AI NEWS
IA Générative
8 min de lecture

Google Gemini 4 Argon : Références de coût et de performance pour les systèmes d'IA en production

Résumez cet article avec :

Résumé

Annoncé le 30 septembre 2026, Gemini 4 Argon de Google est un modèle de pointe conçu pour les tâches de longue haleine dans les domaines du génie logiciel, de la gestion des connaissances en entreprise, de l'analyse multimodale et de la cybersécurité défensive. Il dispose d'une limite de sortie d'un million de jetons. Les résultats communiqués par Google incluent 77,9 % sur DeepSWE v1.1, 51,3 % sur AutomationBench et 91,7 % sur LVBench, avec un prix de lancement de 2 $ par million de jetons en entrée et 10 $ par million de jetons en sortie. Cet article examine ce que ces chiffres signifient pour les systèmes d'IA en production. Il explique pourquoi une limite de sortie n'est pas une fenêtre de contexte, pourquoi les scores de benchmark ne sont pas des taux de réussite en production, et pourquoi le coût par tâche réussie est plus important que le prix au jeton. Il aborde également le déploiement progressif du modèle via le programme Fairwind et montre comment l'orchestration, la validation et une couche d'accès unifiée aux modèles aident les équipes à adopter de nouveaux modèles comme Argon dès qu'ils deviennent disponibles.

Pour les systèmes d'IA en production, un score de benchmark ne représente qu'une partie de l'équation. Les équipes doivent également connaître le coût d'une tâche, sa durée, la fiabilité avec laquelle les travaux en plusieurs étapes sont menés à bien, et si les résultats obtenus en laboratoire se confirment sur leurs propres données.

C'est ce qui rend le nouveau modèle de pointe de Google digne d'une attention particulière. Le 30 septembre 2026, Google a annoncé Gemini 4 Argon, un modèle conçu pour les tâches de longue haleine dans le génie logiciel, la gestion des connaissances en entreprise, l'analyse multimodale et la cybersécurité défensive. Il est doté d'une limite de sortie d'un million de jetons, de résultats de référence parmi les meilleurs du marché et d'une tarification de lancement agressive.

Il y a toutefois un bémol : Argon n'est pas encore largement disponible. L'accès est réservé aux cyberdéfenseurs de confiance via le programme Fairwindde Google DeepMind. La question pertinente pour les équipes spécialisées en IA n'est donc pas de savoir si Argon est puissant, mais si ses performances annoncées et sa tarification sont adaptées aux charges de travail de longue durée que les systèmes de production doivent de plus en plus gérer, et comment se préparer à son ouverture.

Gemini 4 Argon en un coup d'œil

Google positionne Argon comme un modèle destiné aux tâches nécessitant un raisonnement soutenu plutôt que des réponses courtes et isolées. Des milliers d'employés de Google l'utilisent déjà en interne pour le codage spécialisé, la recherche approfondie et la rédaction. Ses chiffres clés portent sur la capacité de sortie, les benchmarks dans des domaines très variés et une tarification débutant à 2 $ par million de jetons en entrée et 10 $ par million de jetons en sortie.

Output limit

Up to 1M tokens

Up from 64K. An output limit, not a context-window size.

DeepSWE v1.1

77.9%

Long-horizon, real-world software engineering.

AutomationBench (Zapier)

51.3%

End-to-end execution across core business functions. Ranked #1.

LVBench

91.7%

Long-video understanding.

CWE-bench v1

68%

Security vulnerability remediation. Tied for first place.

API price (input / output)

$2 / $10

Per 1M tokens, introductory. Then $4 / $20. Cached input 95% off.

All figures are vendor-reported in Google's September 30, 2026 announcement. Benchmarks measure different tasks and are not directly comparable. Availability is a phased rollout, starting with the Fairwind Program. Read the official announcement.

Ce que change réellement la limite de sortie d'un million de jetons

Google a fait passer la limite de sortie d'Argon de 64 000 jetons à un million. L'argument est simple : avec suffisamment de marge pour générer des centaines de milliers de jetons en une seule trajectoire, le modèle peut raisonner plus profondément et résoudre des problèmes complexes en une seule passe plutôt qu'en plusieurs.

