Gemini 4 Argon: обзор новой нейросети Google. Возможности, тесты, бенчмарки и сравнение с GPT-6 и Claude

Gemini 4 Argon — новая флагманская нейросеть Google для сложных задач: анализа, программирования, исследований и работы с большими файлами. Разбираем возможности, тесты и способы доступа из России.

Google анонсировала Argon в конце сентября, сначала открыв модель ограниченной группе специалистов по кибербезопасности. 13 октября 2026 года состоялся полноценный запуск: Gemini 4 Argon появилась в Gemini, Google AI Studio, API и других сервисах Google. Это первая флагманская модель нового поколения Gemini 4.

Если отбросить громкие цифры, у Argon есть три действительно важных отличия: она заметно сильнее прошлых Gemini в сложном рассуждении, лучше держит очень длинный контекст и рассчитана не столько на короткий вопрос-ответ, сколько на работу, которая состоит из десятков связанных этапов.

Для пользователей из России Gemini 4 Argon уже доступна через Study AI — без отдельного аккаунта Google и VPN. 

✨ Перейти к нейросети Gemini 4 Argon

Gemini 4 Argon — что это вообще за модель

Argon — флагман Gemini 4. Это не обновлённая Gemini 3.8 Flash и не дополнительная настройка старой Pro-модели. Google прямо указывает, что модель была построена как новое поколение, а не как fine-tuning предыдущего Gemini.

Внутри используется архитектура Mixture of Experts — «смесь экспертов». Если сильно упростить, модель не прогоняет каждый запрос через абсолютно все свои внутренние блоки, а активирует более подходящие части сети для конкретной задачи. Для пользователя это техническая деталь, но именно такой подход позволяет делать очень большие модели без пропорционального роста стоимости каждого ответа.

Argon принимает:

• Текст.

• Изображения.

• PDF и другие документы.

• Аудио.

• Видео.

Результат при этом текстовый. Самостоятельно рисовать изображения или генерировать аудио Argon не умеет — для этого Google использует отдельные модели Nano Banana, Veo и Gemini Audio.

Основные характеристики Gemini 4 Argon

Для обычного пользователя здесь важнее всего контекст, мультимодальность и инструменты. В один рабочий процесс можно дать модели большой набор документов, изображения, видео и ссылки, а затем попросить сопоставить всё это между собой.

Зачем нужен Gemini 4 Argon, если уже есть обычный Gemini

Для короткого письма, перевода текста или ответа на простой вопрос Argon избыточна.

Её смысл проявляется в задачах вроде:

• Проанализировать 400-страничный отчёт и сопоставить его с несколькими таблицами.

• Найти противоречия между договорами.

• Разобраться в большом программном проекте.

• Провести исследование по десяткам источников.

• Изучить длинное видео и ответить на вопросы по его содержанию.

• Создать рабочий план сложного проекта и выполнять его поэтапно.

• Проанализировать финансовые показатели компании.

• Исправить код сразу в нескольких связанных файлах.

• Выполнить серию действий через внешние инструменты.

Google именно вокруг таких сценариев и строила модель: software engineering, финансы, право, наука и агентная работа повторяются и в документации, и в наборе бенчмарков.

Что изменилось для обычного чата

Интересно, что Google отдельно доработала не только интеллект.

В Gemini App Argon:

• Отвечает более прямо.

• Реже перестраховывается фразами вроде «возможно» и «следует учитывать».

• Меньше повторяет уже сказанное.

• Лучше придерживается заданного стиля.

• Во время долгих задач чаще сообщает, что именно происходит.

Это кажется мелочью, пока не работаешь с нейросетью несколько часов подряд. Хорошая модель, которая на каждый простой вопрос пишет пять вводных абзацев, быстро начинает раздражать.

Контекст в миллион токенов: что это даёт на практике

Одна из главных цифр Gemini 4 Argon — окно контекста примерно в 1 млн токенов.

Очень грубо это соответствует более чем тысяче страниц обычного текста. Artificial Analysis оценивает такой объём примерно в 1500 страниц A4, хотя реальное количество сильно зависит от языка, таблиц и структуры документа.

Это позволяет загрузить:

• Книгу целиком.

• Большую кодовую базу.

• Несколько финансовых отчётов.

• Набор договоров.

• Длинную переписку.

• Исследовательские статьи.

• Большой массив транскриптов.

Но миллион токенов сам по себе ничего не гарантирует. Главное — сможет ли модель найти нужную связь в середине этого массива.

И именно здесь Argon показывает один из самых сильных результатов.

