GOOGLE / GOOGLE DEEPMIND · ТРЕКЕР МОДЕЛИ
Gemini 4 Argon
Gemini 4 Argon — фронтирная модель семейства Gemini 4 от Google, которую описывают как оптимизированную для глубинного долгосрочного рассуждения и рабочих процессов в разработке ПО и задачах управления знаниями. Модель была выпущена до анонса Gemini 4 Carbon и упоминается в материалах Google о семейства Gemini 4.ТЕКУЩИЙ СНИМОК5/5 РАЗДЕЛОВ С ДАННЫМИ
Главные характеристики в одном месте.
ХРОНОЛОГИЯ РЕЛИЗОВ
Только опубликованные события с источниками.
Google представляет Gemini Robotics 2.5 — улучшенную VLA-модель для реальной роботизированной ловкости
Google представила Gemini Robotics 2.5 — обновлённую VLA‑модель, которая расширяет набор навыков, повышает ловкость, надёжность и безопасность роботов. По данным Google, модель протестировали на более чем 200 задачах (рост успеха на 30–100% и ускорение выполнения на 20–30% по сравнению с предыдущими базовыми моделями) и она показала 96% успеха в пилоте на производственной линии Mercedes‑Benz с гуманоидом Apptronik Apollo 2.
Google выпустила Gemini 4 Argon для управления роботами, симуляции и улучшения политик
Google выпустила Gemini 4 Argon — модель общего назначения для физических рассуждений, ориентированную на управление роботами, Real2Sim-воссоздание сцен, мульти модальную разметку видео и итеративное улучшение политик. В демонстрациях Argon управляет Boston Dynamics Spot и манипуляторами в MuJoCo-твинах, восстанавливает сцены из теледемонстраций и синтезирует доменно-рандомизированные эпизоды MuJoCo (по данным Google, успех на одном наборе вырос с 56% до 75%); Google сообщает 87% на бенчмарке ERQA, предлагает модель подписчикам Google AI Ultra и через платный Gemini API (gemini-4-argon), при этом публикуя ограниченные данные о неудачах и опираясь на обширные подсказки/сконструированные механизмы управления.
Google выпускает Gemini 4 Argon — новый frontier-модель, доступную по всему миру
Google объявила о глобальной доступности Gemini 4 Argon для разработчиков и предприятий через API в AI Studio и платформу Gemini, а также для подписчиков Google AI Ultra/Pro в Antigravity, приложении Gemini и режиме AI в Поиске. Компания позиционирует Argon как высокоточный frontier‑модель для сложных многошаговых задач в кодинге, финансах, юриспруденции, кибербезопасности и науке, с заявленным первым местом в Vals Index; в источнике приводятся кейсы внутри Google (рефакторинг Chrome, оптимизации ADK), ускорения (xTB и Gemma через vLLM) и стартовая цена ($2 за млн входных токенов, $10 за млн выходных, кэшированные входы со скидкой 95%).
Google выпустил Nano Banana 2.1 для изображений и примерно вдвое снизил цены
Google выпустил Nano Banana 2.1 — модель для генерации и редактирования изображений на базе Gemini 3.6 Flash, которая, по заявлению компании, улучшает визуальное качество, прорисовку текста, согласованность персонажей, панорамы и инфографику, поддерживает до 14 эталонных изображений и удерживает до четырёх персонажей и десяти объектов согласованными. Компания примерно вдвое снизила цены на генерацию (например, 1K изображений с 6,70¢ до 3,36¢), развёртывает 2.1 в приложении Gemini, в AI Mode поиска, Google AI Studio, Flow, Stitch и планирует отключить предыдущую модель gemini-3.1-flash-image 29 октября 2026 года.
Google DeepMind представила Gemini 4 Argon — фронтирную модель с контекстом в 1M токенов
Google DeepMind объявила о модели Gemini 4 Argon — фронтирной мультимодальной модели, заточенной под долгие последовательные рассуждения и сложные рабочие процессы. Argon сначала разворачивается у доверенных киберзащитников в рамках программы Fairwind, увеличивает предел контекста до 1 миллиона токенов, демонстрирует лидирующие результаты по ряду бенчмарков (кодирование, финансы, право, анализ видео) и будет расширенно доступен после поэтапного тестирования безопасности и взаимодействия с органами власти США; также объявлены вводные тарифы.