Cela est crucial pour des tâches telles qu'une refonte logicielle majeure. Un agent peut avoir besoin de lire une base de code inconnue, de tracer un bug, de modifier plusieurs fichiers, d'exécuter des tests, d'étudier les échecs et d'itérer. Lorsqu'elle est divisée en de nombreuses requêtes courtes, chaque étape ajoute une surcharge de coordination : l'état doit être conservé, les résultats intermédiaires gérés et l'action suivante décidée par votre application.

Deux mises en garde permettent de relativiser ce point. Premièrement, une limite de sortie n'est pas une fenêtre de contexte. Elle régit la quantité que le modèle peut générer, et non ce qu'il peut absorber, et l'annonce de Google ne lie pas l'une à l'autre. Deuxièmement, une génération plus importante n'est pas automatiquement synonyme de meilleure qualité. Les trajectoires longues coûtent plus cher, prennent plus de temps et laissent plus de place à une erreur initiale pour se propager.

L'objectif pratique n'est pas de maximiser le nombre de jetons. Il s'agit de déterminer la quantité de raisonnement dont une tâche donnée a réellement besoin et de mesurer si le calcul supplémentaire améliore le résultat.

Génie logiciel : au-delà du code qui semble correct

Google annonce un résultat de pointe de 77,9 % sur DeepSWE v1.1, un benchmark dédié à l'ingénierie logicielle réelle sur le long terme. Le mot clé ici est « ingénierie ». Un code plausible peut échouer aux tests, modifier silencieusement le comportement d'un système ou dégrader ses performances. Un agent efficace doit maîtriser l'ensemble du cycle : comprendre, modifier, tester, diagnostiquer et affiner.

La preuve la plus concrète de cette annonce provient de la base de code de Google elle-même. Sur libgav1, son décodeur vidéo open source, les agents Argon ont repris un portage Rust existant pour remplacer environ 32 000 lignes de code SIMD. Ils ont effectué des expériences répétées basées sur le profilage et analysé les sorties du compilateur jusqu'à ce que celui-ci soit capable de vectoriser le code Rust sécurisé de manière autonome. Google affirme que le résultat est un décodeur sécurisé en mémoire qui s'exécute 2,7 fois plus vite que le portage Rust précédent, avec une sortie vidéo identique.

Il s'agit d'une affirmation plus solide qu'un simple échantillon de code, car le résultat est mesurable : équivalence comportementale et temps d'exécution. Google cite d'autres résultats internes dans la même veine. Les agents Argon ont libéré plus de 300 Tio de mémoire dans ses centres de données, et l'entreprise migre actuellement son code C/C++ vers Rust à grande échelle, traitant jusqu'à plus de 800 000 lignes pour le noyau Fuchsia Zircon. Ces réécritures passent toujours par des audits automatisés et manuels, des tests d'émulation et une revue avant leur mise en production.

Rien de tout cela ne signifie qu'Argon rendra votre base de code 2,7 fois plus rapide. Il s'agit de résultats rapportés par Google sur ses propres systèmes. Pour votre propre évaluation, suivez les indicateurs qui comptent en déploiement : taux de réussite des tests, régressions, temps d'exécution, utilisation de la mémoire et volume de revue humaine nécessaire pour aboutir à une modification fusionnable.

Flux de travail métier et analyse multimodale

En dehors du développement, Google revendique la première place sur le Vals Index, qui pondère les activités financières, de codage, juridiques et fiscales en fonction de la part de chaque secteur dans le PIB américain. L'entreprise rapporte également des résultats de premier plan sur le Vals Finance Agent v2 (recherche financière multi-étapes) et le Harvey's Legal Agent Benchmark (recherche et rédaction juridique).

Le chiffre le plus pertinent pour la production est 51,3 % sur AutomationBench, le benchmark de Zapier pour l'exécution de bout en bout des fonctions métier essentielles, où Argon se classe premier. Des benchmarks de ce type dépassent la simple qualité d'une réponse isolée : le flux de travail atteint ses critères de complétion, ou il échoue.

Interprétez toutefois ce chiffre avec prudence. Un score de 51,3 % ne signifie pas une probabilité de 51,3 % d'automatiser votre processus. Les tâches, le système de notation, l'environnement et la définition même du succès influencent le résultat. Cela implique également que, même pour le modèle le plus performant, environ la moitié des tâches du benchmark ne sont pas terminées, ce qui souligne l'importance des contrôles autour du modèle : vérifications des permissions, journaux d'audit, sorties structurées, récupération après échec et approbation humaine pour les actions critiques.

Le travail multimodal suit la même logique. Google met en avant l'analyse de graphiques, l'extraction de détails à partir de longues vidéos et l'exploitation de séries de documents, et rapporte un résultat de pointe de 91,7 % sur LVBench pour la compréhension de vidéos longues. Mais lire un graphique, trouver un moment précis dans un enregistrement de deux heures et analyser un contrat numérisé sont des problèmes différents, et un seul benchmark ne peut les certifier tous. Testez avec vos propres données et vérifiez que le système trouve les preuves pertinentes, maintient la cohérence des sources et n'invente pas de détails inexistants.

Coût : la mesure qui compte est le coût par tâche réussie

Argon est lancé à un tarif de lancement de 2 $ par million de jetons en entrée et 10 $ par million de jetons en sortie, avec une réduction de 95 % sur le prix des jetons en entrée mis en cache. Après la période de lancement, Google annonce que les tarifs passeront à 4 $ et 20 $. Ces chiffres sont faciles à comparer avec d'autres API, mais ils ne racontent pas toute l'histoire pour un modèle conçu pour des exécutions longues.

Deux points ressortent. Les jetons en sortie coûtent cinq fois plus cher que ceux en entrée, et comme Argon est conçu pour en générer un grand nombre, la sortie représentera généralement la majeure partie de la facture. La mise en cache, quant à elle, favorise les boucles d'agents qui renvoient la même base de code ou le même ensemble de documents à chaque étape.

L'essentiel est qu'un jeton bon marché ne garantit pas un résultat économique. Un modèle plus coûteux par jeton, mais qui termine sa tâche en une seule tentative, peut surpasser un modèle moins cher nécessitant des tentatives répétées, des sorties plus longues, des appels de validation supplémentaires ou une intervention humaine. Une mesure de production plus réaliste se présente comme suit :

Coût par tâche réussie = (utilisation du modèle + tentatives + appels d'outils + validation + examen humain) ÷ tâches terminées avec succès

Le scénario illustratif ci-dessous montre à quelle vitesse les chiffres évoluent une fois que la mise en cache, les périodes tarifaires et les taux de réussite entrent en ligne de compte. La latence mérite le même traitement : une longue trajectoire de raisonnement peut être justifiée pour une migration complexe, mais inappropriée pour un point de terminaison à haut volume destiné aux utilisateurs.

What one long agent task could cost

Hypothetical task: 2M input tokens across all steps (80% served from cache) and 400K output tokens, completed successfully 60% of the time.

Line item Introductory pricing Standard pricing
Uncached input (0.4M tokens) $0.80 $1.60
Cached input (1.6M tokens) $0.16 $0.32
Output (0.4M tokens) $4.00 $8.00
Cost per attempt $4.96 $9.92
Same attempt without caching $8.00 $16.00
Cost per successful task (60% success) $8.27 $16.53

Illustrative only. Token counts and success rate are assumptions, not measured Argon results. Prices from Google's September 30, 2026 announcement; the standard-period cached rate assumes the 95% discount still applies. Excludes tool calls, validation, and human review, which add to the real cost per task.

