A Google 2026. szeptember 30-án bemutatta a Gemini 4 Argont, amelynek legfontosabb újítása az egymillió tokenes kimeneti kontextusablak, miközben a modell egyelőre csak korlátozott, meghívásos előzetesben és kiválasztott API-partnereknél érhető el. Ez nem általános rajt, hanem fokozatos bevezetés: a Google a hosszú kutatási, mérnöki és ügynöki feladatokra szánt modell képességeit először szűk körben teszteli.

Gemini 4 Argon: mi történt?

A Google saját megfogalmazása szerint a Gemini 4 Argon a vállalat eddigi legerősebb és leginkább képességorientált modellje. A bemutatás a kutatási és mérnöki munkát, valamint a több lépésből álló ügynöki folyamatokat állítja középpontba, nem pedig az alacsony késleltetésű, tömegpiaci chatbot-használatot. A modellről szóló hivatalos bejelentés szerint az ilyen szintű képességek biztonságos kiadása fokozatos megközelítést igényel, ezért az indulás eleve korlátozott. A Google hivatalos közleménye ezt a bevezetési logikát a biztonságos teszteléssel indokolja.

A gyakorlatban ez azt jelenti, hogy az amerikai felhasználók meghívásos Fairwind-előzetesen próbálhatják ki a rendszert, az API-hozzáférés pedig kezdetben csak kiválasztott kutatók és partnerek számára nyílik meg. Az Ars Technica értelmezése szerint a bejelentés ezért fejlesztői szempontból inkább irányjelző, mint azonnal használható termékrajtot jelent. A modell képességeiről már vannak gyártói és sajtóban közölt adatok, de a legtöbb fejlesztő saját repón, saját adaton és valós hibajegyen még nem tudja ellenőrizni ezeket.

Az egymillió tokenes kimenet a legfontosabb újítás

A Gemini 4 Argon kimeneti kontextusablaka egymillió token, miközben a Google összevetése szerint a Gemini 3.1 Pro kimeneti limitje 64 ezer token volt. A kontextusablak azt jelzi, hogy a modell mekkora mennyiségű szöveget, kódot vagy strukturált eredményt képes egy feladat során kezelni és előállítani. A különbség nem pusztán marketingadat: egy hosszú futású fejlesztői vagy kutatási folyamatban csökkentheti a részfeladatokra bontás szükségességét. A Google közlése az egymillió tokenes kimenetet a modell egyik központi megkülönböztető képességeként mutatja be.

Ez a kapacitás különösen akkor lehet hasznos, ha a feladat nem egy rövid válasz előállítása, hanem egy teljes munkafolyamat végigvitele. Ilyen lehet egy nagy kódbázis több pontot érintő módosítása, egy hosszú kutatási jelentés létrehozása, összetett dokumentáció felépítése vagy egy többfázisú agent-futás, amelyben a modell köztes terveket, ellenőrzéseket és végső kimenetet is készít. A nagy kimeneti keret önmagában nem garantál jobb minőséget, de több teret ad a tartós, összetett feladatoknak.

A Google által bemutatott mérnöki példa jól érzékelteti a célterületet. A modell az ARM libgav1 AV1-dekóder projektjéhez a közlés szerint több mint 800 ezer sornyi kódot generált, amelyből a végső változat 32 ezer sor SIMD-kód lett, és a Google állítása szerint 2,7-szeres gyorsulást hozott. Ezek gyártói adatok, ezért demonstrációként érdemes kezelni őket, nem általános garanciaként. A TechCrunch összefoglalója szerint a példa azt mutatja, hogy a Google az Argont nagy értékű mérnöki munkára pozicionálja.

Benchmarkok: erős rajt, de nem univerzális győzelem

A Google által közzétett eredmények alapján a Gemini 4 Argon több, összetett feladatokra épülő benchmarkon erős teljesítményt mutat. A DeepSWE eredménye 77,9 százalék, az AutomationBench eredménye 51,3 százalék, a LVBench pontszáma 91,7 százalék, a CWE-benchmarkon pedig 68 pont szerepel. Mivel ezek a számok a modell bemutatásának részeként, gyártói mérési keretben jelentek meg, az összehasonlítást azonos tesztbeállításokkal és független reprodukcióval kellene megerősíteni. A benchmarkok forrása a Google bejelentése.

A VentureBeat által összesített táblázat szerint az Argon 18 vizsgált benchmarkból 12-ben vezetett, és egy további mérésben holtversenyt ért el. Ez fontos jelzés a modellversenyben, de nem azt jelenti, hogy minden feladatban jobb lenne az OpenAI vagy az Anthropic rendszereinél. A közölt eredmények között vannak olyan mérések is, ahol más modell került az élre.

A részletesebb összevetés ezt a korlátot világosan megmutatja. A LegalBench eredménye 19,6 százalék, a Finance Experté 65,4 százalék, míg a Humanity’s Last Exam eredménye 49,8 százalék. A Terminal-Bench 2.0 értéke 60,4 százalék, az RCE-Evalé pedig 62,8 százalék. A VentureBeat által jelzett összehasonlításban a Humanity’s Last Exam és a Terminal-Bench 2.0 esetében, valamint az RCE-Evalnál nem az Argon volt az első. A számok értelmezésekor ezért nem egyetlen összesített győztest, hanem feladattípusonként eltérő erősségeket kell keresni.

