёты и программный код. Длинный контекст тоже не гарантирует, что модель заметит каждую существенную деталь.

Отдельного внимания требуют права доступа. Чем больше действий выполняет помощник, тем выше цена неверного решения. Google сообщает об усилении защиты от промпт-инъекций, мониторинге поведения агента и обучении модели запрашивать подтверждение перед необратимыми шагами.

Но даже такие меры не заменяют разумных ограничений со стороны пользователя. Отправка документов, изменение рабочих файлов и другие значимые действия должны оставаться контролируемыми.

Наконец, приведённые в этом обзоре показатели — опубликованные результаты, а не собственные испытания модели. Они помогают выбрать направление проверки, но не заменяют её.

Широкий запуск Gemini 4 Argon важен прежде всего переходом от обещаний к доступному инструменту. Пользователи платных тарифов получили возможность проверить, насколько большой контекст и улучшенное рассуждение помогают в их задачах.

Наиболее перспективно модель выглядит там, где нужно долго работать с информацией: разбирать документы, исследовать код, сопоставлять источники и готовить сложные материалы. Для коротких повседневных запросов преимущества могут быть менее заметны.

Поэтому лучший способ познакомиться с Argon — не просить её ещё раз продемонстрировать интеллект. Лучше дать ей задачу, на которой прежний помощник регулярно ошибался.

Если после этого станет меньше ручных исправлений и повторных объяснений, значит, новый флагман действительно принёс пользу.