В GraphWalks при объёме от 256 тысяч до 1 млн токенов Gemini 4 Argon получила 84,2%, тогда как GPT-6 Astra — 71,8%, Claude Opus 5.5 — 66,8%, Fable 5.1 — 65%.

То есть огромный контекст здесь выглядит не декоративной характеристикой.

А что означает ответ длиной до миллиона токенов

Вот это уже экзотическая функция.

В обычном синхронном запросе максимум составляет 65 536 токенов. Для специальных долгих процессов API поддерживает Long Decode — модель может продолжать генерацию в фоне и теоретически использовать до миллиона токенов общего контекста и вывода.

Обычному человеку книга на тысячу страниц одним ответом почти никогда не нужна.

Зато функция интересна для:

• Миграции большой кодовой базы.

• Автоматизированного исследования.

• Обработки тысяч документов.

• Длительно работающих ИИ-агентов.

Главное преимущество здесь не «очень длинный текст», а возможность модели не обрывать сложную работу через несколько десятков тысяч токенов.

Thinking: модель может думать дольше

У Gemini 4 Argon есть три режима глубины рассуждения:

• Low — быстрее, подходит для понятных задач.

• Medium — используется по умолчанию.

• High — для сложной аналитики, кода и задач с большим числом условий.

Чем выше режим, тем больше вычислений модель может потратить до финального ответа.

Для запроса «сократи это письмо» High не нужен.

А вот для задачи вроде:

Изучи пять договоров, найди противоречия между условиями, оцени риски и подготовь итоговую записку с цитатами из документов

дополнительное рассуждение уже имеет смысл.

Есть и обратная сторона: сложные запросы могут выполняться несколько минут. Google даже рекомендует разработчикам выставлять большие тайм-ауты для Argon.

Gemini 4 Argon в бенчмарках

На старте Google опубликовала очень большую таблицу сравнений с GPT-6 Astra, Claude Opus 5.5 и Claude Fable 5.1.

Здесь важно не попасть в ловушку красивых цифр.

Один тест проверяет программирование, другой — анализ финансов, третий — использование компьютера. Нельзя сложить проценты и вывести одну «оценку интеллекта».

Основные результаты

Это данные из официальной Model Card Google. Они полезны, но часть сравнений собрана из результатов разных лабораторий и конфигураций, поэтому воспринимать таблицу как единую Олимпиаду ИИ не стоит.

Что означают бенчмарки человеческим языком

Профессиональная работа — пожалуй, главная победа Argon

Самый интересный показатель — Vals Index.

Он моделирует реальные профессиональные задачи в финансах, программировании, юридической работе и налогах.

Gemini 4 Argon получила 68,9% и занимает первое место актуального рейтинга Vals. Причём это уже не только цифра Google: сам Vals показывает Argon лидером своего индекса.

Это хорошо совпадает с тем, как модель позиционируется.

Argon интересна не тем, что лучше отвечает на викторины, а тем, что умеет разобрать плохо структурированную рабочую задачу и довести её до результата.

Финансы

В Vals Finance Agent v2 результат Argon — 65,4%.

Для сравнения:

• GPT-6 Astra — 53,5%.

• Claude Opus 5.5 — 58,6%.

• Claude Fable 5.1 — 58,9%.

Для финансового аналитика это не означает, что можно перестать проверять цифры.

Но задачи вроде анализа отчётности, сравнения компаний, поиска аномалий в документах и подготовки записок — явно одна из сильнейших зон Argon.

Право

На Harvey’s Legal Agent Benchmark Google показывает 19,6% против 5,4% у Astra и 3,8% у Opus 5.5.

Разрыв выглядит огромным.

При этом абсолютное значение напоминает о важном: даже лучшая модель всё ещё не проходит большую часть задач этого теста.

Поэтому юридический ИИ пока лучше воспринимать как помощника для поиска, анализа и подготовки черновика, а не как замену юристу.

Программирование: очень сильна, но Claude ещё рано списывать

Вот здесь рекламный заголовок «Gemini теперь лучшая для кода» был бы слишком простым.

На DeepSWE v1.1 Argon действительно первая:

• Gemini 4 Argon — 77,9%.

• Claude Opus 5.5 — 74,2%.

• GPT-6 Astra — 74,1%.

Но на FrontierSWE v2 ситуация переворачивается:

• GPT-6 Astra — 65,5%.

• Claude Opus 5.5 — 62,3%.

• Fable 5.1 — 56,3%.

• Gemini 4 Argon — 55%.

А в Terminal-bench 4.0 лидирует Opus 5.5 с 66,4%, тогда как Argon получает 57,4%.