ПРОВЕРЯЕМЫЕ ФАКТЫ
Каждое значение привязано к источнику и дате.
Google описывает Gemini 4 Argon как недавно запущенную модель (она была выпущена до анонса Gemini 4 Carbon).
Доступна для подписчиков Google AI Ultra и через платное Gemini API (идентификатор модели 'gemini-4-argon' в документации Gemini API).
Google описывает Argon как предназначенный для глубокого рассуждения в сложных долгосрочных рабочих процессах и демонстрирующий передовые результаты в реальной программной инженерии, корпоративной работе (юриспруденция, финансы) и киберзащите.
Сообщаемая вводная цена: $2 за миллион входных токенов и $10 за миллион выходных токенов (указано как та же вводная цена, что и у Gemini 4 Argon).
Google сообщает, что Argon помог оптимизировать ресурсы пространства‑времени (кубиты × гейты) для квантовых подпрограмм и в одном примере превзошёл опубликованный эталон на 40% за считанные минуты.
Google утверждает, что агенты Argon проанализировали телеметрию профилирования по всему флоту и применили оптимизации памяти, которые освободили более 300 ТиБ после внедрения, а совокупная экономия оценивается в 500 ТиБ — 1 ПиБ.
Google сообщает, что агенты Argon используются для масштабных миграций и оптимизаций кодовых баз (например, миграция C/C++ в Rust по Google, до 800K+ строк для ядра Zircon в Fuchsia).
Ранняя реакция практиков подчеркнула опасения, что симуляционные твин-окружения могут выглядеть правдоподобно визуально, при этом поведение объектов/контактов некорректно, что важно для задач манипуляции.
Argon описана как обладающая лидирующим окном контекста в один миллион токенов (в материалах также указывается поддержка до одного миллиона выходных токенов).
Argon спроектирован для продвинутого/глубокого рассуждения в сложных долгосрочных рабочих процессах и позиционируется для тяжёлых задач: кодирование, кибер‑защита, корпоративная работа с знаниями (юриспруденция, финансы) и автономное исправление уязвимостей.
В сообщениях говорится, что Argon обучен и описан как способный автономно обнаруживать, проверять и патчить критические уязвимости в ПО (в частности для оборонительной кибер‑работы).
В СМИ цитируется заявление Google о том, что Argon набрал больше баллов, чем соперничающие фронтир‑модели (включая GPT‑6 Astra от OpenAI и Fable/Opus от Anthropic) по ряду AI‑бенчмарков и указан как лидер в одном из индексных рейтингов, на который ссылается Google.
В статьях говорится, что следующий заметный прирост в качестве изображений 'мог бы' появиться с Gemini 4 Argon — формулировка указывает на возможное улучшение, но в предоставленных отрывках нет подтверждённого описания возможностей или бенчмарков.
Описана как мультимодальная модель физического рассуждения, сочетающая визуальные входы, язык и действия/симуляцию для робототехники (видео + язык + управление).
Упоминается как вероятное «следующее крупное улучшение» в качестве изображений по сравнению с недавними моделями (например, Gemini 3.6 Flash / Nano Banana 2.1); представлено как возможность, а не подтверждённый результат бенчмарка.
Google представила Gemini 4 Argon как свою новую «передовую» модель и заявила в блоге от 23 октября 2026 г., что «Argon был развернут широко на прошлой неделе», что указывает на широкое распространение в середине–конце октября 2026 г.
Google описывает Argon как модель для глубокой работы с сложными реальными задачами в области кодирования, финансов, права, кибербезопасности и науки, обладающую улучшенным многошаговым рассуждением, меньшей склонностью к увиливанию и повторениям, а также большей точностью в длительных задачах.
Указан результат 87% на бенчмарке Embodied Reasoning Question Answering (ERQA) при чистом рассуждении без вспомогательных инструментов; Google отмечает, что это опережает другие передовые модели на этом тесте.
Google сообщает, что Argon занимает #1 в Vals Index — показателе, упомянутом как оценка производительности модели в экономических секторах: финансы, кодирование, юриспруденция и налоговая работа.
