TLDR
Gemini 4 et AlphaEvolve sont des technologies distinctes. Google a confirmé que Gemini 4 est en phase de pré-entraînement, mais n’a pas publié sa fiche du modèle, ses benchmarks, sa tarification ni les détails de son API.
AlphaEvolve est déjà disponible sur Google Cloud. Il utilise les modèles Gemini pour générer des programmes candidats, les évalue via des tests automatisés et recherche itérativement de meilleurs algorithmes. Google n’a pas confirmé que Gemini 4 alimente AlphaEvolve ni qu’AlphaEvolve a contribué à l’entraînement de Gemini 4.
Principaux enseignements
- AlphaEvolve transforme la génération de code en un processus de recherche reproductible fondé sur l’exécution et des retours mesurables. Ses applications publiées couvrent l’infrastructure Google, les mathématiques, la génomique, l’informatique quantique, la logistique et l’apprentissage automatique.
- Gemini 4 pourrait améliorer la génération de candidats s’il offre un meilleur raisonnement sur le code et une meilleure utilisation des outils, mais ce lien demeure non confirmé.
- AlphaEvolve nécessite un programme de départ fonctionnel, un évaluateur fiable et un environnement d’exécution isolé.
- Il s’agit d’une optimisation d’algorithmes bornée, pas d’une auto-amélioration récursive autonome.
Gemini 4 + AlphaEvolve : pourquoi les considérer ensemble ?
Mettre Gemini 4 et AlphaEvolve dans la même discussion peut donner l’impression que Google a déjà construit un système capable de concevoir son propre successeur. Les éléments disponibles ne soutiennent pas cette conclusion.
Google a divulgué relativement peu d’informations sur Gemini 4. L’entreprise a confirmé que le pré-entraînement est en cours et l’a décrit comme sa campagne de pré-entraînement la plus ambitieuse à ce jour. Elle n’a pas publié la documentation technique nécessaire pour évaluer le modèle final.
AlphaEvolve est plus avancé. Google DeepMind a présenté AlphaEvolve en mai 2025, et Google Cloud l’a rendu généralement disponible en juillet 2026. Il dispose désormais d’une documentation développeur publique, d’un flux API et d’applications documentées.
Gemini 4 + AlphaEvolve doivent donc être vus comme une direction technique possible plutôt qu’un lot de produits confirmé. Gemini 4 représente la poursuite du développement des capacités de modèles généralistes. AlphaEvolve montre comment des programmes générés par des modèles peuvent être testés dans un processus mesurable de recherche en algorithmes.
Ce que représente Gemini 4
Gemini a commencé comme une famille multimodale pour le texte, les images, l’audio, la vidéo et le code. Son rôle s’est depuis étendu à la recherche, aux environnements de codage, aux logiciels de productivité, aux navigateurs et aux services cloud.
La question pertinente pour Gemini 4 ne se limite plus à la qualité des réponses. Il s’agit de savoir si le modèle peut rester fiable sur des tâches longues, de grands codebases, des appels d’outils et des retours répétés.
Google a confirmé la campagne de pré-entraînement de Gemini 4, mais n’a pas publié le nombre de paramètres du modèle, sa fenêtre de contexte, ses benchmarks, sa tarification ni la spécification publique de son API. Les affirmations à propos de ces détails doivent être considérées comme non vérifiées jusqu’à la publication de la documentation officielle par Google.
Ce qu’est AlphaEvolve
Un assistant de codage ordinaire produit du code pour une requête. AlphaEvolve explore de nombreuses implémentations fonctionnelles pour en trouver une qui performe mieux selon des critères mesurables.
Les modèles Gemini proposent des programmes candidats. Un évaluateur teste la correction et la performance. Un système évolutionnaire détermine quels candidats doivent influencer la prochaine itération.
Cela rend AlphaEvolve adapté à la découverte d’algorithmes, à la recherche mathématique et à l’optimisation combinatoire. Il n’est pas conçu pour le développement applicatif de routine, le linting ou le nettoyage de style de code.
Leur terrain commun : l’IA entre dans la boucle fermée Explorer-Vérifier-Optimiser
Un modèle de langage s’arrête normalement après avoir produit une réponse. AlphaEvolve ajoute un retour externe en compilant, exécutant et scorant le programme généré.