Des performances de référence aux performances en production

Les benchmarks d'Argon sont des indicateurs utiles, mais chacun répond à une question précise. DeepSWE mesure l'ingénierie logicielle, AutomationBench l'exécution métier, et LVBench la compréhension de vidéos longues. Leurs pourcentages ne reposent pas sur une échelle commune, et aucun ne répond aux questions auxquelles une équipe de production est réellement confrontée :

  • Le modèle termine-t-il la tâche correctement, et en combien de tentatives ?
  • À quelle fréquence une intervention humaine est-elle nécessaire ?
  • Quel est le coût de chaque tâche réussie, et combien de temps prend-elle ?
  • Que se passe-t-il lorsqu'un appel d'outil échoue en cours de flux de travail ?
  • Le système peut-il détecter lorsqu'il est incertain, et pouvez-vous auditer ses actions ?

Y répondre dépend autant du système que du modèle. À mesure que les modèles prennent en charge des tâches plus longues, l'application qui les entoure doit décider quel modèle gère quelle étape, quel contexte transmettre, quels outils exposer, comment valider les sorties et où diriger le travail en cas d'échec d'une étape. C'est là toute la différence entre la capacité du modèle et la capacité du système.

From model capability to production workflow

A production AI system combines model selection with orchestration, validation, and continuous evaluation.

01

Define the task

Objective, inputs, constraints, expected output, and success criteria.

02

Route to the right model

Match each step to reasoning depth, modality, latency, cost, and availability.

03

Orchestrate and validate

Connect tools, check structured outputs, handle failures with fallbacks, and add human review where it counts.

04

Measure the result

Task success, correctness, latency, cost per successful task, and intervention rate.

↻ Feed results back into routing as models, prices, and availability change.

The model is one component. Production performance depends on the complete workflow.

En pratique, cela peut signifier confier une migration complexe ou l'analyse de plusieurs documents à un modèle axé sur le raisonnement comme Argon, tandis qu'un modèle plus rapide et moins coûteux se charge de la classification, de l'extraction ou du routage. La validation intervient entre les étapes, les sorties structurées assurent la prévisibilité des processus en aval, et des chemins de secours prennent le relais en cas de défaillance d'un modèle ou d'un fournisseur, ou si une limite de débit est atteinte.

C'est là qu'une couche d'accès unifiée aux modèles prend tout son sens. Avec une plateforme comme Eden AI, les équipes peuvent appeler des modèles de nombreux fournisseurs via une seule API, les comparer sur leurs propres charges de travail, et les remplacer ou les combiner au gré de l'évolution des capacités, des prix et de la disponibilité, sans avoir à réécrire les intégrations à chaque fois. Le déploiement progressif d'Argon en est une bonne illustration : concevez votre architecture en fonction des besoins de la tâche dès maintenant, et un nouveau modèle deviendra simplement une option supplémentaire à évaluer et vers laquelle router, plutôt qu'un projet de migration à part entière.

Disponibilité, cybersécurité et garde-fous

Le déploiement limité d'Argon est étroitement lié à ses capacités en matière de cybersécurité. Google affirme que le modèle peut détecter, valider et corriger de manière autonome des vulnérabilités critiques, et revendique une première place ex aequo avec un score de 68 % sur CWE-bench v1, qui évalue la remédiation des vulnérabilités. Grâce à son initiative Scan for Good , Wiz a utilisé Argon pour découvrir une faille critique exposant des données personnelles sensibles dans un logiciel de santé utilisé par des hôpitaux du monde entier, une faille que les précédents modèles de pointe avaient manquée, selon Google.

Ces capacités sont à double usage, et Google les traite comme telles. Les défenseurs de confiance et les équipes internes bénéficient d'Argon sans garde-fous cyber, tandis que le déploiement plus large dépend de quatre axes de travail : le refus des requêtes cyber et CBRN malveillantes dans le cadre de son Frontier Safety Framework, le renforcement contre les injections de requêtes indirectes, la surveillance du raisonnement et des actions pour détecter tout désalignement, et le verrouillage des environnements isolés (sandboxes) utilisés pour les tests à haut risque. Google participe également au processus volontaire d'accès aux modèles avant leur sortie mis en place par le gouvernement américain.

