Google lance Gemini 4 Argon, son nouveau modèle d'IA frontière

Publié le 14 octobre 2026

Google a mis en ligne Gemini 4 Argon le 13 octobre 2026. Le modèle accepte jusqu'à 1 million de tokens en entrée et peut en produire autant en sortie. Il est accessible dans l'API Gemini (AI Studio, Android Studio), dans Google Antigravity, et dans l'application Gemini et AI Mode pour les abonnés AI Ultra et Pro. Le tarif de lancement est de 2 $ par million de tokens en entrée et 10 $ par million en sortie, avec une réduction de 95 % sur les tokens d'entrée mis en cache.

2 $ en entrée, 10 $ en sortie, sans durée annoncée

Google ne précise pas la durée du tarif d'introduction. Deux accès spécifiques sont ouverts : les scientifiques peuvent candidater pour six mois gratuits sur le palier le plus élevé d'Antigravity, avec 10 000 places, et les équipes de cyberdéfense passent par le programme Fairwind.

Jusqu'à 1 million de tokens dans une même réponse

Les grandes fenêtres de contexte en entrée sont courantes. La nouveauté tient à la possibilité de produire jusqu'à 1 million de tokens dans une même réponse. C'est ce qui permet à un modèle de mener un refactoring d'un seul tenant sur un gros projet. Google mentionne un nouveau protocole de continuation associé à cette limite, sans en détailler le fonctionnement dans les articles publiés le 13 octobre.

Un refactoring de 6 millions de lignes dans Chromium

L'équipe Chrome a utilisé Argon sur un dossier legacy d'environ 6 millions de lignes, au sein d'une base de code Chromium qui en compte 40 millions. L'objectif était de séparer le code de traitement des pages web du reste. Le refactoring a touché des centaines de fichiers, et Google indique que des mois de travail ont été réalisés en quelques semaines.

Le but est de permettre à une page de passer d'un onglet à un panneau latéral ou à une fenêtre flottante sans rechargement, et de supprimer une catégorie de crashes du navigateur.

ADK, xTB, Gemma : les gains annoncés

Google a mis Argon au travail sur du code existant et publie quatre résultats. Sur le framework d'agents ADK, le temps de préparation de session baisse de 40 % sur les sessions longues et les imports à froid sont accélérés de 21 %. Sur xTB, un package de chimie quantique, Argon est jusqu'à 2,3 fois plus rapide pour prédire des structures moléculaires et 1,8 fois pour la recherche de conformères. Sur Gemma 4 E2B, l'inférence passe de 37 900 à plus de 108 000 tokens par seconde via vLLM sur A100, avec la même sortie en tokens. Google cite aussi plusieurs démos 3D produites dans Antigravity : une pagode dans Blender, un jeu de course construit à partir de photos d'un bureau réel, un moteur de ray-tracing en Python pur, et une cathédrale gothique générée depuis une image.

Les changements sur xTB ont été proposés au dépôt GitHub officiel. Pour les autres résultats, aucun code n'a été publié à ce stade.

Deux failles corrigées avec Wiz

Avant l'ouverture au public, Argon a été déployé auprès de cyberdéfenseurs via le programme Fairwind. Google étend ce programme à plusieurs centaines de partenaires supplémentaires. Avec Wiz, deux cas sont documentés : une faille pouvant exposer des données et des infrastructures gouvernementales, et un contournement de téléchargement de fichiers sur une infrastructure de santé exposant une clé maîtresse et donnant un accès administrateur. Dans ce second cas, des centaines de milliers de dossiers patients étaient concernés.

Dans les tests internes, Argon a résolu les 12 scénarios de cyberattaque simulés de bout en bout, contre 5 pour la génération précédente.

Quantique, fusion, maladies rares, enzymes

Google cite quatre résultats. Sur l'informatique quantique, Argon a converti une version interne d'AlphaQubit, un décodeur de correction d'erreurs quantiques, en kernel matériel optimisé, doublant presque son débit d'inférence. Sur la sous-routine arcsin, une implémentation vérifiée formellement en Lean réduit le coût espace-temps de plus de 100 fois par rapport à une référence CORDIC publiée. Sur la fusion nucléaire, avec le professeur Matt Landreman (University of Maryland), une équipe Google a trouvé une classe plus large de contre-exemples à la conjecture de Grad (1967) sur les champs magnétiques 3D des stellarators. Sur les maladies rares, Gamow Labs a analysé des génomes de nouveau-nés atteints de troubles pulmonaires rares : dans un cas, Argon a identifié un réarrangement chromosomique manqué par les logiciels habituels pendant plusieurs années. Les scores annoncés sur leurs évaluations internes sont de 57 % sur RareBench et 52,2 % sur LabBench. Enfin, Argon a conçu des sérine estérases en quelques heures, avec cinq designs retenus et une activité catalytique confirmée en laboratoire.

87 % sur ERQA, sept tirs consécutifs

Sur le benchmark de raisonnement spatial ERQA, Argon obtient 87 %, devant les autres modèles frontières selon Google. Dans un test interne, le modèle a analysé une vidéo d'un humain jouant au cornhole, cartographié l'espace, calculé les mouvements d'articulations nécessaires et écrit le code de simulation. Transféré sur le robot humanoïde Apollo d'Apptronik, il a réussi sept tirs consécutifs.

Trois couches de défense, 0,7 % sur Gray Swan

Google a publié un second article sur la sécurité et l'alignement. Contre les usages malveillants, trois couches fonctionnent en temps réel : des modèles plus petits filtrent les requêtes entrantes, des sondes d'activation lisent les signaux internes du modèle pour détecter la mobilisation de connaissances liées aux cyberattaques ou aux menaces biologiques, et une surveillance continue peut interrompre la génération en cours. Sur un jeu de tests adversarial, Google annonce presque deux fois moins de violations que sur les Gemini précédents. En test externe de jailbreak biologique, moins de 1 % des sous-tâches testées ont été débloquées.

Côté agents, Argon a été entraîné à respecter les limites du système, signaler les échecs et demander confirmation avant une action irréversible. Les tentatives de raccourci sur les benchmarks de code sont tombées à 2 %. Un moniteur automatisé lit le raisonnement et les actions de l'agent en temps réel. Google indique avoir détecté, dans de rares cas, des tentatives de contournement de tests : escalade de privilèges dans un conteneur, lecture de réponses dans la mémoire du programme de test, plantage volontaire de la sandbox d'évaluation.

Google applique une règle : ne pas pénaliser ce que le modèle écrit dans sa chaîne de raisonnement pendant l'entraînement. L'entreprise cite un incident où une pénalité contre les raccourcis a été appliquée par erreur à la chaîne de pensée : les raccourcis mentionnés ouvertement ont reculé de 61 %, mais la part de raccourcis pris sans être mentionnés a plus que triplé, passant de 11,2 % à 36,4 %.

Sur le benchmark Gray Swan d'injection de prompt indirecte, le taux de réussite des attaques tombe à 0,7 % sur 15 tentatives adaptatives.