„Az ilyen szintű képességek biztonságos kiadása fokozatos megközelítést igényel” – írta a Google a Gemini 4 Argon bemutatásakor. Forrás: Google

Árazás és hozzáférés: prémium modell, szűk kapuval

A korlátozott előzetes idején tervezett API-ár 2 dollár egymillió bemeneti tokenenként és 10 dollár egymillió kimeneti tokenenként, a gyorsítótárban tárolt tokenekre pedig 95 százalékos kedvezmény vonatkozik. A Google a későbbi listaárat 4 dollár bemeneti és 20 dollár kimeneti tokenenként tervezi egymillió tokenre vetítve. A hivatalos árközlés alapján az Argon nem az olcsó, nagy volumenű általános szöveggenerálásra készül.

A 95 százalékos cache-kedvezmény akkor lehet üzletileg jelentős, ha egy alkalmazás ismétlődő, stabil kontextust használ: például állandó szabálykészletet, kódstruktúrát vagy dokumentumtárat ad át újra és újra. A hosszú kimenet ugyanakkor önmagában gyorsan növelheti a költséget, különösen akkor, ha a rendszer feleslegesen részletes válaszokat készít. A költségszámításnál ezért nem elég a tokenárat nézni; a teljes futási időt, az újrapróbálkozásokat, az emberi ellenőrzést és a hibás kimenetek árát is mérni kell.

Erősségek és gyengeségek

Erősség a nagy kimeneti kapacitás és a hosszú, összetett munkafolyamatokra szabott pozicionálás. A kutatási és mérnöki csapatok számára ez csökkentheti a kontextusdarabolásból adódó veszteséget, és lehetővé teheti, hogy egy agent több köztes lépést egyetlen futásban kezeljen. A benchmarkok több kategóriában erős eredményeket mutatnak, a kódoptimalizálási példa pedig arra utal, hogy a Google nem pusztán chatbotként, hanem mérnöki munkatársként akarja értékesíteni a modellt.

Gyengeség a korlátozott hozzáférésből eredő bizonytalanság. A fejlesztők többsége egyelőre nem tudja saját környezetében ellenőrizni a késleltetést, a hibaarányt, a stabilitást, a hosszú futások megszakíthatóságát vagy a kimenetek reprodukálhatóságát. A benchmarkok között is vannak olyanok, ahol nem az Argon vezet, ezért a modell nem kezelhető univerzális győztesként. További kockázat a tervezett listaár, amely a nagy kimeneti volumen mellett jelentős költségterhet okozhat.

5 döntéshozói következtetés

1. Ne benchmark alapján válassz modellt. A gyártói és sajtóban közölt eredmények fontos irányt mutatnak, de a saját feladatsor, a hibaköltség és az emberi utómunka dönti el, hogy az Argon valóban jobb üzleti választás-e.
2. Az Argon nagy értékű feladatokra lehet indokolható. Akkor érdemes számolni vele, ha egy drága szakértői vagy mérnöki folyamatot rövidít le, nem pedig egyszerű, olcsón kiszervezhető szöveggenerálást végez.
3. A fallback modell kötelező. A korlátozott hozzáférés, a változó limitek és a még hiányzó független tesztek miatt éles rendszerben szükség van tartalék modellre, költséglimitre és megszakítható futásra.
4. Az adatkezelést és az SLA-t a képességekkel együtt vizsgáld. A hosszú kontextus és a magas benchmarkpontszám nem helyettesíti a dokumentált rendelkezésre állást, az adatkezelési feltételeket, a naplózást és a vállalati megfelelést.
5. A hozzáférés önálló döntési tényező. Egy kiemelkedő modell kevés üzleti értéket ad, ha a csapat nem fér hozzá stabilan, vagy a használatot csak meghívásos előzetes és partneri API teszi lehetővé.

Kinek érdemes figyelnie a Gemini 4 Argont?

A modellt elsősorban azoknak a fejlesztői és kutatási csapatoknak érdemes követniük, amelyek hosszú kódmódosításokat, összetett elemzéseket vagy több lépésből álló ügynöki folyamatokat futtatnak. Az általános chatbot-használatban a nagy kimeneti ablak önmagában nem feltétlenül indokolja a prémium költséget. A korlátozott előzetes időszakban a legjobb stratégia a kontrollált pilot: egyértelmű sikerfeltételek, saját tesztkészlet, token- és futáslimit, valamint emberi jóváhagyás minden kritikus kimenet előtt.

Az Argon megjelenése közben a modellválasztásról szóló verseny is változik. Már nem csak az számít, hogy egy rendszer mennyire jól válaszol rövid kérdésekre, hanem az is, hogy mennyi ideig tud következetesen dolgozni, mennyire jól kezeli a nagy kontextust, és képes-e értelmes mérnöki eredményt előállítani. A korlátozott hozzáférés miatt azonban a mostani kép még előzetes: a széles körű használat és a független tesztek fogják megmutatni, hogy a bemutatott előnyök mennyire állják meg a helyüket a mindennapi munkában.

Kapcsolódó modellhírek és összehasonlítások: Gemini 3.7 Flash, Claude Sonnet 5.5, valamint az AI-modell-árak teljes összehasonlítása.

Ha szeretnéd követni az új AI-modellek megjelenését, benchmarkjait és üzleti hatását, iratkozz fel az AI Hírek hírlevelére: a legfontosabb fejleményeket tömören, érthetően és döntési szempontokkal együtt küldjük el.