Pour les développeurs, les conclusions sont pragmatiques :

  • Le prix ne garantit pas l'accès. Les tarifs de 2 $/10 $ reflètent la stratégie économique de Google, et non une disponibilité immédiate. Le déploiement plus large débutera auprès des clients API payants et des abonnés à Google AI Ultra.
  • Vérifiez avant de construire. Vérifiez la disponibilité actuelle de l'API, les régions, les limites de débit, les interfaces prises en charge et la documentation du modèle avant de vous engager dans une architecture ou un achat.
  • La sécurité du modèle n'est pas la sécurité du système. La résistance aux injections de requêtes est utile, mais votre application doit toujours appliquer des autorisations, restreindre les outils, consigner les actions et maintenir une intervention humaine lorsque les enjeux sont importants.

Ce que Gemini 4 Argon signifie pour l'IA en production

L'importance d'Argon ne réside pas tant dans un chiffre précis que dans la direction qu'il indique. Les modèles de pointe sont conçus pour des tâches qui se déroulent en plusieurs étapes : rechercher un problème, modifier un logiciel, utiliser des outils, vérifier les résultats intermédiaires et fournir un résultat. Cela modifie ce que les équipes doivent mesurer.

Un modèle peut être impressionnant isolément tout en étant inadapté à une charge de travail. Un modèle qui s'intègre parfaitement, exécute des tâches de manière fiable et coûte un montant prévisible par succès peut valoir plus qu'un modèle avec un score théorique plus élevé. Argon rend les deux aspects visibles : des capacités déclarées solides, une tarification qui met l'accent sur la rentabilité et un déploiement progressif qui montre que la capacité et la préparation à la production ne sont pas la même chose.

La question pour les équipes IA devient plus précise. Il ne s'agit pas de savoir quel modèle est le plus performant dans l'absolu, mais quelle combinaison de capacité, de coût, de latence, de fiabilité et d'orchestration produit le meilleur résultat pour une tâche spécifique. Les équipes qui construisent en fonction de cette question, plutôt qu'en fonction d'un seul modèle, seront les mieux placées pour utiliser Argon et tout ce qui suivra.

FAQ

Gemini 4 Argon is Google's frontier AI model, announced on September 30, 2026, for complex, long-horizon work in software engineering, enterprise knowledge work such as finance and legal, multimodal analysis, and defensive cybersecurity.

Google announced introductory API pricing of $2 per million input tokens and $10 per million output tokens, with cached input tokens 95% cheaper than standard input. After the introductory period, rates rise to $4 and $20 per million input and output tokens. For production planning, cost per successful task is a more useful measure than token price alone.

No. Google raised Argon's output limit from 64,000 to one million tokens. That governs how much the model can generate in one trajectory, not how much input it can take in. The announcement does not state the context-window size.

Google reports 77.9% on DeepSWE v1.1 (long-horizon software engineering), 51.3% on Zapier's AutomationBench (end-to-end business execution), 91.7% on LVBench (long-video understanding), and 68% on CWE-bench v1 (vulnerability remediation), plus leading results on the Vals Index. All are vendor-reported and measure different capabilities, so they should not be compared as a single score.

Not yet broadly. Argon is rolling out first to trusted cyber defenders through Google DeepMind's Fairwind Program. Google plans to expand to developers, enterprises, and consumers, starting with paid API customers and Google AI Ultra subscribers. Check the official announcement and current API documentation for the latest status.

No. Benchmarks are useful signals, but production evaluation should measure task completion, correctness, latency, cost per successful task, failure recovery, and how often humans need to intervene, all on representative workloads.

Design around task requirements rather than a single model. A unified API layer such as Eden AI lets teams compare providers on their own workloads, route each step to the best-fit model, and add fallbacks, so a new model like Argon can be evaluated and adopted once it is available without rewriting integrations.

COMMENCEZ

Commencez à créer avec Eden AI

Une interface unique pour intégrer les meilleures technologies d’IA dans vos flux de travail.