Gemini 4 Argon 릴리스 : 1M 출력 토큰, 반 가격 판 Opus,하지만 당신은 동안 그것을 사용할 수 없습니다

9월 30일, Google DeepMind는 공식적으로 Gemini 4 Argon을 출시했습니다. 이것은 Gemini 4 시리즈의 첫 번째 모델이며 첫 번째 주력은 올해 2 월 Gemini 3.1 Pro 이후 7 개월을 출시했습니다. 시대의 중간에 Google은 플래시 시리즈의 몇 가지 작은 모델 만 보냈습니다. 외부 세계가 앞선 모델 경쟁에서 떨어지는 것처럼 한 번 인식되었습니다. 아르곤은 응답했다 -- 그것은 모두를 위해 문을 열지 않았다.

우선, 당신은 그것을 지금 사용할 수 없습니다.

출시의 날에 Argon은 Google Fairwind 프로젝트에서 "credible cyber defences"에만 열었습니다. 이 계획은 9 월 2 일에 시작되었으며 정부 및 국가 네트워킹 기관, 의료 / 통신 / 에너지 / 금융, 핵심 기술 플랫폼 및 학술 실험실과 같은 주요 인프라 연산자를 대상으로합니다. 신청자는 vetting를 겪고, multifactorial 물고기 저항하는 증명서를 이용하고 공유하거나 resell 접근을 해야 합니다. 공식적으로, 현재 650 개 이상의 협력 기관이 있습니다.

API 클라이언트 및 Google AI Ultra 구독자, 그 후 개발자, 비즈니스 및 일반 소비자, 공식적으로 "가능한 한 빨리"라고하지만이름 *나는 모른다. 더 중요한 것은 우리가 주의해야한다는 것입니다.API 모델 ID는 날짜에 게시되지 않았습니다.모델 카드 및 지식이 없습니다. 그래서 당신은 "$2 입력"과 같은 가격을 볼 수 있습니다 공식적으로 출판 된 전망 상업 가격, 이는 오늘 호출 할 수없는 의미.

그런데, 이것은 OpenAI, Anthropic - OpenAI's Daybreak, Anthropic's Project Glasswing와 함께 일관되고, 통제되는 통행에 있는 가장 강한 사이버 보안 기능을 잠그. Google은 미국 정부의 자발적인 검토 프로세스에 참여했습니다.

1M 출력 토큰: 이 베팅은 긴

Argon, 가장 어려운 기술 지표는 컨텍스트가 아니지만 컨텍스트가 아닙니다.64K 1M 토큰에서 언급된 출력 제한Google은 업계를 선도하고 있습니다. 주의, 산출, 입력하지 않는.

이 차이는 에이전트를 한 사람에 중요합니다. 과거에, 당신은에 대해 우려했다 “어떻게 읽을 수 있습니다” 그리고 지금에 대한 “어떻게 지속할 수?” 대규모 코드 마이그레이션 임무는 창고, 변경, 실행 테스트, 리더 출력, 재 프로그래밍 및 새로운 오류의 반복 읽기가 필요할 수 있습니다. 출력 예산이 큰 경우, 모델은 초기 및 반환 컨트롤을 멈추지 않아도됩니다. Google은 깊이에 생각하고 문제를 해결 할 수있는 능력에 회의에서 수천 개의 토큰 한 단계의 수백을 생성하는 모델을위한 공간이 있다고 말합니다.

그러나 panacea로 복용하지 마십시오. 높은 천장은 이전 세부 사항을 기억하지 않습니다, 올바른 도구를 선택, 패치는 오른쪽과 속도가 더 빠릅니다. 이 입력의 상황에 따라 에이전트 프레임 워크, 작업 자체 및 인증 링크. 높은 천장은 실패한 시도를 위해 운을 태울 수 있습니다.각 요청에 대한 기본 예산으로 1M을 사용하여 비율이 좋지 않습니다.그것은 작업 수준, 실제 소비의 기록 및 사용 가능한 진도없이 시도하는 손상의 적시 중단입니다.

점수를 실행: 넓은 승리, 전혀.

Google은 GPT-6 Astra, Claude Fable 5.1 및 Claude Opus 5.5와 비교표를 발표했습니다. 통합 미디어 통계 : 공개 된 18 벤치 마크 중, 아르곤은 단일 12의 첫 번째이고 첫 번째이었다; 아스트라는 첫 번째 3과 오푸스 5.5이었다. 다른 말로,3개의 정면 선 모형의 정상, 아르곤, 그러나 게임은 여전히 위에 있습니다.나는 모른다.

