Google DeepMind lancia Gemini 4 Argon per attività complesse di coding, scienza e impresa

Google DeepMind ha annunciato la disponibilità globale di Gemini 4 Argon, un modello frontier progettato per lavori complessi e multi-step nel coding, nella finanza, nei servizi legali, nella cybersecurity e nella scienza.

Il modello è disponibile dal 13 ottobre 2026 per sviluppatori e imprese tramite l'API in AI Studio e nella piattaforma Gemini. Gli abbonati Google AI Ultra possono utilizzarlo in Google Antigravity, mentre gli abbonati Google AI Ultra e Pro possono accedervi nell'app Gemini e in AI Mode in Search.

Koray Kavukcuoglu, SVP di Google DeepMind e chief AI architect di Google, ha dichiarato che la release offre a sviluppatori, imprese, scienziati e consumatori l'accesso al più recente modello frontier dell'azienda.

Google ha affermato che Argon è progettato per il "deep work" in domande del mondo reale. L'azienda ha dichiarato che il modello supera altri modelli frontier nei benchmark di più ambiti e si classifica al primo posto nella Vals Index, che misura le prestazioni dei modelli in settori economici critici tra cui finanza, coding, lavoro legale e fiscale.

Il prezzo introduttivo è di 2 dollari per milione di token di input e 10 dollari per milione di token di output, con i token di input in cache scontati del 95%. Al termine del periodo introduttivo il 30 novembre 2026, il prezzo sarà di 4 dollari per milione di token di input e 20 dollari per milione di token di output. I prezzi si applicano al modello Argon destinato all'accesso pubblico.

Google ha dichiarato che i team stanno già utilizzando Argon per effettuare il refactoring e l'ottimizzazione di grandi codebase, migliorare i flussi di lavoro nei settori legale, finanziario e scientifico, identificare e correggere vulnerabilità di cybersecurity e supportare la ricerca in informatica quantistica, fusione nucleare e scienze della vita.

Ingegneria e sviluppo software

Google ha dichiarato che Argon è stato utilizzato internamente su progetti di ingegneria complessi. In Antigravity, il modello ha aiutato i team ad aumentare le submission di codice agentico di oltre il 35%, riducendo quasi di un terzo i rollback del codice.

In Chrome, Argon ha aiutato gli ingegneri a separare la gestione centrale delle pagine web da una cartella legacy contenente circa 6 milioni di righe di funzionalità del browser all'interno della codebase di Chromium di 40 milioni di righe. Producendo più modifiche di codice pulite contemporaneamente, il modello ha contribuito a completare un refactoring architetturale che interessa centinaia di file in settimane anziché mesi.

Secondo Google, il lavoro è destinato a consentire alle pagine web attive di spostarsi fluidamente tra schede, pannelli laterali e finestre mobili senza ricaricare, eliminando un'intera categoria di crash del browser per i miliardi di utenti di Chrome.

Argon è stato utilizzato anche dal team dietro l'Agent Development Kit (ADK) open source di Google, un framework per agenti aziendali. Gli ingegneri hanno fornito al modello il loro regolamento .agents/s e un obiettivo di un paragrafo: eliminare l'overhead del framework senza rompere le applicazioni esistenti.

Lavorando in autonomia durante la notte, Argon ha individuato ottimizzazioni ora disponibili nel repository google/adk-python. Secondo Google, le modifiche hanno ridotto del 40% il tempo di preparazione delle sessioni in memoria nelle sessioni lunghe e migliorato del 21% la velocità dei cold import. L'azienda ha pubblicato un'analisi tecnica approfondita che descrive il lavoro.

I ricercatori hanno inoltre utilizzato Argon in Antigravity per ottimizzare xTB, ovvero Semiempirical Extended Tight-Binding, un pacchetto open source di chimica quantistica utilizzato per prevedere le strutture 3D delle molecole e selezionare candidati farmaceutici e materiali. Secondo Google, xTB è diventato fino a 2,3 volte più veloce nella previsione delle strutture molecolari e 1,8 volte più veloce nelle ricerche di conformeri. Le modifiche sono state contribuite al repository ufficiale xTB su GitHub.

