Gemini 4 Argon annoncé : 1 million de tokens en sortie et un accès progressif

Google a annoncé son nouveau modèle d’IA phare, Gemini 4 Argon, le 30 septembre 2026. Axé sur le raisonnement pour les tâches longues et comportant plusieurs étapes, le modèle est d’abord mis à la disposition de certains experts en cybersécurité participant au programme Fairwind et des équipes internes de Google. La date d’un accès plus large pour les développeurs, les entreprises et les particuliers n’a pas été annoncée.

Une nouvelle limite pour des réponses plus longues

Selon Google, Argon peut générer jusqu’à 1 million de tokens en une seule réponse. La limite maximale précédente était de 64 000 tokens. La fenêtre de contexte en entrée est également annoncée à 1 million de tokens. Le modèle peut traiter des entrées textuelles, visuelles, vidéo et audio, mais ne génère que du texte.

La nouvelle fonctionnalité « Long Decode Continuation », conçue pour éviter l’interruption des réponses longues, est ajoutée à l’API Gemini. Elle permet de poursuivre les longues générations au moyen de requêtes successives, afin de réduire le risque d’expiration du délai de réponse. L’approche de Google vise à permettre aux tâches complexes de se poursuivre plus longtemps dans un même flux de travail.

Accès et tarifs de l’API

Google prévoit un déploiement progressif du modèle. Le premier groupe est constitué d’experts en cyberdéfense sélectionnés dans le cadre de Fairwind ; les retours de ces premiers utilisateurs serviront à améliorer les mesures de sécurité du modèle. Dans un deuxième temps, l’accès devrait être proposé d’abord aux clients payants de l’API et aux abonnés Google AI Ultra, avant d’être élargi. Google n’a communiqué aucune date précise pour la disponibilité générale.

Le tarif de lancement annoncé pour l’API est de 2 dollars par million de tokens en entrée et de 10 dollars par million en sortie. À la fin de la période promotionnelle, les tarifs devraient passer respectivement à 4 et 20 dollars. Google indique une remise de 95 % sur les entrées mises en cache. Pour les développeurs, il est donc important de suivre non seulement le tarif affiché du modèle, mais aussi le volume de tokens générés au cours des tâches longues.

Que révèlent les benchmarks ?

Dans l’évaluation d’Artificial Analysis relayée par The Decoder, Argon a obtenu 53 points à l’Intelligence Index, avec le niveau de raisonnement « High » le plus élevé. Ce résultat le place au même niveau que GPT-6 Astra et Claude Fable 5.1, et un point au-dessus de GPT-6.1 Sol. Il s’agit de résultats issus d’évaluations indépendantes ; les performances en situation réelle peuvent varier selon la tâche et les logiciels utilisés.

Dans la même évaluation, le modèle a obtenu 77,5 % au test AutomationBench-AA. Son résultat au Terminal Bench 4 est annoncé à 57 %. Selon le calcul du coût par tâche d’Artificial Analysis, un test coûte 1,99 dollar aux tarifs promotionnels et 3,98 dollars aux tarifs normaux. Il est également indiqué qu’Argon utilise en moyenne 62 000 tokens en sortie par tâche, contre 27 000 pour GPT-6 Astra. Ainsi, un faible coût unitaire par token ne se traduit pas nécessairement par un coût total inférieur pour chaque tâche.

Flux de travail en architecture et visualisation

Pour les agences d’architecture, les architectes d’intérieur et les équipes de visualisation, le contexte long et la prise en charge de plusieurs types d’entrées pourraient permettre d’analyser, dans un même travail, des contenus comprenant de nombreux textes, images ou vidéos. Par exemple, demander une analyse de documents de projet ou de références visuelles fait partie des usages textuels envisageables pour ce type de modèle ; toutefois, les sources ne font état d’aucun test spécifique dans des flux de travail architecturaux.

La principale limite est la suivante : Argon ne génère ni images ni contenus 3D, mais uniquement du texte. Il ne faut donc pas s’attendre à ce qu’il remplace directement un outil de rendu ou de modélisation. La consommation de tokens peut influer sur le coût des tâches longues ; par ailleurs, l’accès étant encore limité, les équipes ne pourront pas intégrer immédiatement le modèle à leurs processus de production existants. Aucune information sur les exigences matérielles n’a non plus été communiquée.