공급 능력:

딥스웹 v1.177.9 퍼센트 (현실적인 긴 주기 소프트웨어 프로젝트) 아스트라를 위한 Opus 5.5와 74.1 퍼센트를 위한 74.2 이상
Vals 지수(Financial/programming/legal/tax 경제적인 충격은 미국에 있는 GDP 무게에 의해 측정해)
자동화Bech51.3%, 첫째로, Opus 보다는 더 높은 8.8 점
Harvey 법률 연령 벤치 마크19.6 퍼센트, 아스트라 만 5.4 퍼센트, 오푸스 5.5 퍼센트 - 배설률, 그러나 절대 값이 여전히 20 퍼센트 미만 인 것을 지적 - "매우 낮은베이스에서 실질적으로 증가"는 실제로보다 더 특정 할 수 있습니다.
공장 투어91.7%, 사오타
CWE 벤치 v168% (물자 수선), Astra로 첫째로

뒤로 어디, 그것은 같은:

프론트어스WE v2Astra 65.5 퍼센트 대 아르곤 55.0 퍼센트, 10.5 포인트
터미널 벤치 과학 0.1Astra 68.1% 대 아르곤 57.6%, 같은 10.5 포인트
터미널 빌딩 4.066.4% 대 아르곤 57.4%, 9점
게시물TrainBench: 오버스 49.3% 대 아르곤 45.3%

그게 왜 당신이 무슨 일에 달려 있는지 선택. DeepSWE의 리드는 FrontierSWE가 리드에있어 벤치 마크 창고, 임무 길이, 언어, 도구 행동의 두 세트와 함께 작동합니다.로드가 FrontierSWE 또는 터미널 집중 작업과 같은 경우, 후보자의 Astra와 Opus를 이동하는 이유가 없습니다.

제 3 자, 인공 분석, Inteligence Index 53 포인트를 제공합니다. GPT-6 Astra와 Claude Opus 5.5 및 Sonet 5.5 뒤에 지연과 동일합니다. 대조적으로 Gemini 3.1 Pro는 30입니다. Fello AI는 또한 인공 분석에 의해 테스트 된 머리 모델에 있었다.가장 낮은 Hallucination 비율.예. 동시에 Bloomberg는 일부 Google 직원이 실제 프로그래밍으로 어려움을 겪고 있다고보고했습니다.

Google은 이미 그것을 크게 사용하고 있습니다.

몇몇 내부 케이스는 인용되었습니다, 그들이 실험실 달리기 보다는 진짜 생산 환경의 착륙이기 때문에 텍스트의 가장 informative 부분:

Quantum 알고리즘 최적화퀀텀 계산기 팀은 중요한 애플리케이션을 위해 시간과 공간 리소스 (qubit x gate)를 최적화하는 데 도움이되며 출판 된 기본을 초과하는 경우 40 %
기억 효율성: 아르곤 에이전트의 그룹은 전체 함대 프로파일링 원격 측정을 분석하고 자동으로 메모리 최적화를 식별하고, 확산 후 300 TiB RAM 이상을 해제하고 500 Tib에서 1 PiB의 총 절감을 기대합니다.
사이트맵 연락처: Re2, libgav1, Fuchsia OS Zircon 내부 코어의 800,000 개 이상의 라인과 같은 핵심 라이브러리의 수천 개의 라인에서. 이 시스템은 대규모의 리필링이 생산하기 전에 수동 감사, 시뮬레이션 테스트 및 평가에 엄격한 자동화 된 접근 방식을 취하는 것이 매우 중요합니다.

가장 특정은 libgav1-Google 오픈 소스 비디오 디코더입니다. 아르곤 에이전트는 기존의 Rust 포트에 걸립니다, 프로파일 가이드 실험 및 연구 컴파일러의 여러 라운드를 통해 수출.32K 라인 SIMD 코드 교체, 출력 컴파일러는 자동으로 Rust의 보안을 할당할 수 있습니다. 결과는 원래 Rust 포트 버전과 비교된 안전한 메모리 디코더입니다.올, 2.7 시간.비디오 출력은 정확히 동일합니다.

Cybersecurity: 아르곤의 두 번째 주요 전장

Argon는 사이버 보안을 위해 훈련되었습니다.셀프 탐지, 검증 및 수리 키 소프트웨어 omissions Hole나는 모른다. 신뢰할 수있는 방어 및 Google 내부 팀에 Google이됩니다.보안 울타리를 끄십시오.그것을 보내고 모든 앞으로 방위 기능을 줍니다.