Google ha inoltre riportato un speedup di inferenza end-to-end di 2,85 volte per i suoi modelli Gemma open source su un A100 tramite vLLM. Il throughput per Gemma 4 E2B è aumentato da circa 37.900 a oltre 108.000 token al secondo, con parità dei token del 100% e nessuna riduzione della qualità. Secondo Google, il lavoro, che ha incluso l'ottimizzazione dell'attention e il speculative decoding, è stato completato in pochi giorni anziché nei mesi normalmente necessari. Le relative pull request upstream su vLLM contengono le modifiche.

Visualizzazione 3D e applicazioni interattive

Secondo Google, Argon migliora il ragionamento spaziale, la precisione matematica e il coding visivo rispetto ai modelli Gemini precedenti. Utilizzando comandi slash come /goal, loop multi-agente e skill personalizzate in Antigravity, i dipendenti Google hanno usato il modello per prototipare visualizzazioni 3D complesse, giochi ad alta fedeltà e animazioni interattive renderizzate nel browser con codice vanilla.

In una dimostrazione, Argon ha creato una pagoda dettagliata in Blender tramite loop di critica visiva multi-agente. Il modello ha scolpito autonomamente un complesso templare multi-edificio con architettura fotorealistica, vegetazione e illuminazione.

In un altro esempio, Argon ha trasformato fotografie di una scrivania reale in un giocabile gioco di corse in miniatura. Blender MCP è stato utilizzato per modellare e verificare le collisioni di scrivania, stanza e tracciato; Nano Banana ha fornito le texture; e Three.js ha gestito la fisica, gli shader personalizzati e l'audio del motore dell'auto di Gemini Omni Flash. Google ha reso l'applicazione disponibile tramite Google AI Studio.

Argon ha anche scritto script Python per scolpire proceduralmente, riggare, animare ed eseguire il rendering physically based di un complesso gioco 3D. Ha quindi collegato il progetto al web in Three.js con shader GLSL, fisica di frantumazione e un'IA single-player. L'applicazione risultante è disponibile in Google AI Studio.

Senza librerie esterne e con Python puro al 100%, Argon ha creato un motore di ray tracing 3D con uno strumento video personalizzato e un mixer audio. Il sistema ha costruito e documentato zero una biblioteca illuminata dal sole, producendo, narrando e assemblando un video con voiceover Gemini 3.8 TTS e musica di Lyria 3.5. Google ha pubblicato il codice sorgente.

In un'altra dimostrazione in Antigravity, Argon è partito da una singola immagine Nano Banana e ha guidato Blender MCP in un loop autonomo per allineare le griglie delle telecamere, scolpire architettura gotica e allestire illuminazioni reattive all'audio, creando una scena 3D finita.

Flussi di lavoro aziendali e professionali

Secondo Google, Argon combina ragionamento avanzato, percezione visiva, conoscenza di dominio più ampia e capacità di scrittura più forti per i flussi di lavoro professionali ad alto rischio. L'azienda ha dichiarato che il modello comunica con chiarezza, segue le istruzioni di stile in modo più costante rispetto ai modelli Gemini precedenti, risponde più direttamente con meno ambiguità, evita ripetizioni non necessarie e omette i cliché.

I clienti aziendali e le startup nel programma di early access di Google utilizzano Argon per la comprensione multimodale approfondita dei documenti, l'analisi dei dati longitudinale e sandbox analitiche interattive, mantenendo un grounding rigoroso, secondo Google.

Una dimostrazione ha coinvolto circa 50 GB di scansioni LiDAR aeree, vettori GIS di stanze, disegni CAD della Library of Congress e archivi del National Park Service. Argon ha sintetizzato il materiale per ricostruire modelli 3D del Chaco Canyon e trasformare documentazione archeologica frammentata in siti patrimoniali digitali esplorabili. Il progetto è disponibile tramite Google AI Studio.

Nell'app Gemini, Argon può prendere una cartella non strutturata contenente il contesto di un progetto e formattarla in un deck di proposta per un cliente utilizzando una skill personalizzata. Gemini può quindi redigere e inviare via email il deck, creando al tempo stesso un flusso di lavoro pianificato per le future richieste dei clienti.

