Google открыла широкий доступ к Gemini 4 Argon 13 октября 2026 года. Новая модель рассчитана прежде всего на задачи, которые требуют длительной работы: разобраться в большом программном проекте, сопоставить документы, проверить расчеты, выполнить несколько связанных действий. Она доступна разработчикам через API и пользователям платных продуктов Google, но условия доступа различаются.
За одинаковым названием скрываются несколько способов использования. Подписка на приложение Gemini не равна оплате API. Миллион токенов в характеристиках не означает безграничную память. А объявленный глобальный запуск не отменяет региональные ограничения, которые особенно важны российской аудитории.
Материал обновлен 15 октября 2026 года. Цены указаны в долларах США по официальным тарифам Google на эту дату.
📅 Когда вышла Gemini 4 Argon и что произошло 13 октября
В истории запуска есть две даты. 30 сентября Google представила Argon и начала ограниченное предоставление модели специалистам по киберзащите в рамках программы Fairwind. Компания объясняла поэтапный выпуск необходимостью проверить защитные механизмы перед расширением доступа.
13 октября состоялся широкий запуск: модель появилась в разработческих и корпоративных сервисах, а также в платных пользовательских продуктах. Поэтому сентябрьская дата в карточке независимого теста и октябрьская дата в новости о доступности не противоречат друг другу.
Google позиционирует Argon как модель для сложной интеллектуальной работы: программирования, финансового анализа, юридических задач, науки и кибербезопасности. Это описание целевых сценариев, а не обещание безошибочно решить любой вопрос из перечисленных областей.
🧠 Что умеет модель и какие файлы принимает
В официальной карточке Gemini API указан идентификатор gemini-4-argon. Именно его используют при обращении к модели из собственного приложения.
На вход Argon принимает текст, изображения, видео, аудио и PDF. Результатом работы самой модели является текст, включая программный код. Она поддерживает вызов функций, выполнение кода, поиск по файлам, структурированные ответы и подключение поиска Google. Управление компьютерным интерфейсом обозначено как предварительная возможность, Preview.
Важно различать анализ и создание мультимедиа. Argon может изучать изображение или видеозапись, однако генерация изображений и аудио непосредственно этой моделью не поддерживается. Если приложение Gemini рисует картинку или создает ролик, это еще не означает, что такой результат произвела именно Argon.
Практический пример - разбор записи технического совещания. Пользователь может попросить найти расхождения между обсуждением и приложенным заданием, выделить решения и оформить список вопросов. Проверяемым результатом здесь будет точность сопоставления материалов, а не красота итогового пересказа.
💻 Для каких рабочих задач Argon имеет смысл проверять
Разработческий анонс Google выделяет длительные многоэтапные процессы, включая перенос программного кода и исследовательские задачи. Для пользователя ценность такой модели становится понятнее на конкретных примерах.
В программировании полезная проверка - дать модели воспроизводимую ошибку, соответствующий участок проекта и тесты. Хороший ответ должен объяснить причину, предложить исправление и показать, какие проверки оно выдерживает. Если после изменения исчезает ошибка, но ломается соседняя функция, задача не решена.
В работе с документами можно сравнить две версии договора или несколько технических требований. Вместо общего резюме стоит запросить точные места расхождений, последствия каждой правки и вопросы, на которые документов недостаточно. Это удобный способ проверить, действительно ли система использовала исходный материал.
В аналитике разумный сценарий - подготовка расчета с явными исходными данными и допущениями. Например, сравнение трех вариантов закупки с разными сроками оплаты. Итоговое число должно воспроизводиться отдельно от ответа нейросети.
В исследовательской работе модель можно оценивать на поиске противоречий между источниками, проверке логики доказательства или подготовке кода для обработки данных. Предложенная гипотеза приобретает ценность после проверки, а уверенный текст сам по себе научным результатом не становится.
Это примеры заданий для проверки качества, а не результаты собственного тестирования Argon. Публичные демонстрации производителя не позволяют заранее определить, сколько времени модель сэкономит конкретному пользователю.
📚 Что означает контекст в миллион токенов
Согласно документации Google, Argon использует единый лимит в 1 048 576 токенов. В него входят исходные данные, промежуточные рассуждения модели и итоговый ответ.
Следовательно, загрузить миллион токенов документов и затем получить еще миллион токенов ответа в пределах того же окна не получится. Чем больше места заняли исходные материалы, тем меньше остается на дальнейшую работу.
Токен нельзя приравнивать к слову или странице. Слова могут разбиваться на несколько частей; код, русский текст и английский текст дают разные соотношения. Google предлагает считать объем запроса специальным методом, а фактическое потребление смотреть в данных об использовании API. Подсчет по числу страниц дает только грубую оценку.
Большое окно удобно, когда важные связи распределены по нескольким документам. Но отправка всего архива подряд может повысить расходы и усложнить проверку. Для сравнения конкретных условий полезнее передать относящиеся к ним разделы с понятными названиями, чем множество нерелевантных файлов.
Миллион токенов также не означает постоянную память обо всех прошлых разговорах. Это технический предел информации, с которой модель работает в определенном контексте, а сохранение истории зависит от приложения и способа обращения к API.
⏱️ Почему сложный ответ может идти долго
У Argon есть три уровня глубины рассуждения: low, medium и high; стандартным является medium. Высокий уровень рассчитан на трудные задачи и может потреблять больше токенов и времени. Он не превращает каждый ответ в гарантированно правильный.
Для разработчиков существенна еще одна деталь. В руководстве GenerateContent API указаны ограничения отдельного запроса: до 32 768 токенов для прямого непотокового HTTP-вызова и до 65 536 для потокового. Очень длинная генерация продолжается несколькими запросами с передачей состояния; актуальные Google GenAI SDK поддерживают автоматическое продолжение.
Установленный разработчиком max_output_tokens ограничивает вместе рассуждения и вывод. Поэтому короткий видимый ответ не всегда означает небольшое потребление, а обрыв текста не обязательно связан с нехваткой общего контекстного окна.
Если нужна точечная правка письма, длительное рассуждение может оказаться лишним. Если предстоит проверить сложный алгоритм, дополнительные вычисления могут быть оправданны. Выбор режима имеет смысл оценивать по завершенной задаче: времени ожидания, стоимости и числу ошибок после проверки.
💳 Сколько стоит Gemini 4 Argon API
В стандартном тарифе Gemini Developer API до 30 ноября 2026 года действуют вводные цены:
- 2 доллара за миллион входных токенов;
- 10 долларов за миллион выходных токенов, включая рассуждения;
- 0,10 доллара за миллион входных токенов, попавших в неявный кеш.
С 1 декабря указаны соответственно 4 доллара, 20 долларов и 0,20 доллара. Бесплатного уровня для Argon в этом API нет.
Кеш позволяет дешевле повторно использовать уже обработанную общую часть запроса, когда соблюдены условия сервиса. Скидка относится к соответствующим входным токенам, а не ко всему счету. Платные инструменты и дополнительные сервисы могут учитываться отдельно.
У Google есть и другие режимы обработки. В Batch и Flex на дату проверки вход стоит 1 доллар, выход - 5 долларов за миллион токенов в рамках вводного периода. Их следует выбирать с учетом требований к обработке, а не только по меньшей цене. Приоритетный режим, наоборот, дороже стандартного.
🧮 Пример расчета без скрытых допущений
Предположим, один запрос использовал 100 000 входных токенов и 20 000 оплачиваемых выходных токенов, включая рассуждения. При стандартном вводном тарифе вход обойдется в 0,20 доллара, выход - еще в 0,20 доллара. Всего 0,40 доллара.
Тысяча таких запросов даст 400 долларов. После перехода на объявленные декабрьские цены тот же объем будет стоить 800 долларов. Это расчет для условного примера, без кеширования, внешних инструментов, налогов и иных начислений. Реальная задача может потребовать несколько обращений к модели.
Для корпоративного Google Cloud нужно дополнительно смотреть его собственный прайс. Там различаются глобальная и неглобальная обработка, а вводная скидка описана через возврат 50% в виде кредитов. Поэтому рекламные 2 и 10 долларов не заменяют проверку условий конкретного канала оплаты.
📱 Какая подписка нужна: Pro, Ultra или отдельная оплата API
В анонсе приложения Gemini Google указала доступ к Argon для подписчиков Google AI Pro и Google AI Ultra. Речь идет о работе внутри пользовательского приложения.
В разработческих продуктах условия другие. Google объявила Argon в платном Gemini API, а доступ через Google AI Studio и Google Antigravity по подписке связала с Ultra. Одной подписки Pro недостаточно, чтобы считать использование Argon в этих средах включенным в тариф.
Отсюда кажущееся противоречие: на странице приложения Pro упоминается среди подходящих подписок, а в документации API написано, что Argon на Pro недоступна. Эти утверждения относятся к разным продуктам.
При выборе способа доступа важны три вопроса: где предстоит работать, кто оплачивает вычисления и какие ограничения действуют у выбранного продукта. Для обычного разговора нужен пользовательский интерфейс; для интеграции в сайт или внутреннюю систему - API и соответствующая настройка оплаты.
