Google hat Gemini 4 Argon am 30. September 2026 angekündigt. Der Zugang war zunächst auf geprüfte Sicherheitsverteidiger über das Fairwind-Programm und frühe Tester wie Wiz beschränkt. Am 13. Oktober erreichte das Modell Entwickler über die kostenpflichtige Stufe der Gemini API und AI Studio, während Antigravity für Abonnenten von Google AI Ultra verfügbar ist. Die Modell-ID lautet gemini-4-argon, zusätzlich gibt es die separate Variante gemini-4-argon-cyber-permissive für autorisierte Verteidiger. Argon ist ein dünn besetzter Mixture-of-Experts-Transformer mit einem Wissensstand bis März 2026. Er akzeptiert Text, Code, Bilder, Audio, Video und PDFs, gibt aber nur Text und Code aus.
Die auffälligste Neuerung ist das Ausgabefenster. Ältere Gemini-Modelle verarbeiteten etwa eine Million Eingabe-Token und lieferten höchstens 64.000 Token zurück. Argon hebt das Ausgabelimit auf 1 Million Token an und nutzt dafür ein einheitliches Fenster von 1.048.576 Token, das Eingabe, Denkprozess und Ausgabe teilen. Ein Prompt mit 100.000 Token lässt daher Raum für eine Antwort von knapp 950.000 Token. Das Standardlimit für die Ausgabe bleibt bei 65.536 Token, und Entwickler müssen max_output_tokens erhöhen und Long Decode nutzen, um darüber hinauszugehen. Long Decode kann mehrere Minuten laufen und eignet sich daher für Hintergrundaufgaben.
Das Modell bietet außerdem drei Denkstufen: LOW, MEDIUM (Standard) und HIGH. Das Bild der Benchmarks ist uneinheitlich. Argon führt bei der Softwareentwicklung auf Repository-Ebene, liegt aber bei Terminal-Aufgaben zurück, und ein unachtsamer API-Aufruf kann 10 bis 20 US-Dollar kosten. Diese Schwächen sind für den Alltag der Nutzer wichtiger als die Gesamtdurchschnitte.
Für Entwickler lautet die praktische Schlussfolgerung: Argon macht es überflüssig, große Generierungen zu zerteilen und den Kontext bei jedem Schritt erneut zu übermitteln. Seine Stärken zeigen sich am deutlichsten bei langen, komplexen Programmieraufgaben, während die schwächere Terminal-Leistung und die höheren Kosten pro Aufruf eine sorgfältige Budgetplanung und Schutzmechanismen in Skripten erfordern.
Quelle: Towards Data Science · Zusammengefasst von HeadlinesBriefing