Почему тесты расходятся

Потому что «программирование» — слишком широкое слово.

Есть большая разница между задачами:

• Дописать функцию.

• Найти ошибку.

• Разобраться в репозитории.

• Изменить десятки файлов.

• Выполнять команды в терминале.

• Самостоятельно установить зависимости и проверить результат.

Argon особенно сильна на длинных инженерных задачах и анализе большого контекста.

Claude Opus 5.5 пока остаётся очень опасным конкурентом именно в автономной терминальной работе.

Первые пользовательские тесты тоже дают смешанную картину. Один из пользователей Antigravity сравнил планы реализации реальной функции на Argon High и Opus 5.5 Extra High и предпочёл план Claude. Другие, наоборот, хвалят Argon за Blender, HTML и сложные интерфейсы. На первом дне релиза это скорее полезные наблюдения, чем окончательный вывод.

Независимые тесты: здесь картина уже спокойнее

Самый полезный противовес таблице Google — Artificial Analysis.

В Intelligence Index на режиме High Gemini 4 Argon получила 53 балла.

Для сравнения:

• Claude Opus 5.5 — 58.

• Claude Sonnet 5.5 — 56.

• Gemini 4 Argon — 53.

• GPT-6 Astra Max — 53.

• GPT-6.1 Sol — 52.

То есть независимый индекс не показывает Argon как безусловного нового чемпиона. Это модель самого верхнего уровня, но Opus 5.5 и Sonnet 5.5 в общем индексе пока выше.

Зато на AutomationBench-AA результат впечатляющий:

78% у Argon против 68% у GPT-6 Astra.

Artificial Analysis также оценивает Humanity’s Last Exam в 57% и SciCode в 62%.

Интересный результат по галлюцинациям

В AA-Omniscience Argon показывает сильный результат по способности не выдумывать ответ, когда знаний недостаточно.

Это важно для реальной работы. Полезная нейросеть — не та, которая отвечает абсолютно всегда, а та, которая умеет остановиться, когда не знает.

Наука и математика

В научных тестах картина снова неоднозначная.

Argon получает:

• 88,8% на LABBench 2.

• 76% на RiemannBench.

• 57,6% на Terminal-Bench Science.

На первых двух она опережает сравниваемые модели. На Terminal-Bench Science GPT-6 Astra получает 68,1%, а Opus 5.5 — 63,3%.

То есть сильная математика и научное рассуждение у Argon есть, но говорить «Google теперь лучшая во всей науке» нельзя.

Здесь особенно важно смотреть на тип задачи.

Провести свой тест Gemini 4 Argon

Видео, изображения и документы

Gemini традиционно сильна в мультимодальности, и Argon это продолжает.

Она может одновременно анализировать:

• Текст.

• Изображения.

• Видео.

• Аудио.

• PDF.

На LVBench, где проверяется понимание длинных видео, Argon получила 91,7% — выше Astra, Opus и Fable.

Практический сценарий выглядит интереснее самой цифры.

Можно загрузить часовой ролик и попросить:

• Найти момент, где упоминается конкретная тема.

• Сделать конспект.

• Сопоставить сказанное с PDF.

• Найти противоречия.

• Подготовить таймкоды.

• Ответить на вопросы о деталях происходящего.

Для лекций, интервью, исследований и работы с архивами это одна из самых сильных сторон экосистемы Gemini.

Gemini 4 Argon и ИИ-агенты

Argon явно создавалась с расчётом на модели, которые не только отвечают, но и действуют.

Она поддерживает:

• Function Calling.

• Выполнение кода.

• Поиск по файлам.

• Google Search.

• Google Maps.

• URL Context.

• Computer Use в Preview.

В Gemini появился отдельный режим Tasks. Пользователь задаёт цель, после чего Gemini может выполнять связанную работу через подключённые приложения даже без постоянного присутствия человека. Google говорит уже более чем о 40 интегрированных сервисах.

Для обычного человека это, пожалуй, важнее ещё нескольких процентов в математическом тесте.

Следующий этап развития чат-ботов — не «умнее ответить», а самостоятельно выполнить цепочку действий.

Gemini 4 Argon против GPT-6 Astra

Если сравнивать две флагманские модели без фанатизма к бренду, абсолютного победителя сейчас нет.

Где сильнее Argon

• Длинный контекст.

• Автоматизация многоэтапных процессов.

• Финансовые задачи.

• Анализ длинного видео.

• Часть software engineering тестов.

• Стоимость API на период запуска.

Где сильнее Astra

• FrontierSWE.

• Terminal-Bench Science.

• OSWorld 2.0.

• Некоторые задачи работы с компьютером и сложного кода.

Artificial Analysis вообще ставит обе модели на одинаковые 53 балла Intelligence Index.

Для исследования большого набора материалов я бы в первую очередь смотрел на Argon.

Для максимально сложной автономной задачи имеет смысл сравнить результат с Astra.

Gemini 4 Argon против Claude Opus 5.5

Здесь различия ещё интереснее.

Argon сильнее выглядит в:

• Больших документах.

• Видео.

• Финансах.

• Автоматизации.

• DeepSWE.

Opus выигрывает в:

• Terminal-bench.

• FrontierSWE.

• PostTrainBench.

• Некоторых научных инженерных сценариях.

А Artificial Analysis даёт Opus 5.5 58 баллов против 53 у Argon.

Поэтому для разработчика, который живёт в терминале и Claude Code, переходить только из-за релиза Gemini 4 я бы не спешил.

А вот для смешанной задачи «документы + изображения + видео + поиск + код» Argon выглядит гораздо интереснее.

Gemini 4 Argon против Gemini 3.8 Flash

Это вообще разные инструменты.

Artificial Analysis:

• Gemini 4 Argon High — 53.

• Gemini 3.8 Flash High — 41.

На AutomationBench разрыв ещё заметнее: 78% против 60%.

Но Flash дешевле и проще.

Поэтому:

Gemini 3.8 Flash — короткий чат, классификация, массовая обработка, быстрые запросы.

Gemini 4 Argon — сложное исследование, код, большие документы, агенты и задачи, где ошибка или повторная работа стоят дороже.

Использовать Argon для каждой короткой переписки — примерно как открывать Photoshop, чтобы обрезать скриншот.

Что говорят первые пользователи Gemini 4 Argon

Модель только вышла, поэтому любые отзывы пока стоит читать осторожно.

Но несколько повторяющихся наблюдений уже есть.

Ответы стали приятнее

Пользователи отмечают, что Argon лучше придерживается инструкций и формата в длинных разговорах, меньше внезапно переключается на чрезмерно официальный стиль и ощущается быстрее, чем ожидалось. Это совпадает с тем, что Google отдельно меняла стиль ответов.

Квота расходуется быстро

Есть и обратная сторона.

Один пользователь Pro сообщил, что семь довольно обычных запросов съели больше половины его пятиичасовой квоты. Это единичный пользовательский случай, а лимиты могут меняться в первые дни запуска, но тяжёлая reasoning-модель действительно значительно дороже Flash.

Код вызывает больше споров

Часть разработчиков сразу сравнивает Argon с Opus 5.5 и считает Claude сильнее на больших реальных проектах.

Другие показывают удачные 3D-сцены, HTML и Blender-проекты.

Это ровно та ситуация, где через неделю реальные рабочие тесты будут гораздо полезнее первых впечатлений.

Ограничения Gemini 4 Argon

Новая флагманская модель всё равно остаётся LLM.

Google прямо перечисляет несколько ограничений.

Она всё ещё может выдумывать факты

Knowledge cutoff — март 2026 года. Для более свежей информации нужен поиск.

Даже с поиском критические данные лучше перепроверять.

Сложные задачи могут выполняться долго

High Thinking способен занимать минуты.

Это нормально для исследования, но раздражает, если нужен быстрый ответ на простой вопрос.

Не генерирует изображения

Argon понимает картинки, но результат выдаёт текстом.

Если попросить нарисовать изображение, интерфейс Gemini может подключить другую модель, но это уже не собственная способность Argon.

Computer Use пока Preview

Модель умеет работать с компьютерными интерфейсами, но технология пока не относится к полностью зрелым функциям.

Миллионный контекст не означает идеальную память

Можно дать модели огромный файл, но это не гарантирует, что любая мелкая деталь будет найдена без ошибки.

На сложных материалах по-прежнему полезно указывать, где искать информацию и какой результат нужен.

Как пользоваться Gemini 4 Argon

Сейчас есть несколько вариантов.

1. Через Study AI в России

Для российского пользователя самый простой путь — открыть Gemini 4 Argon в Study AI.

Модель уже появилась в каталоге платформы и работает через обычный чат. Study AI доступна в России без VPN и зарубежной карты.

Схема простая:

1. Откройте Gemini 4 Argon.

2. Напишите задачу на русском языке.

3. Добавьте файлы, если они нужны.

4. Дайте модели контекст и желаемый формат результата.

5. Продолжайте работу в том же диалоге.

Для большинства людей это намного проще API и Google AI Studio.

2. Через официальный Gemini

С 13 октября Argon постепенно появляется у подписчиков Google AI Pro и Ultra в Gemini App и AI Mode.

Развёртывание идёт поэтапно, поэтому у двух пользователей с одинаковым тарифом переключатель модели может появиться не одновременно.

В России официальный Gemini по-прежнему имеет региональные ограничения: РФ отсутствует в списках поддерживаемых регионов приложения (недоступен даже с VPN)

3. Google AI Studio и API

Это вариант для разработчиков.

Gemini 4 Argon доступна в платном Gemini API и AI Studio. Для обычной переписки никакой причины разбираться с API нет.

4. Google Antigravity

Argon доступна подписчикам Google AI Ultra в Antigravity — агентной среде Google для программирования.

Там модель может не просто написать кусок кода, а исследовать проект, составить план, изменить файлы и проверять результат.

Сколько стоит Gemini 4 Argon

Для обычного пользователя важнее цена подписки или стоимость внутри конкретного агрегатора.

Для разработчиков Google ввела временную стартовую цену:

• $2 за 1 млн входных токенов.

• $10 за 1 млн выходных токенов.

С 1 декабря 2026 года тариф должен вырасти до:

• $4 за 1 млн входных токенов.

• $20 за 1 млн выходных токенов.

Thinking-токены входят в оплачиваемый output.

Это важный нюанс.

Argon способна много рассуждать и поэтому один сложный запрос может потреблять значительно больше токенов, чем короткий ответ Flash-модели.

Artificial Analysis измерила около 62 тысяч выходных токенов на одну задачу своего Intelligence Index, из которых примерно 36 тысяч приходились на reasoning.

Для обычного чата эта цифра не показатель реальной стоимости каждого запроса, но хорошо объясняет, почему флагманская reasoning-модель расходует квоты быстрее.

Как правильно ставить задачи Gemini 4 Argon

Argon раскрывается на запросах, где есть материалы, цель и несколько этапов.

Слабый запрос:

Проанализируй этот отчёт.

Лучше:

Изучи приложенный годовой отчёт компании. Сначала выдели пять главных изменений относительно прошлого года, затем найди факторы роста и риска. Все числовые выводы привязывай к конкретным данным из документа. В конце подготовь краткое резюме для человека без финансового образования.

Для исследования:

Найди актуальную информацию по теме из нескольких независимых источников. Отдели подтверждённые факты от предположений. Если источники противоречат друг другу, покажи расхождение отдельно. В конце сделай вывод простым языком.

Для большого файла:

Сначала изучи весь документ и составь карту его структуры. Затем отвечай только на основании исходника. Для каждого важного утверждения указывай раздел документа, где оно встречается.

Для кода:

Сначала изучи структуру проекта и зависимости. Не меняй код сразу. Найди причину ошибки, предложи план исправления и перечисли файлы, которые придётся изменить. После этого выполни изменения и проверь связанные участки.

Чем сложнее задача, тем полезнее разделять её на этапы.

Кому Gemini 4 Argon действительно нужна

Модель особенно интересна тем, кто:

• Работает с большим количеством документов.

• Пишет и анализирует код.

• Делает исследования.

• Работает с финансовой или юридической информацией.

• Анализирует видео и сложные мультимодальные материалы.

• Использует ИИ-агентов.

• Решает научные и математические задачи.

• Регулярно упирается в возможности более быстрых моделей.

Если ваша обычная работа — написать пост, перевести письмо и придумать пять заголовков, прирост будет намного менее заметен.

Насколько хороша Gemini 4 Argon

Gemini 4 Argon — настоящий флагман, а не косметическое обновление предыдущей Gemini.

Самые сильные стороны модели уже видны довольно чётко: работа с огромным контекстом, мультимодальный анализ, профессиональные задачи, финансы, автоматизация и сложные цепочки действий.

С бенчмарками ситуация интереснее маркетинга. В таблицах Google Argon выигрывает большинство сравнений, но независимый Artificial Analysis даёт ей 53 балла — столько же, сколько GPT-6 Astra, и меньше Claude Opus 5.5. А в некоторых сложных тестах программирования и науки Argon уступает конкурентам.

Поэтому главный вывод не «Gemini 4 уничтожила GPT и Claude».

Он полезнее: Google снова выпустила модель самого верхнего уровня, причём с очень сильной специализацией на длинных, сложных и мультимодальных задачах.

Реклама. ООО «Диджитал Гениус». ИНН 7813681158