Google ha inoltre dimostrato Argon che combina dati di tre repository open source per produrre uno strumento di apprendimento medico. Lo strumento consente di sfogliare gli strati anatomici, ispezionare i metadati clinici e attivare la biomeccanica in un'esplorazione 3D del corpo umano.

Nell'app Gemini per macOS, Argon ha utilizzato Antigravity e Nano Banana per generare iterazioni di design per nuove gambe di un divano e poi creare un file stampabile in 3D. Partendo da uno schizzo delle misure e da una foto del divano, il modello ha costruito il pezzo della dimensione corretta.

In Isomorphic Labs, Argon viene utilizzato per accelerare la ricerca sulla scoperta e il design di farmaci. Secondo Google, il modello può sintetizzare PDF e brevetti complessi per estrarre informazioni pertinenti, riducendo un processo che tipicamente richiede settimane a poche ore.

Cybersecurity e ricerca scientifica

Secondo Google, ricercatori, ingegneri e specialisti della sicurezza utilizzano Argon nella difesa informatica, nella scienza, nella matematica e nella robotica. Le applicazioni includono il test di ipotesi, l'audit di codebase critiche e prove formali, e l'identificazione di vulnerabilità zero-day e difetti logici.

Fairwind Program e Wiz

Google ha dichiarato di aver avviato un'espansione a centinaia di ulteriori partner nel Fairwind Program, che fornisce capacità informatiche a difensori affidabili.

Wiz utilizza Argon nella sua iniziativa "Scan for Good", che protegge le infrastrutture critiche per il pubblico bene a gratuito. Secondo Google, Wiz ha utilizzato l'accesso anticipato ad Argon in più aree ad alto rischio.

In un programma di resilienza informatica di lunga data condotto con un'agenzia federale, Argon ha contribuito a identificare e correggere proattivamente una falla che rischiava di esporre dati sensibili e infrastrutture governative. Secondo Google, l'iniziativa ha contribuito a prevenire l'esposizione di dettagli critici dello sviluppo del settore della sicurezza e l'accesso non autorizzato a modelli specializzati.

Wiz ha inoltre utilizzato Argon per proteggere infrastrutture sanitarie critiche. Concatenando vulnerabilità complesse, il modello ha aiutato il team a individuare e correggere rapidamente un bypass del download di file pubblici che esponeva una master key e concede l'accesso amministratore. Secondo Google, Argon è andato oltre l'identificazione della vulnerabilità, contribuendo a proteggere proattivamente centinaia di migliaia di cartelle cliniche private.

Informatica quantistica

I ricercatori di Google hanno utilizzato Argon per supportare lavori nella correzione degli errori quantistici e nella progettazione di algoritmi. Per aiutare i decoder di errore a tenere il passo con l'hardware quantistico in tempo reale, Argon ha tradotto una versione interna di AlphaQubit, il decoder di correzione degli errori quantistici basato su machine learning di Google, in un singolo kernel hardware ottimizzato.

Secondo Google, il kernel ha quasi raddoppiato il throughput di inferenza, consentendo il deployment di modelli più grandi e capaci e la scalabilità a dispositivi quantistici più grandi, mantenendo al tempo stesso rigorose soglie in tempo reale.

Argon è stato anche utilizzato per ridurre i costi spaziotemporali delle subroutine quantistiche. Per arcsin, un componente fondamentale dei recenti algoritmi di simulazione quantistica, un'implementazione scritta da Argon e verificata formalmente in Lean ha ridotto il costo spaziotemporale di oltre 100 volte rispetto a una baseline quantistica CORDIC pubblicata. Google ha descritto il lavoro come un passo verso una libreria standard di circuiti quantistici ottimizzati. La ricerca correlata è disponibile in un articolo su arXiv.

