Google DeepMind uruchamia Gemini 4 Argon do złożonych zadań programistycznych, naukowych i korporacyjnych

Google DeepMind ogłosił globalną dostępność Gemini 4 Argon, modelu granicznego zaprojektowanego do złożonej, wieloetapowej pracy w obszarach programowania, finansów, usług prawnych, cyberbezpieczeństwa i nauki.

Model jest dostępny od 13 października 2026 r. dla deweloperów i przedsiębiorstw przez API w AI Studio oraz na platformie Gemini. Subskrybenci Google AI Ultra mogą korzystać z niego w Google Antigravity, a subskrybenci Google AI Ultra i Pro — w aplikacji Gemini oraz AI Mode w wyszukiwarce.

Koray Kavukcuoglu, wiceprezes Google DeepMind i główny architekt AI w Google, stwierdził, że premiera daje deweloperom, przedsiębiorstwom, naukowcom i konsumentom dostęp do najnowszego modelu granicznego firmy.

Google podał, że Argon został zaprojektowany do „głębokiej pracy” w rzeczywistych domenach. Firma oświadczyła, że model przewyższa inne modele graniczne w benchmarkach w wielu dziedzinach i zajmuje pierwsze miejsce w Vals Index, mierzącym wydajność modeli w kluczowych sektorach gospodarki, takich jak finanse, programowanie, praca prawnicza i podatkowa.

Cena wprowadzająca wynosi 2 dolary za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych, a tokeny wejściowe z cache są tańsze o 95%. Po zakończeniu okresu wprowadzającego 30 listopada 2026 r. cena będzie wynosić 4 dolary za 1 milion tokenów wejściowych i 20 dolarów za 1 milion tokenów wyjściowych. Cennik dotyczy modelu Argon przeznaczonego do dostępu publicznego.

Google podał, że zespoły już wykorzystują Argon do refaktoryzacji i optymalizacji dużych baz kodu, usprawniania przepływów pracy w prawie, finansach i nauce, identyfikowania i łatkowania luk w cyberbezpieczeństwie oraz wspierania badań nad komputerami kwantowymi, fuzją jądrową i naukami o życiu.

Inżynieria i rozwój oowania

Google podał, że Argon był wykorzystywany wewnętrznie do trudnych projektów inżynieryjnych. W Antigravity model pomógł zespołom zwiększyć liczbę zgłoszeń kodu agentowego o ponad 35%, redukując wycofania kodu o prawie jedną trzecią.

W Chrome Argon pomógł inżynierom oddzielić obsługę stron od legacy folderu zawierającego około 6 milionów linii funkcji przeglądarki w bazie kodu Chromium liczącej 40 milionów linii. Generując jednocześnie wiele czystych zmian w kodzie, model pomógł ukończyć refaktoryzację architektoniczną obejmującą setki plików w tygodnie zamiast miesięcy.

Google stwierdził, że celem tej pracy jest umożliwienie płynnego przenoszenia aktywnych stron między kartami, panelami bocznymi i oknami pływającymi bez przeładowania, eliminując całą kategorię awarii przeglądarki dla miliardów użytkowników Chrome.

Argon był także wykorzystywany przez zespół stojący za otwartoźródłowym Agent Development Kit (ADK) Google, frameworkiem dla agentów korporacyjnych. Inżynierowie przekazali modelowi swój regulamin .agents/skills oraz cel opisany w jednym akapicie: wyeliminować narzut frameworku bez psucia istniejących aplikacji.

Pracując autonomicznie przez noc, Argon zidentyfikował optymalizacje, które są już dostępne w repozytorium google/adk-python. Google podał, że zmiany skróciły czas przygotowania sesji w pamięci o 40% podczas długich sesji i poprawiły szybkość zimnych importów o 21%. Firma opublikowała szczegółowe omówienie inżynieryjne opisujące tę pracę.

Badacze wykorzystali również Argon w Antigravity do optymalizacji xTB (Semiempirical Extended Tight-Binding), otwartoźródłowego pakietu chemii kwantowej służącego do przewidywania struktur 3D cząsteczek i screenowania kandydatów na leki i materiały. Google podał, że xTB stał się do 2,3 razy szybszy w przewidywaniu struktur cząsteczek i 1,8 raza szybszy w przeszukiwaniu konformerów. Zmiany zostały wdrożone do oficjalnego repozytorium xTB na GitHubie.