Le processus répète trois activités :
- Explorer de nouveaux algorithmes et structures de programme.
- Vérifier les candidats via l’exécution et des tests objectifs.
- Optimiser les candidats ultérieurs à l’aide des résultats mesurés.
Gemini fournit le raisonnement et la génération de candidats. AlphaEvolve organise ces capacités dans une expérimentation pouvant se poursuivre sur des centaines ou milliers de programmes.
Du LLM au scientifique en IA : où se produit exactement le changement ?
AlphaEvolve ne choisit pas sa propre feuille de route de recherche ni les objectifs à poursuivre. Le changement réside dans la position du modèle au sein du processus de recherche.
Au lieu de seulement expliquer un problème ou écrire du code isolé, le modèle participe à la proposition, au test et à la révision de solutions. Les chercheurs définissent toujours la tâche, construisent l’évaluateur, interprètent les résultats et décident ce qui entre en production ou dans une publication scientifique.
En mathématiques, les preuves computationnelles ne remplacent pas une démonstration. En conception de puces, un circuit inhabituel doit encore passer la vérification formelle. En logiciel de production, une implémentation plus rapide nécessite toujours un examen de sécurité et de maintenabilité.
Le passage du LLM au scientifique en IA n’est donc pas un transfert d’autorité scientifique. C’est l’intégration des modèles dans la boucle expérimentale.
Ce que nous savons et ce que nous ignorons actuellement à propos de Gemini 4
Un signal récent mérite attention. Le 17 septembre 2026, un utilisateur de Gemini a publié une comparaison Arena côte à côte et suggéré que des requêtes étiquetées Gemini 3.8 Flash étaient routées vers un nouveau modèle Gemini Pro, décrit dans le post comme Gemini 4 Pro.
Source : @TimJayas sur X
Pour AlphaEvolve, le lien possible est direct. Un meilleur raisonnement sur le code, une meilleure planification et une meilleure utilisation des outils pourraient améliorer la qualité des programmes candidats. Google n’a pas confirmé que le service AlphaEvolve actuel utilise Gemini 4.
Ce que nous savons avec certitude
Google a confirmé que le pré-entraînement de Gemini 4 a démarré. Les détails concernant les checkpoints Pro et le routage sur Arena proviennent de rapports communautaires, et non d’une documentation officielle du modèle.
| Test | Résultat rapporté | Statut |
|---|---|---|
| Argon 160 | Apparemment associé à Gemini 3.8 Flash sur Arena | Correspondance non vérifiée |
| Argon checkpoint | Affichait une limite de sortie de 256k et un mode de raisonnement élevé | Capture d’écran non officielle |
| Génération SVG | A produit un SVG de paon détaillé en environ 2.4 minutes | Sortie observée ; modèle non vérifié |
| Routage Arena | Gemini 3.8 Flash aurait été routé vers un nouveau checkpoint Gemini Pro | Signalé par la communauté |
| Benchmarks publics | Aucun score reproductible de Gemini 4 disponible | Non publiés |
Ce que nous devons savoir
Plusieurs détails restent non documentés ou non confirmés. Les optimisations d’entraînement publiées d’AlphaEvolve doivent également être distinguées des affirmations concernant son implication dans Gemini 4.
| Question | Statut au 17 sept. 2026 |
|---|---|
| Pré-entraînement de Gemini 4 démarré ? | Confirmé par Google |
| Gemini 4 publié publiquement ? | Non documenté officiellement |
| Fiche du modèle Gemini 4 ? | Non publiée |
| Spécification de l’API de Gemini 4 ? | Non publiée |
| Tarification de Gemini 4 ? | Non publiée |
| Gemini 4 alimente AlphaEvolve ? | Non confirmé |
| AlphaEvolve a contribué à Gemini 4 ? | Non confirmé |
| AlphaEvolve a amélioré l’entraînement de l’IA ? | Confirmé |
L’annonce d’AlphaEvolve par DeepMind documente des améliorations des calculs utilisés dans l’entraînement de Gemini. Cela étaye une affirmation plus étroite et établie sur l’efficacité de l’entraînement, pas un lien confirmé avec Gemini 4.