Подписка не означает безлимитную работу. Справка Gemini прямо предупреждает, что пределы использования могут меняться и зависят от функций и нагрузки. Нельзя автоматически переносить технические лимиты API на каждую возможность чат-приложения.
🌍 Доступна ли Gemini 4 Argon в России
На 15 октября 2026 года Россия отсутствует в официальном перечне доступных регионов Google AI Studio и Gemini API. Поэтому прямой официальный доступ к этим сервисам из России не следует считать поддерживаемым.
В списке стран веб-приложения Gemini Россия также не указана. При этом русский язык находится среди поддерживаемых. Поддержка языка и доступность сервиса в стране - разные условия: возможность получить ответ на русском не подтверждает возможность официально подключиться из России.
Список регионов обработки в Google Cloud тоже не решает этот вопрос. Обозначения global, us или eu в карточке модели описывают инфраструктуру сервиса, а не разрешение любому пользователю из любой страны оформить доступ.
Если сторонняя площадка предлагает Argon, это отдельный посредник со своими условиями. Для оценки такого предложения нужны название фактически вызываемой модели, понятный тариф, правила хранения запросов и ответственность за доступность. Само слово Gemini на странице не доказывает использование gemini-4-argon.
Официально подтвержденной схемы подключения Argon для пользователей, находящихся в России, проверенные страницы Google не описывают.
📊 Что показали независимые тесты
Независимые результаты уже опубликованы. В Vals Index, обновленном 13 октября, Gemini 4 Argon занимает первое место с результатом 68,90%. Далее указаны Claude Sonnet 5.5 с 67,04% и Claude Opus 5.5 с 66,97%.
Этот индекс объединяет профессиональные задания по программированию, финансам, праву и налогам с весами, связанными со структурой экономики США. Он дает информацию о выполнении определенного набора задач. Это не вероятность правильного ответа на произвольный вопрос и не проверка российского законодательства.
В карточке тестирования Argon у Vals видна неравномерность результатов. Например, модель показывает 65,40% в Finance Agent v2 и 68,17% в Code Migration, но только 4,83% в CUA-bench, посвященном работе через компьютерный интерфейс. Результаты разных тестов нельзя напрямую сравнивать как задания одинаковой сложности, однако они показывают, почему одного общего рейтинга недостаточно.
Artificial Analysis указывает для режима High 53 балла в собственном Intelligence Index. Это другая шкала и другая методика. Складывать ее с процентами Vals или сравнивать числа напрямую некорректно.
Следовательно, утверждение «Argon лучше ChatGPT и Claude во всем» данными не подтверждается. Сравнивать нужно конкретные модели, режимы и задачи. Особенно осторожно стоит переносить результаты англоязычных профессиональных тестов на русский текст, отечественные документы и повседневную работу.
🔐 Можно ли загружать договоры и внутренние документы
Условия Gemini API разграничивают платные и бесплатные сервисы. Для платных сервисов Google заявляет, что не использует запросы и ответы для улучшения своих продуктов. Одновременно компания описывает ограниченное хранение данных для предотвращения нарушений и выполнения обязательных требований.
Это не тождественно обещанию, что данные нигде не сохраняются. Условия API также нельзя автоматически переносить на обычный чат Gemini или сайт посредника.
Перед отправкой рабочего документа необходимо понимать, какой именно сервис его получает, есть ли у сотрудника право передавать этот файл и какие требования установлены в организации. Номер договора, персональные сведения и коммерческие условия не становятся общедоступными только потому, что их удобно анализировать нейросетью.
Для первого знакомства достаточно обезличенного примера. Он позволит проверить качество ответа без передачи полного рабочего архива.
✅ Как понять, стоит ли переходить на Argon
Наиболее полезная проверка начинается с собственных задач, у которых известен правильный результат. Можно взять несколько исправленных ошибок в коде, проверенный расчет, документ с заранее найденными противоречиями и сложный вопрос по внутренней инструкции.
Сначала стоит оценить, сколько существенных ошибок осталось в ответах. Затем - сколько времени заняла проверка и сколько стоила вся работа, включая повторные запросы. Дешевая генерация, которую приходится полностью переделывать, может оказаться дороже более дорогого, но пригодного результата.
Для сравнения нескольких моделей нужны одинаковые исходные данные и требования. Если одной системе разрешили искать в интернете, а другой дали только короткий запрос, результат будет отражать различия условий, а не только качество модели.
Argon заслуживает внимания там, где важны длинный контекст, сложное рассуждение и последовательная работа с инструментами. При выборе для реального проекта решающим остается проверенный результат: выполнила ли система задачу, сохранила ли ограничения и можно ли воспроизвести ее выводы.