Google zgłosił również 2,85-krotne przyspieszenie wnioskowania end-to-end dla otwartych modeli Gemma na A100 przy użyciu vLLM. Przepustowość Gemma 4 E2B wzrosła z około 37 900 do ponad 108 000 tokenów na sekundę, przy 100% zgodności tokenów i bez spadku jakości. Google stwierdził, że praca, obejmująca strojenie attention i dekodowanie spekulatywne, została ukończona w kilka dni zamiast zwykle wymaganych miesięcy. Powiązane pull requesty upstream vLLM zawierają zmiany.

Wizualizacje 3D i aplikacje interaktywne

Google podał, że Argon poprawia rozumowanie przestrzenne, precyzjęematyczną i kodowanie wizualne w porównaniu z wcześniejszymi modelami Gemini. Używając poleceń slash, takich jak /goal, pętli multi-agentowych i niestandardowych umiejętności w Antigravity, pracownicy Google wykorzystali model do prototypowania wizualizacji 3D, gier o wysokiej wierności i interaktywnych animacji renderowanych w przeglądarce przy użyciu czystego kodu.

W jednej demonstracji Argon stworzył szczegółową pagodę w Blenderze dzięki pętlom wizualnej krytyki multi-agentowej. Model autonomicznie wyrzeźbił kompleks świątynny z kilkoma budynkami, fotorealistyczną architekturą, roślinnością i oświetleniem.

W innym przykładzie Argon przekształcił fotografie prawdziwego biurka w grywalną miniaturową grę wyścigową. Blender MCP posłużył do modelowania i sprawdzania kolizji biurka, pokoju i toru wyścigowego; Nano Banana dostarczył tekstury; a Three.js obsłużył fizykę, niestandardowe shadery i dźwięk silnika samochodowego z Gemini Omni Flash. Google udostępnił aplikację przez Google AI Studio.

Argon napisał również skrypty Python do proceduralnego rzeźbienia, riggingu, animowania i renderowania opartego na fizyce złożonej gry 3D. Następnie połączył projekt z siecią w Three.js z shaderami GLSL, fizyką rozbicia i AI dla jednego gracza. Powstała aplikacja jest dostępna w Google AI Studio.

Nie używając żadnych zewnętrznych bibliotek i wyłącznie czystego Pythona, Argon stworzył własny silnik ray-tracingu 3D z niestandardowym narzędziem wideo i mikserem audio. System zbudował i udokumentował od podstaw nasłonecznioną bibliotekę, tworząc, narrating i montując wideo z lektorem Gemini 3.8 TTS i muzyką Lyria 3.5. Google opublikował kod źródłowy.

W innej demonstracji w Antigravity Argon zaczął od pojedynczego obrazu Nano Banana i sterował Blender MCP w pętli autonomicznej, wyrównując siatki kamer, rzeźbiąc architekturę gotycką i aranżując oświetlenie reagujące na dźwięk, tworząc gotową scenę 3D.

Przepływy pracy biznesowe i profesjonalne

Google podał, że Argon łączy zaawansowane rozumowanie, percepcję wizualną, szerszą wiedzę domenową i silniejsze możliwości pisarskie na potrzeby profesjonalnych przepływów wysokiego ryzyka. Firma oświadczyła, że model komunikuje się jasno, konsekwentniej niż wcześniejsze modele Gemini wykonuje instrukcje stylistyczne, odpowiada bardziej bezpośrednio z mniejszym zastrzeganiem się, unika zbędnego powtarzania i pomija banały.

Klienci korporacyjni i startupy w programie wczesnego dostępu Google wykorzystują Argon do głębokiego rozumienia dokumentów multimodalnych, analizy danych podłużnych i interaktyych piaskownic analitycznych przy zachowaniu ścisłego groundingu, według Google.

Jedna z demonstracji obejmowała około 50 GB skanów Airborne LiDAR, wektorów pomieszczeń GIS, rysunków CAD Biblioteki Kongresu i archiwów National Park Service. Argon zsyntetyzował materiał, aby odtworzyć modele 3D Chaco Canyon i przekształcić fragmentaryczne zapisy archeologiczne w eksplorowalne cyfrowe miejsca dziedzictwa. Projekt jest dostępny przez Google AI Studio.

W aplikacji Gemini Argon może przyjąć niestrukturalny folder zawierający kontekst projektu i sformatować go w prezentację ofertową dla klienta przy użyciu niestandardowej umiejętności. Gemini może następnie przygotować i wysłać prezentację e-mailem, tworząc zaplanowany przepływ pracy dla przyszłych zapytań klientów.

Google zademonstrował także Argon łączący dane z trzech otwartoźródłowych repozytoriów w narzędzie do nauki medycyny. Narzędzie pozwala użytkownikom odkładać warstwy anatomiczne, przeglądać metadane kliniczne i uruchamiać biomechanikę w trójwymiarowej eksploracji ludzkiego ciała.

W aplikacji Gemini na macOS Argon użył Antigravity i Nano Banana do wygenerowania iteracji projektowych nowych nóg sofy, a następnie stworzył plik do druku 3D. Na podstawie szkicu wymiarów i zdjęcia kanapy model zbudował element w odpowiednim rozmiarze.

W Isomorphic Labs Argon jest wykorzystywany do przyspieszania badań nad odkrywaniem i projektowaniem leków. Google podał, że model potrafi szybko syntetyzować złożone pliki PDF i patenty, aby wyodrębnić istotne informacje, skracając proces, który zwykle trwa tygodnie, do kilku godzin.

Cyberbezpieczeństwo i badania naukowe

Badacze, inżynierowie i specjaliści od bezpieczeństwa wykorzystują Argon w obronie cybernetycznej, nauce, matematyce i robotyce, podał Google. Zastosowania obejmują testowanie hipotez, audyt krytycznych baz kodu i formalnych dowodów oraz identyfikację luk zero-day i błędów logicznych.

Program Fairwind i Wiz

Google podał, że rozpoczął rozszerzanie na setki dodatkowych partnerów w programie Fairwind, który dostarcza zdolności cybernetyczne zaufanym obrońcom.

Wiz wykorzystuje Argon w swojej inicjatywie „Scan for Good”, która bezpłatnie chroni infrastrukturę krytyczną dla dobra publicznego. Według Google, Wiz wykorzystał wcześniejszy dostęp do Argon w wielu obszarach wysokiego ryzyka.

W długoterminowym programie odporności cybernetycznej prowadzonym z agencją federalną Argon pomógł proaktywnie zidentyfikować i usunąć lukę, która groziła ujawnieniem wrażliwych danych rządowych i infrastruktury. Google stwierdził, że działania te pomogły zapobiec ujawnieniu krytycznych szczegółów rozwoju sektora bezpieczeństwa i nieautoryzowanemu dostępowi do wyspecjalizowanych modeli.

Wiz wykorzystał również Argon do ochrony infrastruktury opieki zdrowotnej. Łącząc złożone luki, model pomógł zidentyfikować i szybko naprawić obejście pobierania publicznych plików, które ujawniało klucz główny i dawało dostęp administratora. Google podał, że Argon poszedł poza identyfikację luki i pomógł chronić setki tysięcy prywatnych dokumentacji pacjentówn

Komputery kwantowe

Badacze Google wykorzystali Argon do wsparcia prac nad korekcją błędów kwantowych i projektowaniem algorytmów. Aby pomóc dekoderom błędów nadążać za sprzętem kwantowym w czasie rzeczywistym, Argon przetłumaczył wewnętrzną wersję AlphaQubit, dekodera korekcji błędów kwantowych opartego na uczeniu maszynowym, na pojedynczy, wysoce zoptymalizowany kernel sprzętowy.

Google podał, że kernel niemal podwoił przepustowość wnioskowania, umożliwiając wdrażanie większych modeli i skalowanie do większych urządzeń kwantowych przy zachowaniu ścisłych progów czasu rzeczywistego.

Argon był również używany do redukcji kosztów spacetime dla podprogramów kwantowych. Dla arcsin, elementu składowego niedawnych algorytmów symulacji kwantowej, implementacja napisana przez Argona i formalnie zweryfikowana w Lean zredukowała koszt spacetime o ponad 100 razy w porównaniu z opublikowaną bazą kwantowego CORDIC. Google określił tę pracę jako krok w kierunku biblioteki standardowej zoptymalizowanych obwodów kwantowych. Powiązane badania dostępne są w artykule na arXiv.

Fuzja jądrowa

Stellaratory to niezwykle złożone maszyny i główny kandydat na nieograniczoną czystą energię fuzji, ale optymalizacja ich trójwymiarowych pól magnetycznych jest notorycznie trudna. Od 1967 r. hipoteza znana jako „konjektura Grada” zakładała, że znalezienie dokładnych matematycznych rozwiązań tych pól jest niemożliwe, dopóki nie znaleziono niedawnych kontrprzykładów, w tym pracy profesora Matta Landremana (University of Maryland).