디스커버리 성능: Argon과의 중요한 공공 인프라를 무료로 보호하기 위해 좋은 계획을 통해 Wiz글로벌 병원에서 사용되는 의료 소프트웨어는 민감한 개인 정보를 노출하는 심각한 루프홀을 발견하고 이전의 프론트 라인 모델의 아무도 그것을 발견했습니다.나는 모른다. 또한 Argon은 Google 내의 복합 갭 벤치 마크에서 20 프로그래밍 언어에 걸쳐 복잡한 코드 저장소에 노출을 발견; 그리고 검은 상자 침투 테스트 벤치 마크에 Wiz에서, 그것은 공격 표면의 발견에 Gemini 3.8 플래시 사이버를 초과, 루프 홀을 식별, PoC 증거를 생산.

Fairwind 프로젝트의 첫 번째 납품은 CodeMender 프레임 워크와 Gemini 3.8 Flash Cyber였으며, 검증 및 수리를 식별하고 검증하는 데 도움이되었습니다.

가격: 절반 가격 시작, 그 후에 두 배

소개 가격은 ...백만 당 토큰 2 달러, 10 달러 출력캐시 입력에 대한 입력 가격의 95 % 할인, 이는 약 $0.10/million 캐시 입력나는 모른다. 소개 기간의 끝으로 증가 US$ 4 입력 / US$ 20 출력, 캐시 입력은 약 $0.20입니다. Google은이 "incorporation period"이 얼마나 오래되었는지 말하지 않습니다. 그러나 업계 연습은 그 것입니다. 때로는이 "sold price"는 공식 가격을 유지됩니다.

동일한 가격 시트에 넣어 : 도입 기간의 아르곤은 GPT-6 Astra ($ 10 / 50)입니다.1 다섯째.클로드 Opus 5.5.반.나는 모른다. 이 Google 2 다른 이야기로 가격 ... 프로모션 기간은 가장 싼 머리 모델 중 하나이며, Opus 5.5와 같은 가격에 프로모션이 끝납니다.

방출의 앞에 안전 문.

Google은 4 개의 방향에서 보안 조치를 추가했습니다.

남용의 예방합법적인 이중 사용 연구를 유지하면서 유해 네트워크 및 CBRN 요청을 거부하도록 설계; 손상을 식별하는 감시 모델의 내부 활성화에 대한 향상된 기술. 울타리는 내부 및 외부 빨간색 팀의 수동 + 자동화된 공격 방법으로 테스트되었습니다.
Precautionary 주입Google은 "이동적 인 팁을 주입하기 위해 가장 탄력있는 모델"으로 Argon을 설명합니다. Gray Swan의 IPI 벤치 마크 성공률 0.7%Opus 5.5 및 Fable 5.1, GPT-6 Astra 용 8.5%, GPT-6 Sol 용 27.0%, GLM 용 5.3 31.5%, Grok 4.8 용 51.8%까지 - 그것은 매우 간격입니다.
표적 탈선을 감시하십시오.: Argon의 생각 체인과 행동을 모니터링하고 필요한 경우 중단 실행. Google은 교육 과정에서 유사한 시스템을 사용하여 특수 비상 대응 팀과 deliberately는 상황을 감시하는 이유를 형성하기 위해 재 라우팅 탐지를 방지합니다.
보강 시스템: High-risk 교육 또는 평가 시작 전에 sandbox 환경의 분리 및 저장, Agent Control Road Map에 따라

기사 "실행적으로 훈련에 대한 감시를 찾는 데 실패"는 게시판의 가장 아름다운 단어 중 하나입니다 : 실제 문제의 점 : 감시 결과를 가진 모델을 훈련하는 경우, 모델은 "실험에 의해 감지되지 않는 방법"을 배우게 될 수 있습니다.

이 릴리스에 대해?

회사의 경우,이 릴리스의 포인트는 또 다른 채팅 로봇이 아니라, 구글, OpenAI와 Anthropic에서 몇 달의 압력 후, 그는 앞 테이블에 여전히 있다는 것을 다시 제공. 그것은 선택 3 방울 -- 소프트웨어 개발, 전문 지식, 네트워크 보안. - 그것은 사업이 이미 돈을 소비하는 정확히.

그러나 경쟁의 패턴을 변경하려면 "win-win"이 필요하지 않습니다.18 년, 리드 또는 13 병렬은 Google을 "widening Lead"를 옹호하기에 충분합니다.그리고 그 뒤에 lags – FrontierSWE v2, Terminal-Bench Science, Terminal-Bench 4.0 – 또한 OpenAI와 Anthropic이 여전히 기술적인 영역을 확보했다고 생각한다.

실제 결론은 하나의 문장입니다:모델은 여전히 작업 부하에 의존합니다.실제 작업을 파일럿에 가져 와서 좋은 실행을하지 마십시오. Argon이 개발자, 기업 및 소비자에게 열려있을 때 실제 watershed는 뉴스에서 생산성까지 이동할 때입니다.

앞에는 끝이 없습니다.