Google сообщает, что Argon решил все 12 полноценных смоделированных сценариев кибератак в их тестах по кибербезопасности (по сравнению с пятью в предыдущем поколении) и описывает возможности киберзащиты на передовом уровне, предназначенные для помощи защитникам.
На внутреннем RE‑Bench DeepMind (74 реалистичные задачи по ML‑инжинирингу) Gemini 4 Argon решает около половины задач (~50%). Для сравнения, Gemini 3.7 Flash решил 27% задач на том же бенчмарке.
По данным 1 389 внутренних прогонов агентов Argon, доля успешных выполнений без участия человека резко снижалась с ростом сложности задач, что указывает на снижение способности к полной автоматизации более сложных задач.
DeepMind сообщает, что Gemini 4 Argon располагается чуть выше трендовой линии по способностям серии Gemini; команда связывает это с увеличением вычислительных ресурсов и организационных вложений, а не с ускорением исследований, вызванным ИИ.
Google описывает Argon как модель, превосходящую в глубоком многошаговом рассуждении и структурной точности в сложных практических задачах: кодирование, финансы, юриспруденция, кибербезопасность и наука; примеры включают рефакторинг больших кодовых баз, оптимизацию кода, поиск и исправление уязвимостей и поддержку научных исследований.
Независимые публикации и показанные Google демонстрации указывают, что примеры Argon по-прежнему зависят от подробных человеческих подсказок и дополнительных агентных проверок; в демонстрациях показано многоступенчатое участие и верификация человеком перед физическим выполнением.
Google сообщает, что Argon «превосходит в глубокой работе над сложными задачами в реальном мире» в нескольких областях, включая программирование, финансы, право, кибербезопасность и науку.
Argon набрал 87% на бенчмарке Embodied Reasoning (ERQA), что, по сообщению, превосходит другие фронтирные модели на этом бенчмарке.
По данным тестировщиков, Argon набрал 97.5% на ARC-AGI-3 при запуске с «Provider Adapter Harness» (настройка теста, использующая особенности API поставщика).
В рамках «Standard Harness» ARC-AGI (позволяет только ограниченные заметки между раундами) тестировщики сообщили, что результат Argon упал до 49.8% при низком уровне рассуждения; также сообщалось о проблемах с API, не позволивших завершить все игры в этом режиме.
Описана как модель, превосходящая при глубинных многошаговых задачах в таких областях, как разработка кода, финансы, юриспруденция, кибербезопасность и наука; ключевые сильные стороны — физическое понимание, генерация кода и визуально‑семантическое рассуждение для робототехники и задач из реального мира.
Отчетный результат — 97,5% по ARC‑AGI‑3 при тестировании в специализированной конфигурации поставщика («Provider Adapter Harness»); в материале отмечено, что результат сильно зависит от метода и среды тестирования.
В стандартной тестовой среде ARC (которая не сохраняет внутренние рассуждения между действиями) производительность Argon, по отчету, падает до 49,8% при низком уровне рассуждения; тестировщики также сообщали об ошибках API, помешавших пройти все игры в стандартной среде.
Сообщается, что использовалась компанией Wiz для обнаружения критической уязвимости в PHP; описывается как особенно полезная для нахождения уязвимости, разработки эксплойтов, создания средств обнаружения атак и проверки исправления.
Google утверждает, что глубина и точность Argon при многошаговых задачах позволяет ей превосходить другие передовые модели в бенчмарках по разным областям.
В блоге сообщается о «существенных улучшениях в пространственном мышлении, математической точности и визуальном кодировании», что позволяет Argon генерировать сложные 3D‑окружения и координировать движения нескольких элементов.
11‑часовой автономный прогон Gemini 4 Argon привёл к двум принятым оптимизациям в кодовой базе Agent Development Kit Google.
Argon прочитал руководства репозитория, установил базовые показатели производительности, предложил оптимизации, проверил собственные изменения и запустил все 16 892 модульных теста репозитория.
Argon работал с кодовой базой объёмом более 200 000 строк Python в примерно 800 файлах.