Comment fonctionne AlphaEvolve : évolution d’algorithmes et principes
AlphaEvolve combine la génération de programmes avec une recherche évolutionnaire et une évaluation automatisée. Un programme fonctionnel entre dans le système, Gemini propose des modifications, et un évaluateur mesure chaque candidat. Les programmes plus performants alimentent les tours suivants.
Recherche évolutionnaire
AlphaEvolve maintient une base de données de programmes candidats et de leurs scores. Des programmes sélectionnés sont inclus dans les invites ultérieures pour que Gemini puisse les modifier ou les combiner. De nouveaux candidats entrent dans la base lorsqu’ils ajoutent de la performance ou une diversité utile.
Le système ne conserve pas qu’un seul gagnant. Garder plusieurs familles de programmes réduit le risque de convergence prématurée vers un optimum local. Il peut aussi équilibrer plusieurs métriques, notamment la vitesse, l’utilisation mémoire, la précision et la stabilité.
Programmes de départ
Un programme de départ est la base fonctionnelle fournie à AlphaEvolve. Il doit avoir des entrées et sorties claires, une exécution répétable, des tests réussis et un score mesurable.
Les développeurs spécifient également quelles parties du code AlphaEvolve peut modifier, afin que les interfaces, contrôles de sécurité et comportements figés restent protégés.
Selon la vue d’ensemble développeur d’AlphaEvolve, le code initial doit déjà être fonctionnellement correct. AlphaEvolve n’est pas conçu pour transformer une requête en langage naturel incomplète en une application entière.
Évaluateur
L’évaluateur compile, exécute, teste et score chaque candidat. Selon la tâche, il peut mesurer la correction, la latence, l’utilisation mémoire, l’erreur numérique, la qualité de solution ou des contraintes métiers.
Sa conception détermine ce que la recherche optimise réellement. Un évaluateur uniquement axé sur la vitesse peut récompenser du code inexact, tandis qu’une suite de tests incomplète peut ouvrir des failles. Les projets fiables utilisent donc plusieurs tests et métriques plutôt qu’un benchmark commode.
Génération de programmes candidats
Les modèles Gemini génèrent des candidats à partir du code de départ, de la description du problème, des contraintes, des programmes précédents, des scores et des rapports d’échec. Les changements peuvent être locaux ou couvrir plusieurs composants connectés.
La description originale d’AlphaEvolve par Google utilisait des modèles Gemini plus rapides pour élargir l’exploration et des modèles plus capables pour proposer des révisions plus profondes. Google n’a pas confirmé quelles versions exactes de Gemini alimentent le service actuel.
Exécution et filtrage
Les candidats passent d’abord des vérifications d’analyse, de compilation et de correction. Les programmes valides poursuivent vers l’évaluation de performance. Les résultats à haut score peuvent semer les tours suivants, tandis que les échecs fournissent des signaux sur les approches à éviter.
Google Cloud permet à l’évaluateur de s’exécuter dans l’environnement propre du client. Cela prend en charge du code propriétaire, des données privées, du matériel spécialisé et des systèmes de calcul haute performance.
Un programme à haut score doit toujours passer par une revue de code, des tests de sécurité, un déploiement par étapes et une planification de retour arrière.
AlphaEvolve par rapport à la génération de code ordinaire
La génération de code ordinaire aide à accomplir des tâches de développement. AlphaEvolve recherche une meilleure implémentation parmi de nombreuses possibilités valides.
Un assistant de codage peut partir d’une requête écrite et produire quelques sorties pour examen humain. AlphaEvolve commence généralement à partir d’un code fonctionnel et s’appuie sur un évaluateur pour traiter de nombreux candidats.
Les deux approches peuvent être combinées. Un assistant de codage peut aider à construire la base, tandis qu’AlphaEvolve optimise des composants sélectionnés une fois les tests et benchmarks en place.
Quels résultats publics AlphaEvolve a-t-il déjà livrés ?
Les exemples publiés par Google couvrent l’infrastructure, la science et des déploiements commerciaux. Les chiffres ci-dessous proviennent principalement de Google DeepMind, