Gemini 4 Argon wurde von Google am 13. Oktober 2026 in einem offiziellen Blogbeitrag veröffentlicht und ist nun weltweit verfügbar: Entwickler und Unternehmen können es über die Gemini API in AI Studio und auf Googles Cloud-Plattform aufrufen, Google AI Ultra Abonnenten nutzen es in Google Antigravity, und Ultra- sowie Pro-Abonnenten können es in der Gemini App und im AI Mode der Suche ausprobieren. Google positioniert Argon als Frontier-Modell für komplexe, langlaufende Aufgaben, am stärksten in mehrstufigen Bereichen wie Programmierung, Finanzen, Recht, Cybersicherheit und Wissenschaft, und es belegt Platz 1 im Vals Index, der die Leistung in Wirtschaftsbereichen wie Finanzen, Code, Recht und Steuern misst.
Preis und Zugang zuerst
Argon startet bei 2 US-Dollar pro Million Eingabe-Token und 10 US-Dollar pro Million Ausgabe-Token, zwischengespeicherte Eingaben sind um 95 Prozent reduziert, und das kombinierte Ein- und Ausgabelimit über die API liegt bei 1 Million Token. Die kostenlose Stufe gehört nicht zur ersten Welle: Der Zugang läuft vor allem über bezahlte Abos und die bezahlte API-Stufe. Für 10.000 Wissenschaftlerinnen und Wissenschaftler öffnet Google zusätzlich eine Bewerbung auf sechs Monate kostenlosen Zugang zur höchsten Nutzungsstufe von Antigravity, vergeben rollierend nach Eignung und Kapazität; Verteidiger im Bereich Cybersicherheit können sich für das Fairwind Program bewerben und unter kontrollierten Bedingungen eine Version mit gelockerten Cyber-Leitplanken nutzen.
Google testete zuerst an den eigenen härtesten Aufgaben
Die meisten Ergebnisse im Beitrag stammen aus Googles eigenem Haus. Das Chrome-Team nutzte Argon, um einen rund 6 Millionen Zeilen großen Legacy-Funktionsordner innerhalb der rund 40 Millionen Zeilen umfassenden Chromium-Codebasis zu entwirren, und schloss eine Architektur-Umstellung über Hunderte Dateien ab, die Monate auf Wochen verkürzte. Das Team hinter dem quelloffenen Agent Development Kit gab Argon nur ein Ziel in einem Absatz und sein eigenes Regelwerk; über Nacht autonom laufend, fand es Optimierungen, die die Sitzungsvorbereitung im Speicher bei langen Sitzungen um 40 Prozent verkürzten und kalte Importe um 21 Prozent beschleunigten, und die Änderungen sind inzwischen im offiziellen Repository. Auch die Inferenz von Googles offenem Modell Gemma 4 E2B beschleunigte Argon auf einer A100 per vLLM um das 2,85-Fache bei vollständiger Token-Übereinstimmung, und das Quantenchemie-Paket xTB wurde bei der Vorhersage von Molekülstrukturen bis zu 2,3-mal schneller. Laut Google steigerten interne Teams mit Argon in Antigravity die agentischen Code-Einreichungen um mehr als 35 Prozent und senkten Code-Rollbacks um fast ein Drittel. Alle diese Werte sind von Google selbst berichtet, eine unabhängige Reproduktion steht noch aus.
Ein menschliches Video genügt: Humanoid trifft siebenmal in Folge
In einem eigenen Beitrag vom selben Tag beschrieb Google DeepMind Argons Roboterfähigkeiten. Im ERQA-Benchmark für verkörpertes Schließen erreichte Argon mit reinem Reasoning 87 Prozent und lag vor allen anderen Frontier-Modellen. In einem internen Test sah es sich ein Rohvideo eines Menschen beim Cornhole-Spielen an, berechnete Raumkoordinaten und Ganzkörper-Gelenkbewegungen und schrieb den Simulationscode selbst; auf Apptroniks Humanoiden Apollo übertragen, traf der Roboter in der realen Umgebung siebenmal in Folge. DeepMind nennt diese Kette Video-to-Sim-to-Real: Simulationsumgebungen, deren manuelle Modellierung früher Wochen dauerte, entstehen nun in Stunden. Für die Robotik bedeutet das, dass ein allgemeines Modell Wahrnehmung, Schließen und das Erzeugen von Steuerungscode zugleich übernimmt und Trainingsdaten künftig aus gewöhnlichen Videos stammen können statt nur aus eigens erhobenen Datensätzen.
Stärkeres Modell, dickere Schutzschicht
Google widmete den Schutzmaßnahmen viel Raum. Argons Verstoßrate in einem adversariellen Testset sank gegenüber dem Vorgänger um fast die Hälfte, externe Bio-Red-Teams konnten weniger als 1 Prozent der getesteten Teilaufgaben freischalten, Abkürzungsversuche in Programmier-Benchmarks fielen auf 2 Prozent, und im Benchmark für indirekte Prompt Injection wurde die Erfolgsrate über 15 adaptive Versuche auf 0,7 Prozent gedrückt. Ein Echtzeit-Monitor liest zudem das Schließen und Handeln des Agenten und blockiert unbefugte Ausweichlösungen. Alle Werte stammen aus Googles eigenen Evaluationen und internen Tests von Partnern, deren Methodik nicht vollständig offenliegt, und sollten vorerst als Herstellerangaben gelesen werden.
Argons eigentlicher Punkt ist keine weitere Benchmark-Erneuerung. Google verlagert den Frontier-Wettbewerb von einzelnen Frage-Antwort-Runden hin zu langer, mehrstufiger Arbeit mit fertigen Ergebnissen: Millionen Codezeilen umbauen oder einem Roboter per Video eine neue Fertigkeit beibringen. Welche Kosten- und Stabilitätsdaten externe Entwickler in den nächsten Monaten über die API sehen, entscheidet über Argons Platz in Programmier- und Forschungs-Werkzeugketten.