Fusione nucleare

Gli stellarator sono macchine estremamente complesse e tra i candidati principali per un'energia da fusione pulita e illimitata, ma l'ottimizzazione dei loro campi magnetici 3D è notoriamente difficile. Dal 1967, un'ipotesi di lunga data nota come "congettura di Grad" assumeva che trovare soluzioni matematiche esatte per questi campi fosse impossibile, fino a quando sono stati trovati recenti controesempi, anche da parte del professor Matt Landreman (University of Maryland).

Secondo Google, un team che lavora con Landreman ha ora identificato una classe più ampia di controesempi alla congettura di Grad. Le nuove soluzioni forniscono alla comunità della fusione benchmark affidabili per testare i codici di simulazione degli stellarator, strumenti preziosi per i progetti futuri.

Ricerca sulle malattie rare

I ricercatori di Gamow Labs hanno utilizzato Argon per analizzare genomi de-identificati di neonati con rari disturbi polmonari dello sviluppo. In un caso, il modello ha individuato un riarrangiamento cromosomico che il software di routine non rilevava da anni, spiegando perché non fosse stato rilevato.

Nelle valutazioni private di Gamow Labs derivate da dati clinici e di laboratorio reali, Argon ha ottenuto il 57% su RareBench per l'assistenza nella diagnosi di malattie rare e il 52,2% su LabBench per il ragionamento wet-lab. Secondo Google, i risultati potrebbero supportare diagnosi più rapide per le famiglie che affrontano condizioni rare. Ulteriori informazioni sono disponibili sul sito di Gamow Labs e nella sua pagina dei benchmark.

Progettazione di enzimi

L'ingegnerizzazione di enzimi con reattività precisa richiede spesso mesi di tuning dei modelli e screening deiati. Le serina esterasi, che tagliano i legami esteri in molecole mirate, sono ampiamente utilizzate nel riciclo e nella produzione di farmaci, biocarburanti e detergenti.

Gli scienziati di Google hanno lavorato con Argon per progettare serina esterasi mirate al 4MU-acetato, una molecola benchmark che emette fluorescenza sotto luce ultravioletta quando i suoi legami esteri vengono rotti. Nel giro di poche ore, Argon ha raccolto i dati rilevanti, eseguito il tuning del modello e identificato diversi filtri di ispirazione biochimica, producendo un set finale di cinque nuovi design.

I successivi test di laboratorio hanno confermato una robusta attività catalitica in tutti i design. Secondo Google, il lavoro dimostra il potenziale di accelerazione dell'ingegneria enzimatica in settori come la biomanufacturing, la chimica verde e lo sviluppo di farmaci.

Google offre a 10.000 scienziati l'accesso gratuito per sei mesi al tier di utilizzo più alto di Google Antigravity. I ricercatori verranno onboardati su base continuativa, soggetti a idoneità, capacità e selezione. Le candidature sono aperte.

Robotica

Secondo Google, Argon combina ragionamento visivo-semantico, comprensione fisica e generazione autonoma di codice per supportare nuovi flussi di lavoro lungo lo stack robotico. Nel benchmark Embodied Reasoning (ERQA), che misura la capacità di un modello di comprendere e risolvere problemi fisici e spaziali in ambienti 3D, Argon ha ottenuto un punteggio dell'87%. Secondo Google, si tratta di un punteggio superiore a quello degli altri modelli frontier basati sul puro ragionamento. Il benchmark ERQA è disponibile pubblicamente.

In un test interno, Argon ha appreso un'abilità fisica fuori distribuzione semplicemente osservando un video grezzo di una persona che gioca a cornhole. Il modello ha mappato le coordinate spaziali dell'ambiente, calcolato i movimenti articolari corporei richiesti e costruito autonomamente il codice di simulazione.

Quando il sistema è stato trasferito sull'umanoide Apollo di Apptronik, il robot ha segnato sette tiri consecutivi in una prova nel mondo reale. Google ha definito il processo una pipeline "Video-to-Sim-to-Real" e ha dichiarato che comprime settimane di modellazione manuale della simulazione in poche ore, trasformando video ordinari in un ambiente di addestramento scalabile per la robotica. Apptronik è l'azienda dietro l'umanoide Apollo. Google ha fornito ulteriori dettagli nel suo blog per sviluppatori.