Google podał, że zespół współpracujący z Landremanem zidentyfikował teraz szerszą klasę kontrprzykładów wobec konjektury Grada. Nowe rozwiązania dostarczają społeczności fuzji niezawodnych punktów odniesienia do testowania kodów symulacji stellaratorów, które są cennym narzędziem dla przyszłych projektów.

Badania nad chorobami rzadkimi

Badacze z Gamow Labs wykorzystali Argon do analizy zanonimizowanych genomów noworodków z rzadkimi rozwojowymi zaburzeniami płuc. W jednym przypadku model wskazał przegrupowanie chromosomalne, które rutynowe oprogramowanie przeoczało przez lata, i wyjaśnił, dlaczego pozostawało niewykryte.

W prywatnych ewaluacjach Gamow Labs opartych na rzeczywistych danych klinicznych i laboratoryjnych Argon uzyskał 57% w RareBench (pomoc w diagnozie chorób rzadkich) i 52,2% w LabBench (rozumowanie laboratoryjne). Google stwierdził, że wyniki mogą wspierać szybszą diagnozę dla rodzin zmagających się z rzadkimi schorzeniami. Dodatkowe informacje są dostępne u Gamow Labs oraz na ich stronie benchmarków.

Projektowanie enzymów

Inżynieria enzymów o precyzyjnej reaktywności często wymaga miesięcy strojeniai i screenowania kandydatów. Serynowe esterazy, które przecinają wiązania estrowe w docelowych cząsteczkach, są wykorzystywane w recyklingu oraz produkcji farmaceutyków, biopaliw i detergentów.

Naukowcy Google współpracowali z Argonem nad projektowaniem serynowych esteraz celujących w 4MU-acetate, cząsteczkę odniesienia świecącą w świetle UV po zerwaniu wiązań estrowych. W ciągu kilku godzin Argon zebrał odpowiednie dane, przeprowadził strojenie modelu i zidentyfikował kilka filtrów opartych na biochemii, uzyskując ostateczny zestaw pięciu nowych projektów.

Późniejsze testy laboratoryjne potwierdziły solidną aktywność katalityczną wszystkich projektów. Google stwierdził, że praca ta pokazuje potencjał szybszej inżynierii enzymów w bioprodukcji, zielonej chemii i rozwoju leków.

Google oferuje 10 000 naukowcom bezpłatny dostęp do najwyższego poziomu użycia w Google Antigravity przez sześć miesięcy. Badacze będą włączani na bieżąco, z zastrzeżeniem kwalifikowalności, wydajności i wyboru. Nabór wniosków jest otwarty.

Robotyka

Google podał, że Argon łączy rozumowanie wizualno-semantyczne, głębokie rozumienie fizyki i autonomiczne generowanie kodu, aby wspierać nowe przepływy pracy w całym stosie robotyki. W benchmarku Embodied Reasoning (ERQA), który testuje zdolność modelu do rozumienia i rozwiązywania fizycznych i przestrzennych problemów w środowiskach 3D, Argon uzyskał wynik 87%. Google stwierdził, że był to wynik wyższy niż innych modeli granicznych przy czystym rozumowaniu. Benchmark ERQA jest publicznie dostępny.

W teście wewnętrznym Argon nauczył się spoza dystrybucji umiejętności fizycznej, oglądając surowe wideo osoby grającej w cornhole. Model zmapował współrzędne przestrzenne otoczenia, obliczył wymagane ruchy stawów całego ciała i autonomicznie zbudował kod symulacji.

Po przeniesieniu systemu na humanioida Apollo firmy Apptronik robot trafił siedem kolejnych rzutów w próbie w świecie rzeczywistym. Google nazwał ten proces pipeline'em „Video-to-Sim-to-Real” i stwierdził, że kompresuje tygodnie ręcznego modelowania symulacji do kilku godzin, przekształcając zwykłe filmy w skalowalne środowisko treningowe dla robotyki. Apptronik to firma stojąca za humanioidem Apollo. Google przekazał dodatkowe szczegóły w swoim blogu deweloperskim.

