Gemini 4 Argon: co to jest, cena i kiedy będzie dostępny

Gemini 4 Argon to nowy flagowy model Google DeepMind, ogłoszony wieczorem 30 września 2026. To pierwszy duży model Google od Gemini 3.1 Pro z lutego. Po drodze wychodziły tylko kolejne wersje Flash, a Gemini 3.5 Pro, obiecany na czerwiec, nie wyszedł w ogóle.

Na papierze to mocne wejście. Argon prowadzi w 13 z 19 testów w tabeli Google i jest pierwszy w rankingu tekstowym LMArena. Ma limit 1M tokenów wyjścia i kosztuje na start $2 / $10 za milion tokenów. Tylko że dziś nie włączysz go nigdzie: ani w API, ani w aplikacji Gemini, ani w Copilocie. Google daje go najpierw zweryfikowanym zespołom od cyberbezpieczeństwa.

Ten tekst odpowiada na trzy pytania. Co Argon umie według liczb, także niezależnych? Ile będzie kosztował po promocji? I co zrobić już teraz, żeby w dniu udostępnienia nie testować go na ślepo?

W skrócie:

Nie ma model ID. Argona nie ma w dokumentacji Gemini API, w cenniku, w Vertex AI ani w GitHub Copilot (stan na rano 1 października).
Kolejność dostępu: najpierw program Fairwind (zespoły cyberbezpieczeństwa) i zespoły Google, potem płacący klienci API i abonenci Google AI Ultra, na końcu reszta. Żaden etap nie ma daty.
1M to limit wyjścia, nie okno kontekstu. Wcześniej było 64K. Okna wejściowego Google w ogłoszeniu nie podaje.
Cena promocyjna ma termin ważności, którego nie znasz. Po promocji $4 / $20, czyli tyle, co Claude Opus 5.5.
W kodowaniu w terminalu Argon nie prowadzi. Na Terminal-Bench 4.0 przegrywa z Opusem 5.5 zarówno w tabeli Google, jak i w niezależnym pomiarze Artificial Analysis.

Co to jest Gemini 4 Argon: podstawowe fakty

Parametr	Gemini 4 Argon
Producent	Google DeepMind
Ogłoszenie	30 września 2026, wieczorem czasu polskiego
Warianty	jeden model, bez podziału na Pro i Flash
Status	ograniczony dostęp: program Fairwind i zespoły Google
Model ID w API	brak (stan na 1 października)
Maks. output	1M tokenów (wcześniej 64K)
Kontekst wejściowy	Google nie podaje (Artificial Analysis i Vals podają 1M)
Wejście	tekst, obraz, wideo, audio (według Artificial Analysis)
Cena na start (1M)	$2 input, $10 output, cache 95% taniej od inputu (ok. $0.10)
Cena docelowa (1M)	$4 input, $20 output
Koniec ceny promocyjnej	nie podano
Karta modelu	brak w dniu premiery
GitHub Copilot	brak

Google nie tłumaczy nazwy. W sieci krążą teorie o serii nazwanej od gazów szlachetnych, ale to spekulacja. Wiadomo tyle, że Argon to jeden model, bez znanego z Gemini 3 podziału na Pro i Flash.

Google pozycjonuje go jako model do złożonych, długich przepływów pracy w trzech obszarach: inżynieria oprogramowania, praca z wiedzą (prawo, finanse) i obrona przed atakami. Koray Kavukcuoglu z Google DeepMind pisze w ogłoszeniu, że Argon “fundamentalnie zmienia sposób, w jaki pracujemy i budujemy w Google”.

Do czego Google używa Argona wewnętrznie

Model krąży w Google od kilku tygodni i ogłoszenie podaje konkretne przykłady:

Pamięć w centrach danych. Zespół agentów opartych na Argonie znalazł optymalizacje, które po wdrożeniu mają zwolnić ponad 300 TiB pamięci, a łącznie szacunkowo od 500 TiB do 1 PiB.
Migracje z C/C++ do Rusta. Od bibliotek re2 i libgav1 po ponad 800 tys. linii jądra Zircon w systemie Fuchsia. W libgav1 Argon zastąpił 32 tys. linii kodu SIMD bezpiecznym Rustem z automatyczną wektoryzacją. Nowy dekoder jest 2.7x szybszy od istniejącego portu do Rusta i daje identyczny obraz.
Obliczenia kwantowe. W jednym z przykładów optymalizacja zasobów (kubity razy bramki) wypadła o 40% lepiej od opublikowanego punktu odniesienia, i to “w kilka minut”.

Jedno zdanie z tej części łatwo przeoczyć: migracje do Rusta wciąż przechodzą audyt i review, zanim trafią na produkcję. Przy 800 tys. migrowanych linii wąskim gardłem nie jest model, tylko przepustowość review. Nawet jeśli agent przepisze jądro szybko, ludzie będą je czytać miesiącami. Jeśli planujesz podobną migrację u siebie, licz jej koszt od tej strony.

Gemini 4 Argon i 1M tokenów: wyjście, nie kontekst

W relacjach z premiery, także polskich, najczęściej powtarza się jeden błąd: “milion tokenów” czytany jako okno kontekstu, w którym zmieścisz całe repozytorium. Google pisze co innego. Argon ma limit tokenów wyjściowych 1M, wobec 64K w poprzednich modelach. Okna wejściowego w ogłoszeniu nie ma.

Uzasadnienie Google: model, który ma miejsce, żeby długo myśleć i wygenerować setki tysięcy tokenów w jednej trajektorii, rozwiązuje trudne problemy za jednym podejściem.

Zanim zaczniesz to planować, zwróć uwagę na dwie rzeczy.

1M raczej nie przychodzi w jednym wywołaniu. Vals podaje maksymalny output 262K. Latent Space pisze, że Artificial Analysis uzyskało pełny milion dzięki nowej funkcji Gemini API o nazwie “Long Decode Continuation”, która wstrzymuje długą odpowiedź i wznawia ją w kolejnych wywołaniach. W ogłoszeniu Google tej funkcji nie opisuje, więc szczegóły poznamy dopiero z dokumentacji API.

Limit 64K działał jak przypadkowy hamulec. Agent, który wpadł w pętlę albo rozpisywał rozumowanie bez końca, dotąd uderzał w sufit i żądanie się kończyło. Przy 1M jedna trajektoria może wygenerować tokeny za $10 po cenie promocyjnej albo $20 po regularnej (38,45 zł i 76,90 zł). To koszt samego wyjścia. Jeśli Twój harness nie ma własnego limitu tokenów albo kosztu na zadanie, przy Argonie musi go mieć. Ustaw go, zanim model wejdzie, a nie po pierwszej fakturze.

Benchmarki Gemini 4 Argon: gdzie wygrywa, a gdzie nie

Google porównuje Argona z GPT-6 Astra, Claude Fable 5.1 i Claude Opus 5.5 w 19 testach. Argon prowadzi w 13, remisuje w 1, przegrywa w 5. Wyniki Argona to pass@1 przy najwyższych ustawieniach myślenia, z wyjątkami (OSWorld-2.0 to najlepszy z trzech przebiegów). Konkurenci mają wyniki przy najwyższych dostępnych ustawieniach.

Zacznę od części, która programistów interesuje najbardziej.

Kodowanie i terminal

Benchmark	Gemini 4 Argon	GPT-6 Astra	Fable 5.1	Opus 5.5
DeepSWE v1.1	77.9%	74.1%	67.4%	74.2%
FrontierSWE v2	55.0%	65.5%	56.3%	62.3%
Vibe Code Bench	91.9%	89.6%	90.3%	90.3%
Terminal-Bench 4.0	57.4%	58.2%	57.9%	66.4%
PostTrainBench	45.3%	44.3%	40.2%	49.3%
CWE-bench v1 (podatności)	68.0%	68.0%	58.0%	67.0%

Najlepiej wygląda DeepSWE i to on trafił do nagłówków. Z dokumentu o metodologii wynika jednak, że Google policzyło Argona na DeepSWE samo, w harnessie mini-swe-agent. Terminal-Bench 4.0 też liczyło samo. Wyniki konkurentów to w większości liczby od ich producentów albo z publicznych rankingów. Każda firma uruchamia testy we własnym środowisku, więc różnica rzędu 3-4 punktów to kierunek, nie wyrok.

Terminal-Bench 4.0 to inna sprawa. Tu Opus 5.5 ma 9 punktów przewagi w tabeli samego Google. Niezależny pomiar Artificial Analysis daje inne liczby, ale Argon znowu jest ostatni: Argon 57%, Astra 59%, Opus 5.5 60%, Sonnet 5.5 64%. Jeśli z agentem pracujesz głównie w terminalu (Copilot CLI, Claude Code, agent, który uruchamia testy i buildy), tabela nie daje powodu do przesiadki.

Reszta tabeli Google

Obszar	Benchmark	Gemini 4 Argon	Najlepszy konkurent
Praca z wiedzą	Vals Index	68.9%	Opus 5.5: 67.0%
Praca z wiedzą	AutomationBench	51.3%	Opus 5.5: 42.5%
Praca z wiedzą	Vals Finance Agent v2	65.4%	Fable 5.1: 58.9%
Praca z wiedzą	Harvey Legal Agent Benchmark	19.6%	Fable 5.1: 6.7%
Długi kontekst	GraphWalks do 128K	99.7%	Astra: 98.7%
Długi kontekst	GraphWalks 256K-1M	84.2%	Astra: 71.8%
Multimodalność	LVBench (długie wideo)	91.7%	Astra: 87.5%
Multimodalność	Chartography (wykresy)	71.6%	Astra: 71.0%
Computer use	Agent’s Last Exam	39.5%	Opus 5.5: 38.2%
Computer use	OSWorld-2.0	69.2%	Astra: 72.6%
Nauka	Terminal-Bench Science 0.1	57.6%	Astra: 68.1%
Nauka	LABBench 2	88.8%	Astra: 85.4%
Nauka	RiemannBench	76.0%	Astra: 72.0%

Najwyraźniejszą przewagę Argon ma w długim kontekście i w pracy z dokumentami: prawo, finanse, automatyzacja procesów. Na GraphWalks 256K-1M wyprzedza Astrę o 12 punktów, w zadaniach prawniczych ma prawie trzy razy wyższy wynik od drugiego modelu. Na wykresach (Chartography) prowadzi o 0.6 punktu, czyli praktycznie remisuje. Te 19.6% to jednak nadal mało w liczbach bezwzględnych.

Na długim wideo porównanie nie jest równe. Google samo przyznaje, że modele dostały różną liczbę klatek “z powodu ograniczeń API”: Gemini 1 klatkę na sekundę, Astra 800 klatek, Opus 600, Fable 300.

Niezależne pomiary: Artificial Analysis, Vals, LMArena

Argona nie da się jeszcze kupić, ale trzy niezależne rankingi miały do niego dostęp:

Artificial Analysis Intelligence Index: 53. Tyle samo co GPT-6 Astra i Fable 5.1, punkt więcej niż GPT-6.1 Sol (52), mniej niż Sonnet 5.5 (56) i Opus 5.5 (58). Gemini 3.1 Pro Preview miał 30. Skok jest ogromny, ale nie na pierwsze miejsce.
Vals Index: 68.9%, pierwsze miejsce na 41 modeli, przed Sonnetem 5.5 i Opusem 5.5 (po 67.0%). Słabo wypada w podtestach Vals computer use: 4.83% w CUA-bench, siódme miejsce na osiem.
LMArena (dziś arena.ai), ranking tekstowy: pierwsze miejsce, 1525 ±9 przy ok. 4900 głosach, przed Opusem 5.5 (1504 ±10).

Jeden wynik z Artificial Analysis szczególnie przydaje się przy agentach. W teście AA-Omniscience Argon ma najniższy odsetek halucynacji (15%) wśród modeli z wynikiem powyżej 45 punktów. Astra ma 51%. Za to poprawnych odpowiedzi Argon daje 50%, a Astra 63%. Argon częściej mówi “nie wiem”, ale też mniej wie. Dla agenta z dostępem do dokumentacji i narzędzi to dobra zamiana: lepiej, żeby sprawdził, niż zmyślił nazwę funkcji.

Co mówią sami pracownicy Google

Bloomberg podał, powołując się na osoby z dostępem do projektu, że część pracowników Google ocenia Argona w realnej pracy gorzej, niż sugerują benchmarki, i że model ma kłopot z częścią zadań programistycznych. Google odpowiada, że to nieprawda. Tulsee Doshi, szefowa produktów Gemini, mówiła Axiosowi o mocnych wynikach z ostatnich tygodni, kiedy pracownicy Google używali modelu do najtrudniejszych problemów z kodem i badań.

Anonimowe źródła to nie dowód. Najmocniejszy wynik Argona w kodowaniu, DeepSWE, Google policzyło jednak samo. Tam, gdzie mamy niezależny pomiar w terminalu, Argon jest za Claude’ami i Astrą. Dopóki nie sprawdzisz go na własnych zadaniach, traktuj 77.9% na DeepSWE jako hipotezę.

Cena Gemini 4 Argon w praktyce

Model	Input (1M)	Odczyt z cache (1M)	Output (1M)
Gemini 4 Argon, cena promocyjna	$2.00	ok. $0.10	$10.00
Gemini 4 Argon, cena regularna	$4.00	nie podano	$20.00
Claude Opus 5.5	$4.00	$0.20	$20.00
Claude Sonnet 5.5	$2.00	$0.20	$10.00
GPT-6.1 Sol	$2.00	$0.10	$10.00
GPT-6 Astra	$10.00	$1.00	$50.00

W złotych, po kursie NBP z 30.09.2026 (3,8449 zł): na start ok. 7,69 zł za milion tokenów wejścia i 38,45 zł za milion wyjścia, po promocji 15,38 zł i 76,90 zł. Google rozlicza API w dolarach, więc faktyczny koszt zależy od kursu Twojego banku w dniu obciążenia.

Kilku rzeczy z cennika nie znamy. Google pisze, że cache kosztuje 95% mniej od zwykłego inputu, ale nie mówi, czy ten rabat zostaje po promocji. Jeśli zostaje, cache będzie kosztował $0.20. Nie wiemy też nic o cenach batch, dopłatach za długi kontekst ani o darmowym progu.

Nie wiadomo również, kiedy kończy się promocja. Jest za to precedens: Gemini 3.8 Flash ma cenę promocyjną $0.75 / $3.75 do 31 grudnia 2026, a potem $1.50 / $7.50. Ten sam mnożnik 2x podpowiada schemat, ale nie datę.

Koszt zadania, nie tokena

Policzmy to samo zadanie agenta co w tekście o Kimi K3: 1.8M tokenów odczytanych z cache, 200K świeżego wejścia i 50K wyjścia. Dla uproszczenia pomijam dopłaty za zapis do cache.

Argon, cena promocyjna: $0.18 + $0.40 + $0.50 = $1.08 (ok. 4,15 zł)
Argon, cena regularna (zakładam cache $0.20): $0.36 + $0.80 + $1.00 = $2.16 (ok. 8,31 zł)
GPT-6.1 Sol: $1.08
Sonnet 5.5: $1.26
Opus 5.5: $2.16

Na start Argon kosztuje tyle, co GPT-6.1 Sol, a po promocji dokładnie tyle, co Opus 5.5. Google stawia go w jednym szeregu z Opusem 5.5 i Astrą, więc cena promocyjna wygląda na bardzo tanie wejście. W indeksie Artificial Analysis Argon ma jednak 53 punkty, a GPT-6.1 Sol 52. Na start płacisz za Argona tyle co za Sola i dostajesz jeden punkt więcej w indeksie. Po promocji za ten punkt zapłacisz dwa razy więcej. Jak Sol wypada na tle Sonneta w tej samej cenie: GPT-6.1 Sol vs Claude Sonnet 5.5.

Tyle że założenie o tym samym zużyciu tokenów jest korzystne dla Argona. W pomiarze Artificial Analysis Argon generował ok. 62K tokenów wyjściowych na zadanie, a Astra 27K. Koszt jednego zadania z indeksu AA wyglądał tak:

Model	Koszt zadania (indeks AA)
Gemini 4 Argon, cena promocyjna	$1.99
Gemini 4 Argon, cena regularna	$3.98
GPT-6 Astra	$3.26
Claude Opus 5.5	$5.98
GPT-6.1 Sol	$0.72

Po regularnej cenie Argon wychodzi ok. 1.2x drożej od Astry i ok. 5.5x drożej od GPT-6.1 Sol, ale o jedną trzecią taniej od Opusa 5.5. Tani jest więc token Argona, nie jego zadanie. Budżet licz od ceny regularnej. Promocja się skończy, a raz przepisanej integracji nikt nie będzie cofał.

Szerzej o tym, dlaczego w pracy agentowej liczy się cache i koszt zadania, pisałem przy Opusie 5.5 i GPT-6 Sol.

Kiedy Gemini 4 Argon będzie dostępny

Z ogłoszenia wynika taka kolejność:

Teraz: program Fairwind i wewnętrzne zespoły Google.
Następnie: płacący klienci Gemini API i abonenci Google AI Ultra.
Potem: deweloperzy, firmy i konsumenci, “tak szybko, jak to możliwe”.

Żaden etap nie ma daty. Według Google bezpieczne udostępnienie takich możliwości “wymaga podejścia etapowego”. Przed szerokim wydaniem firma chce domknąć zabezpieczenia w czterech obszarach: nadużycia (ataki komputerowe oraz broń chemiczna, biologiczna, radiologiczna i jądrowa), prompt injection, niezgodne z intencją działanie modelu i izolacja środowisk testowych. Równolegle Google bierze udział w dobrowolnym programie rządu USA, który daje dostęp do modeli przed premierą.

Fairwind wystartował 2 września i ma ponad 650 partnerów na świecie. Pierwszeństwo mają rządy i krajowe agencje cyberbezpieczeństwa, operatorzy infrastruktury krytycznej (zdrowie, telekomunikacja, energetyka, finanse) i duże platformy technologiczne. Uczestnicy przechodzą weryfikację i muszą mieć MFA odporne na phishing. Nie mogą odsprzedawać dostępu, a z modelu korzystają tylko ich zespoły bezpieczeństwa, reagowania na incydenty i pentestów. Ci partnerzy dostają Argona bez blokad, które w publicznej wersji mają odrzucać prośby związane z atakami komputerowymi, samodzielnie albo w agencie CodeMender.

W samym ogłoszeniu widać też, gdzie Argon może pojawić się najpierw. Wynik na CWE-bench Google podaje z harnessu Antigravity, swojego agentowego IDE, a testy wykrywania podatności robiło w jego wewnętrznej wersji. Stawiam więc, że z narzędzi Google Argon trafi najpierw do Antigravity, ale to moje przypuszczenie: Google nie podało ani miejsca, ani daty. Co dziś potrafi Antigravity: Google Antigravity: IDE, które generuje grafiki.

Gemini 4 Argon w Polsce

Aplikacja Gemini działa w Polsce i po polsku, ale Argona w niej nie ma. Na darmowym koncie na razie nic się nie zmienia, zostają modele Flash.
Google AI Ultra kosztuje w Polsce 469,99 zł miesięcznie (wariant z 5x wyższymi limitami) albo 979,99 zł (20x). Strona planów 1 października nadal promuje Gemini 3.1 Pro i nie wspomina o Argonie. Google nie potwierdziło, czy abonenci Ultra w Polsce dostaną Argona w tym samym momencie co w USA.
Gemini API jest dostępne w Polsce. Warunki API wymagają, żeby aplikacje udostępniane użytkownikom w EOG, Szwajcarii i Wielkiej Brytanii korzystały wyłącznie z płatnych usług. Jeśli budujesz coś dla klientów z UE, płatne konto i tak jest Ci potrzebne, a płacący klienci API są w kolejce zaraz po Fairwind. To moja interpretacja, nie deklaracja Google.

W ogłoszeniu Google nie ma ani słowa o UE, AI Act ani regionach. Żadne ze źródeł nie podaje też, że Argon dotrze do Europy później. Na razie po prostu nie wiadomo.

Gemini 4 Argon w GitHub Copilot

Argona nie ma na liście modeli Copilota ani w changelogu. Najnowszy Gemini w Copilocie to 3.8 Flash, dostępny od 3 września.

Jeśli Argon trafi do Copilota, rachunek łatwo przewidzieć. Od 1 czerwca Copilot nie liczy premium requests z mnożnikami, tylko GitHub AI Credits (1 kredyt = $0.01) według stawek API danego modelu. Argon po cenie promocyjnej kosztowałby więc w Copilocie tyle, co Sonnet 5.5, a po regularnej tyle, co Opus 5.5. Pamiętaj też, że od 20 maja modele Gemini działają w Copilocie tylko w IDE i CLI, a w Copilot Chat na github.com już nie.

Jak dobierać modele w Copilocie do zadań: który model w GitHub Copilot wybrać.

Gemini 4 Argon a cyberbezpieczeństwo: komu Google daje go najpierw

Najwięcej liczb Google pokazuje w cyberbezpieczeństwie:

CWE-bench v1: 68%, ex aequo z GPT-6 Astra i Grok 4.7, przed Opusem 5.5 (67%).
Wykrywanie podatności w 20 językach: 85.8% wobec 71.0% dla Gemini 3.8 Flash Cyber.
Test penetracyjny Wiz bez dostępu do kodu źródłowego: 70.9% wobec 58.2% dla Gemini 3.8 Flash Cyber.
Wiz w ramach programu Scan for Good znalazł Argonem krytyczną podatność w oprogramowaniu używanym przez szpitale na całym świecie. Według Google wcześniejsze modele jej nie wykryły.

Model, który dobrze znajduje podatności, równie dobrze nadaje się do ich wykorzystania. Dlatego Google daje go najpierw zespołom, które luki łatają. Tulsee Doshi w rozmowie z CNBC: “Takie rozpoczęcie wdrożenia daje nam więcej pewności, a przy okazji pozwala jak najszybciej dać specjalistom od bezpieczeństwa model, który dobrze radzi sobie z ochroną systemów”.

To już schemat w branży. OpenAI klasyfikuje GPT-6 Astra jako model krytyczny w cyberbezpieczeństwie, a następcę Astry w ogóle wstrzymało. Google wybiera trzecią drogę: model jest gotowy, ale dostęp rośnie stopniowo.

Prompt injection: liczba, która dotyczy Twojego agenta

Dla programisty ważniejszy od CWE-bench jest wykres Gray Swan. Agent, który czyta issue, opis PR-a, README zależności albo stronę z dokumentacją, przetwarza niezaufany tekst. Gray Swan mierzy, jaki odsetek ataków przez taki tekst się udaje, gdy atakujący ma 15 prób. Niższy wynik jest lepszy:

Model	Skuteczne ataki
Gemini 4 Argon	0.7%
Claude Opus 5.5	1.0%
Claude Fable 5.1	1.0%
GPT-6 Astra	8.5%
GPT-6 Sol	10.1%
Kimi K3	52.7%

To wykres Google, więc traktuj go jak deklarację producenta. Nawet jeśli się potwierdzi, 0.7% to nie zero. Przy tysiącu sesji agenta, które czytają cudze treści, pojedyncze udane ataki są wciąż realne. Odporność modelu nie zastąpi ograniczeń po Twojej stronie: tokenów z minimalnymi uprawnieniami, sieci na allowliście i review zmian. Jak to ustawić w Copilocie: jak ograniczyć dostęp agenta GitHub Copilot.

Co zrobić dziś, zanim Argon trafi do API

Nic nie migruj. Nie ma ID ani dokumentacji. Kod z gemini-4-argon wpisanym na wyczucie to zgadywanka, która za tydzień może zwrócić 404.
Przygotuj własny zestaw testowy teraz. Wybierz 10-20 zadań z Twojego repo z twardym kryterium: testy przechodzą, diff nie wychodzi poza zakres. Puść je dziś na modelu, którego używasz, i zapisz wynik, czas i koszt. W dniu udostępnienia porównasz Argona w godzinę, zamiast wierzyć tabeli. Jak taki pomiar zbudować: jak mierzyć pracę agentów AI.
Licz budżet od $4 / $20. Cena promocyjna jest dobra do testów, nie do biznesplanu.
Ustaw limit wyjścia i kosztu na zadanie w harnessie. Przy limicie 1M jedna zapętlona trajektoria może kosztować $20 za samo wyjście, a agent nie uderzy już w sufit 64K.
Wybieraj po typie pracy, nie po rankingu. Jeśli pracujesz w terminalu, uruchamiasz testy i buildy, liczby nie dają powodu do zmiany. Długie dokumenty, analizy finansowe i prawnicze, automatyzacja procesów, wiele plików naraz - tu Argon ma najmocniejsze wyniki i tu warto sprawdzić go najpierw.
Załóż płatne konto API wcześniej, jeśli działasz w UE. I tak go potrzebujesz do aplikacji dla użytkowników z EOG, a płacący klienci są w kolejce przed resztą.

Moja ocena: Google wróciło do czołówki po siedmiu miesiącach bez flagowego modelu, i to nie jest mało. Skok z 30 do 53 punktów w indeksie Artificial Analysis robi wrażenie. Ale powrót do czołówki to jeszcze nie wyprzedzenie jej. W kodowaniu agentowym w terminalu, czyli tam, gdzie większość z nas używa modeli codziennie, Opus 5.5 wypada lepiej w tabeli Google, a w pomiarze Artificial Analysis także Sonnet 5.5. Najciekawsze w Argonie są cena promocyjna i limit wyjścia. Obie mają ukryty koszt: promocja się skończy, a limit 1M musisz przyciąć sam.

FAQ: Gemini 4 Argon

Czy Gemini 4 Argon jest za darmo?

Nie. Użytkownicy darmowej wersji Gemini na razie go nie dostaną i zostają przy modelach Flash. Po programie Fairwind pierwsi w kolejce są abonenci Google AI Ultra (w Polsce od 469,99 zł miesięcznie) i płacący klienci API. Darmowego progu w API Google nie zapowiedziało.

Ile kosztuje Gemini 4 Argon w API?

Na start $2 za milion tokenów wejścia i $10 za milion wyjścia (ok. 7,69 zł i 38,45 zł po kursie NBP z 30.09.2026). Cache jest o 95% tańszy od zwykłego wejścia. Po okresie promocyjnym cena rośnie do $4 / $20 (ok. 15,38 zł i 76,90 zł). Google nie podało, kiedy promocja się kończy.

Czy Gemini 4 Argon jest dostępny w Polsce?

Na razie nigdzie poza programem Fairwind i zespołami Google. Gemini API i aplikacja Gemini działają w Polsce, ale Google nie podało, czy Argon trafi do polskich użytkowników w tym samym czasie co w USA.

Jaki jest model ID Gemini 4 Argon?

Nie ma go. 1 października Argona nie ma w dokumentacji modeli Gemini API, w cenniku ani w changelogu. Nie wpisuj ID na zgadywankę.

Czy Gemini 4 Argon ma kontekst 1M tokenów?

Google podaje 1M jako limit tokenów wyjściowych (wcześniej 64K), a nie jako okno kontekstu. Okna wejściowego w ogłoszeniu nie ma. Artificial Analysis i Vals podają 1M kontekstu, ale to nie jest oficjalna specyfikacja.

Czy Gemini 4 Argon jest lepszy od Claude Opus 5.5?

W tabeli Google wygrywa w większości testów, m.in. na DeepSWE (77.9% vs 74.2%), w długim kontekście i w pracy z dokumentami. Z Opusem przegrywa w czterech testach: Terminal-Bench 4.0 (57.4% vs 66.4%), FrontierSWE v2, PostTrainBench i Terminal-Bench Science. W niezależnym indeksie Artificial Analysis Opus 5.5 ma 58 punktów, a Argon 53. Po cenie promocyjnej token Argona jest dwa razy tańszy, po regularnej kosztuje tyle samo.

Czy Gemini 4 Argon będzie w GitHub Copilot?

Dziś go tam nie ma i GitHub niczego nie zapowiedział. Copilot rozlicza modele według stawek API, więc jeśli Argon do niego trafi, zapłacisz tyle, ile kosztuje w API.

Dlaczego Google nie udostępnia Argona wszystkim?

Google pisze, że bezpieczne udostępnienie możliwości tego poziomu wymaga podejścia etapowego. Przed szerokim wydaniem chce domknąć zabezpieczenia: przed użyciem do ataków komputerowych i do pracy nad bronią chemiczną, biologiczną, radiologiczną lub jądrową, przed prompt injection, przed działaniem modelu niezgodnym z intencją i w izolacji środowisk testowych. Dlatego najpierw dostają go zweryfikowane zespoły bezpieczeństwa.

Źródła: Google - Gemini 4 Argon (ogłoszenie, tabela benchmarków, cena, etapy wdrożenia), Google DeepMind - Gemini 4 Argon: model evaluation (metodologia benchmarków), Google DeepMind - Fairwind Program (zasady programu), Gemini API - modele i cennik (brak Argona, ceny Gemini 3.8 Flash), Gemini API - warunki i dostępne regiony, Google AI - plany w Polsce, Artificial Analysis - Gemini 4 Argon (indeks, Terminal-Bench, tokeny i koszt zadania), Vals AI - Gemini 4 Argon, LMArena - Text Leaderboard, Latent Space - Gemini 4 Argon (Long Decode Continuation), The Next Web - Gemini 4 Argon goes to cyber defenders (raport Bloomberga), CNBC - Google Gemini 4 Argon i Axios via Yahoo - Google unveils long-awaited Gemini (wypowiedzi Tulsee Doshi), SiliconANGLE - Gemini 4 Argon goes to cybersecurity defenders first (start Fairwind), GitHub Docs - modele w Copilot, GitHub - Copilot przechodzi na rozliczenie za użycie, GitHub Changelog - Gemini 3.8 Flash w Copilot, GitHub Changelog - modele w Copilot na github.com, Spidersweb - Jest nowe Gemini 4 Argon, Promptowy - Gemini 4, NBP - kurs USD.

EfektywnyDev pisze o AI w praktyce: co nowy model zmienia w pracy z agentami, a nie tylko w tabelach benchmarków.