Sicurezza e tutela

Secondo Google, sicurezza e tutela sono fondamentali per il suo processo di sviluppo dei modelli. Poiché Argon è un modello altamente capace, l'azienda ha collaborato con diversi partner terzi per misurare alcune capacità e misure di tutela. Google ha descritto Gemini 4 Argon come dotato del suo stack di sicurezza e tutela più completo fino a oggi.

Nell'ambito del Frontier Safety Framework di Google, l'azienda ha valutato le capacità di Argon in diverse aree e ha implementato un sistema di difesa multilivello che combina resistenza ai jailbreak, monitoraggio e enforcement. Secondo Google, i red team biologici esterni sono riusciti a sbloccare meno dell'1% dei sotto-comp biologici testati.

Per le richieste pericolose, inclusa la generazione di codice exploit e l'assistenza con materiali biologici pericolosi, Google ha dichiarato che Argon è significativamente meno propenso dei modelli precedenti a ottemperare. In un set di test avversari progettato per mettere sotto stress il modello, le violazioni si sono ridotte di quasi due volte rispetto ai modelli Gemini precedenti.

Google ha inoltre addestrato Argon a rispettare i confini di sistema, a riportare onestamente gli esiti negativi e a sospendersi per la conferma umana prima di intraprendere azioni irreversibili. Nei benchmark di coding in cui i modelli non hanno alcun incentivo a trattenersi, i tentativi di scorciatoia sono scesi al 2%, il miglior risultato rispetto ai modelli Gemini precedenti secondo Google.

Come ulteriore livello di difesa, Google ha costruito un monitor automatizzato di disallineamento che legge il ragionamento passo-passo e le azioni di un agente per identificare e bloccare in tempo reale workaround non intenzionali. Il monitor è stato utilizzato in deployment interni, valutazioni delle capacità e sessioni di addestramento con reinforcement learning. Google ha dichiarato di aver evitato di penalizzare i pensieri del modello durante l'addestramento, affinché il suo ragionamento rimanesse trasparente e monitorabile.

Argon è stato inoltre testato contro il prompt injection. Gli agenti che navigano pagine web, leggono email o ispezionano codice possono incontrare istruzioni dannose nascoste progettate per dirottarne i compiti. Attraverso addestramento avversario e red teaming automatizzato, Argon guida il benchmark Gray Swan Indirect Prompt Injection, con il successo degli attacchi ridotto allo 0,7% su 15 tentativi adattivi.

Ulteriori informazioni sono disponibili nella Gemini 4 Argon Model Card.

Disponibilità e accesso

Argon supporta un limite unificato input-output di 1 milione di token, leader nel settore, tramite la Gemini API. Secondo Google, sviluppatori e imprese dovrebbero consultare la documentazione sul nuovo protocollo di continuazione e configurare adeguatamente i propri sistemi. La documentazione è disponibile per il long decoding e per Gemini 4 Argon sulla piattaforma enterprise per agenti di Google.

Il rollout globale di Google include le seguenti opzioni di accesso:

• Sviluppatori: sviluppare con il tier a pagamento della Gemini API in AI Studio e Android Studio. Gli abbonati Google AI Ultra possono provare Argon anche in Google Antigravity e AI Studio.
• Imprese: utilizzare Argon in Gemini for business, tramite l'API e in Google Antigravity.
• Utenti ordinari: gli abbonati Google AI Ultra e Pro possono utilizzare Argon nell'app Gemini e in AI Mode in Search.
• Scienziati e ricercatori: candidarsi per sei mesi di accesso gratuito al tier di utilizzo più alto di Google Antigravity, soggetto a idoneità, capacità e selezione.
• Difensori della cybersecurity: candidarsi al Fairwind Program per l'accesso continuativo ad Argon senza guardrail informatici.

Secondo Google, Gemini 4 Argon è la prima release della famiglia Gemini 4 e altri modelli seguiranno.

L'azienda ha precisato che le opinioni nel blog sono quelle della parte esterna e non rappresentano le posizioni di Google. L'annuncio originale è stato pubblicato da Google DeepMind.