Принятые оптимизации сократили накладные расходы на подготовку сессий в памяти примерно на 40% в длительных сессиях.
Принятые оптимизации сократили время холодного импорта пакетов на 21%.
Google сообщает, что Gemini 4 Argon умеет рассуждать, генерировать код и координировать инструменты для выполнения сложных задач с длинным горизонтом планирования и глубокой аналитики.
В примере Gemini 4 Argon (в Antigravity) разобрала более 80 000 исходных файлов от NASA — включая журналы погоды и инженерные, медицинские и научные данные по 72 полётам на Марс — и преобразовала выводы в презентацию для руководства.
Google демонстрирует, как Argon сгенерировала 5 000 строк математических вычислений для построения 3D‑освещённой библиотеки с нуля, а затем создала видео о процессе, демонстрируя сочетание математических и 3D‑возможностей.
В исследовательском эксперименте сообщается, что модель Gemini 4 Argon разбивала задачи на шаги, которые затем в реальном времени симулировала модель мира Genie 4, что иллюстрирует применение Argon для декомпозиции задач и планирования в контексте симуляции/робототехники.
Argon получил 50 баллов в индексе Artificial Analysis Intelligence v5.0 (в сообщениях указано, что Carbon выше — 59).
Сообщается, что хорошо показывает себя в областях финансов, права, кибербезопасности и науки; упомянутые сценарии применения — разбор устаревших кодовых баз, ускорение научных исследований, робототехника и другие задачи, специфичные для домена.
Ориентирована на сложное программирование, финансовый анализ и юридические рабочие процессы.
Описана как универсальная модель физических рассуждений для управления роботами, построения Real2Sim сцен, мультимодальной разметки видео роботов и итеративного улучшения политик, а не как политика для одного эффектора.
Google сообщает о синтезе доменно-рандомизированных эпизодов MuJoCo из одного RGB-кадра для дообучения политики vision-language-action, что повысило успех на соответствующей реальной установке с 56% до 75%.
В робототехнических примерах Google используются длинные, специфичные для задачи подсказки, координатные сетки, примитивы движения и верификаторы (структурирование входит в систему под испытанием); Google не публикует показатели отказов для отдельных демонстраций, за исключением одного случая VLA.
Представлена как универсальная модель для физико-логического рассуждения: управление роботами, построение Real2Sim-сцен (video-to-sim), мультимодальная разметка видео роботов, политики vision-language-action и итеративное улучшение политик. В материалах показаны примеры: управление Boston Dynamics Spot, управление манипулятором по визуальным координатам и HTTP-примитивам движения, замыкание цикла с видео-моделью Gemini Omni.
В репортах демонстрации и оценки опираются на длинные, специфические для задачи подсказки, сетки координат, примитивы движения и другой каркас (scaffolding) как часть системы; в статье отмечено, что Google не публикует индивидуальные показатели отказов по демонстрациям за исключением одного случая VLA.
Представлена как универсальная модель физического рассуждения для управления роботами, построения Real2Sim-сцен, мультимодальной разметки видео и итеративного улучшения политик; в качестве применения указаны управление симуляцией, синтез доменно-рандомизированных эпизодов и повышение успешности политик в реальности.
Argon набирает 87% по бенчмарку Embodied Reasoning Question Answering (ERQA) при использовании чистого рассуждения без вспомогательных инструментов.
В публикации по Argon для робототехники не были приведены показатели отказов по отдельным демонстрациям, за исключением одного примера VLA (Google не публиковала показатели отказов по отдельным демонстрациям за пределами этого примера).
Argon описывается как фронтирная модель, которая «превосходит в глубинном долгосрочном рассуждении» и является предпочтительным выбором для большинства задач по разработке ПО и работе с знаниями.
В индексе Artificial Analysis Intelligence Index по умолчанию (уровень «high») Argon, по данным Google, получает 50 (против 51 у Hydrogen; при наивысшем уровне «xhigh» Hydrogen достигает 54, согласно Google).
Согласно сообщениям, Argon предлагает только уровни рассуждения «medium» и «high» (в отличие от Hydrogen, у которой есть «low», «medium», «high» и новый «xhigh»).
ЧТО ИЗМЕНИЛОСЬ