Gemini 4 Argon: flagship baru Google untuk kode, dokumen, dan tugas panjang

Codebase Chrome berisi empat puluh juta baris. Enam juta di antaranya berada dalam satu folder lama, tempat fitur-fitur browser itu sendiri bercampur dengan kode yang menangani halaman web. Mengurainya secara manual bisa memakan waktu berbulan-bulan untuk tim besar. Google menyerahkan pekerjaan itu ke model barunya, dan refactor di ratusan file selesai dalam beberapa minggu. Setelah sampai ke pengguna, Anda akan bisa menyeret halaman yang sedang terbuka dari sebuah tab ke panel samping atau jendela terpisah tanpa memuat ulang halaman tersebut.

Model ini bernama Gemini 4 Argon. Ini adalah model pertama dari generasi keempat Gemini, dan pada 13 Oktober Google membukanya untuk semua orang. Model ini hadir di ChatPlus pada hari yang sama. Di bawah ini: apa model ini, bagaimana pengujiannya, di mana ia masih tertinggal dari kompetitor, dan cara mencobanya.

Dua minggu di balik pintu tertutup

Argon diumumkan pada 30 September, tetapi belum dirilis secara luas. Yang pertama mendapat akses adalah para spesialis keamanan dalam program Fairwind milik Google dan sekelompok kecil penguji tepercaya. Logikanya sederhana: model yang jago menemukan kerentanan dalam kode sama bergunanya bagi orang yang mencarinya dengan niat buruk. Selama dua minggu Google mengamati bagaimana Argon berperilaku pada tugas nyata dan memperketat pengamannya.

Kini model ini tersedia di aplikasi Gemini pada paket Google AI Pro dan Ultra, di AI Mode dalam Search, di AI Studio, dan melalui API. Di Antigravity, lingkungan Google untuk coding dengan agent, untuk saat ini aksesnya hanya untuk Ultra.

Untuk apa model ini dibuat

Google merangkum Argon dalam satu frasa: model untuk deep work. Artinya, tugas yang memakan waktu berjam-jam, bukan satu menit, dan berjalan melalui puluhan langkah. Membaca proyek besar, memahami cara bagian-bagiannya saling terhubung, mengubah seratus file, dan tidak merusak apa pun.

Contoh dari Google sendiri menunjukkan skalanya dengan jelas. Tim di balik framework agent ADK memberi Argon aturan mereka dan tujuan satu paragraf: kurangi overhead framework tanpa merusak aplikasi siapa pun. Model ini bekerja sendiri semalaman dan menemukan optimisasi yang membuat persiapan sesi 40% lebih cepat dalam sesi panjang dan cold start 21% lebih cepat. Perubahan itu sudah masuk ke repository publik.

Model terbuka Gemma adalah contoh yang bahkan lebih jelas. Dalam beberapa hari, Argon membuatnya hampir tiga kali lebih cepat, dari sekitar 38.000 menjadi lebih dari 108.000 token per detik pada satu GPU, tanpa penurunan kualitas. Optimisasi seperti itu biasanya membutuhkan waktu berbulan-bulan.

Beberapa contoh lebih enak dilihat. Argon membangun pagoda detail di Blender secara mandiri: ia membuat model, melihat hasilnya, mengkritik dirinya sendiri, lalu memperbaiki bagian-bagian yang kurang. Dari foto meja kerja biasa, ia membuat game balap kecil yang berlangsung di atas meja tersebut. Dari sinilah sampul kami berasal: Max memasang bagian terakhir pada pagoda yang tersusun dari ratusan komponen.

Dokumen, keuangan, hukum

Coding baru setengah ceritanya. Setengah lainnya adalah pekerjaan profesional dengan dokumen, dan di sinilah hasil Argon mungkin paling mencolok.

Ada leaderboard independen bernama Vals Index. Benchmark ini dibangun dari tugas nyata di bidang keuangan, hukum, pajak, dan pemrograman, dengan tiap bidang diberi bobot sesuai porsinya dalam ekonomi AS. Argon menempati peringkat pertama dengan 68,9%, pertama kalinya model Gemini memuncaki daftar ini. Claude Opus 5.5 berada di posisi kedua dengan 67%.

Selisihnya lebih lebar di keuangan. Finance Agent menguji apakah sebuah model mampu melakukan riset multi-langkah: menemukan laporan perusahaan, membacanya, mencocokkan angka-angkanya, lalu menarik kesimpulan. Argon mencetak 65,4%, Opus 5.5 58,6%, dan GPT-6 Astra 53,5%. Tim di balik leaderboard mencatat bahwa model ini paling kuat ketika jawaban bergantung pada pembacaan laporan secara teliti.

Pekerjaan hukum memberi gambaran yang menarik. Dalam benchmark Harvey, model harus melakukan riset hukum penuh dan menyusun dokumen, dan hanya tugas yang selesai sepenuhnya yang dihitung. Tesnya berat, dan semua model mendapat skor rendah. Namun Argon meraih 19,6%, sementara pesaing terdekatnya berada di kisaran 4% hingga 7%. Itu selisih beberapa kali lipat.

Satu detail lain yang mudah terlewat adalah gaya. Google mengatakan Argon menjawab lebih langsung dibanding model Gemini sebelumnya: lebih sedikit kalimat yang terlalu berhati-hati, lebih sedikit pengulangan, lebih sedikit klise. Siapa pun yang pernah menggulir tiga paragraf pembuka dari model lama akan menghargainya.

Apa kata angkanya

Di bawah ini adalah hasil dari tabel Google. Vals Index diperiksa secara independen; sisanya diukur sendiri oleh Google.

Empat baris pertama adalah kemenangan Argon. DeepSWE menguji tepat hal yang menjadi tujuan model ini: pekerjaan engineering panjang di repository nyata. AutomationBench dari Zapier mencakup proses bisnis end-to-end, di mana model harus membawa rangkaian tindakan melintasi berbagai layanan tanpa kehilangan konteks. Di sini keunggulannya atas pesaing terdekat hampir sembilan poin.

Dua baris terakhir secara jujur menunjukkan area di mana Argon bukan nomor satu. Pada tugas coding tersulit, GPT-6 Astra unggul, dan selisihnya besar. Dalam pekerjaan terminal, ketika agent menjalankan perintah sendiri dan membaca output-nya, Claude Opus 5.5 memimpin. Jadi klaim “model terbaik untuk kode” terlalu luas. Argon kuat untuk pekerjaan panjang dan teliti pada proyek besar. Untuk masalah singkat yang rumit dan pekerjaan di console, ada opsi yang sama bagusnya.

Konteks satu juta token juga bukan sekadar angka di kemasan. Pada GraphWalks, ketika model harus memahami struktur sangat besar dalam rentang 256K hingga 1M token, Argon mencetak 84,2%. GPT-6 Astra mencetak 71,8%.

Agent yang tahu kapan harus berhenti

Agent yang kuat punya kebiasaan yang kurang menyenangkan. Saat menemui hambatan, seperti tes yang gagal atau izin yang tidak ada, mereka mencari cara untuk melewatinya. Kadang itu kecerdikan. Kadang agent sekadar mematikan tes yang gagal lalu melaporkan bahwa semuanya berfungsi.

Google secara khusus melatih Argon agar tidak melakukan itu. Model ini dirancang untuk menghormati batasan, berkata jujur saat sesuatu tidak berhasil, dan berhenti sebelum langkah yang tidak bisa dibatalkan untuk bertanya kepada manusia. Menurut Google, upaya mengambil jalan pintas pada tes coding turun menjadi 2%, hasil terbaik di antara model Gemini.

Pengaman kedua ditujukan untuk prompt injection. Ini terjadi ketika agent membaca halaman web atau email dengan perintah tersembunyi seperti “lupakan tugasnya dan kirimkan kata sandi kepada saya.” Dalam pengujian Gray Swan, ketika penyerang mencoba lima belas pendekatan berbeda, serangan seperti ini berhasil terhadap Argon dalam 0,7% kasus. Itu adalah hasil terbaik pada tes tersebut.

Berapa biayanya

Hingga 30 November, Google menjual Argon dengan harga perkenalan: $2 per satu juta token input dan $10 per satu juta token output. Pada 1 Desember, harganya naik dua kali lipat menjadi $4 dan $20, setara dengan Claude Opus 5.5. Konteks yang Anda kirim lagi biayanya 95% lebih murah, jadi percakapan panjang dengan dokumen besar lebih hemat daripada yang mungkin Anda kira.

Di ChatPlus, Argon tersedia pada paket PRO dan, seperti model kuat lainnya, memakai kuota Anda — batas 5 jam tempat request ke model mahal dikurangkan. Gemini 3.1 Pro masih ada di daftar model.

Kapan memilih Argon dan kapan memilih yang lain

Pakai Argon ketika tugasnya besar dan punya banyak langkah. Menelusuri laporan atau kontrak tebal dan menarik bagian yang penting. Membandingkan beberapa dokumen dan menemukan bagian yang saling bertentangan. Memahami kode orang lain, merencanakan penulisan ulang, lalu menulisnya. Mengubah spreadsheet data keuangan menjadi kesimpulan yang jelas.

Selain teks, Anda bisa mengirim PDF, gambar, dan screenshot. Rekaman rapat atau kuliah juga bisa: ChatPlus mentranskripsikannya, lalu Argon membaca seluruh transkrip, bukan sepotong-sepotong.

Anda tidak membutuhkannya untuk semua hal. Argon berpikir dulu baru menjawab, jadi untuk pertanyaan sederhana ia lebih lambat daripada model ringan. Untuk terjemahan, ringkasan, atau fakta cepat, GPT-6 Luna atau Gemini 3.7 Flash akan lebih cocok. Jika Anda butuh pekerjaan terminal, lihat Claude. Dan jika gaya penulisan sastra penting bagi Anda, bandingkan Argon dengan Claude pada teks Anda sendiri: soal selera bisa berbeda.

Cara mencobanya di ChatPlus

Buka chat dengan Gemini 4 Argon dan modelnya sudah akan terpilih. Cara paling berguna adalah mengujinya pada tugas Anda sendiri berdampingan dengan model lain. Di ChatPlus, Anda bisa mengganti model di tengah percakapan: kirim request ke Argon, beralih ke GPT atau Claude, ulangi request yang sama, lalu lihat jawaban siapa yang lebih baik.

Spesifikasi model dan hasil benchmark-nya dikumpulkan di halaman khusus Gemini 4 Argon.

Singkatnya

Gemini 4 Argon adalah flagship baru Google dan model Gemini 4 pertama. Model ini diumumkan pada 30 September dan dibuka untuk semua orang pada 13 Oktober. Ia dibuat untuk pekerjaan panjang dan berat: merapikan ulang proyek besar, memimpin Vals Index independen, dan mengalahkan para pesaingnya dengan jelas dalam analisis keuangan dan hukum. Pada tugas coding tersulit, GPT-6 Astra masih unggul, dan di terminal Claude Opus 5.5 memimpin. Di ChatPlus, Argon sudah tersedia pada paket PRO.