Bezpieczeństwo

Google stwierdził, że bezpieczeństwo jest fundamentem procesu tworzenia modeli. Ponieważ Argon jest wysoce zdolnym modelem, firma współpracowała z różnymi partnerami zewnętrznymi przy pomiarze określonych zdolności i zabezpieczeń. Google określił Gemini 4 Argon jako posiadający do tej pory najbardziej wszechstronny stos bezpieczeństwan
W ramach Frontier Safety Framework Google ocenił zdolności Argona w kilku obszarach i wdrożył wielowarstwowy system obrony łączący odporność na jailbreak, monitorowanie i egzekwowanie. Google podał, że zewnętrzne bio-red teamy zdołały odblokować mniej niż 1% testowanych podzadań biologicznych.

W przypadku niebezpiecznych zapytań, w tym generowania kodu exploitów i pomocy dotyczącej niebezpiecznych materiałów biologicznych, Google stwierdził, że Argon jest znacząco mniej skłonny niż wcześniejsze modele do ich realizacji. Na adversarialnym zbiorze testowym zaprojektowanym do testów wytrzymałościowych naruszenia spadły o prawie dwukrotnie w porównaniu z wcześniejszymi modelami Gemini.

Google wytrenował także Argona do respektowania granic systemu, uczciwego raportowania negatywnych wyników i pauzy na potwierdzenie przez człowieka przed podjęciem nieodwracalnych działań. W benchmarkach programistycznych, gdzie modele nie mają motywacji do powstrzymywania się, liczba prób skrótów spadła do 2%, co Google opisał jako swój najlepszy wynik w porównaniu z wcześniejszymi modelami Gemini.

Jako dodatkową warstwę obrony Google zbudował automatyczny monitor niewspółmierności, który czyta krok po kroku rozumowanie i działania agenta, aby wykrywać i blokować niezamierzone obejścia w czasie rzeczywistym. Monitor był używany we wdrożeniach wewnętrznych, ewaluacjach zdolności i treningach ze wzmocnieniem uczenia. Google stwierdził, że unikał karania myśli modelu podczas treningu, aby jego rozumowanie pozostawało przejrzyste i możliwe do monitorowania.

Argon był również testowany pod kątem odporności na wstrzyknięcie promptu. Agenci przeglądający strony, czytający e-maile lub badający kod mogą napotkać ukryte złośliwe instrukcje mające przejąć ich zadania. Dzięki treningowi adversarialnemu i automatycznemu red teamingowi Argon prowadzi w benchmarku Gray Swan Indirect Prompt Injection, redukując skuteczność ataków do 0,7% w 15 próbach adaptacyjnych.

Dalsze informacje są dostępne w Model Card Gemini 4 Argon.

Dostępność i dostęp

Argon obsługuje wiodący w branży zunifikowany limit 1 miliona tokenów wejściowo-wyjściowych przez Gemini API. Google stwierdził, że deweloperzy i przedsiębiorstwa powinni zapoznać się z dokumentacją nowego protokołu kontynuacji i odpowiednio skonfigurować swoje systemy. Dokumentacja jest dostępna dla long decoding oraz Gemini 4 Argon na korporacyjnej platformie agentów Google.

Globalne wdrożenie Google obejmuje następujące opcje dostępu:

• Deweloperzy: Buduj z płatnym poziomem Gemini API w AI Studio i Android Studio. Subskrybenci Google AI Ultra mogą też wypróbować Argon w Google Antigravity i AI Studio.
• Przedsiębiorstwa: Korzystaj z Argon w Gemini dla firm, przez API i w Google Antigravity.
• Zwykli użytkownicy: Subskrybenci Google AI Ultra i Pro mogą korzystać z Argon w aplikacji Gemini i AI Mode w wyszukiwarce.
• Naukowcy i badacze: Złóż wniosek o sześć miesięcy bezpłatnego dostępu do najwyższego poziomużycia Google Antigravity, z zastrzeżeniem kwalifikowalności, wydajności i wyboru.
• Obrońcy cyberbezpieczeństwa: Złóż wniosek o dołączenie do programu Fairwind, aby uzyskać bieżący dostęp do Argon bez cyberzabezpieczeń.

Google stwierdził, że Gemini 4 Argon to pierwsza premiera w rodzinie Gemini 4 i że kolejne modele będą następować.

Firma zaznaczyła, że poglądy zawarte w blogu należą do strony zewnętrznej i nie reprezentują stanowiska Google. Oryginalne ogłoszenie opublikował Google DeepMind.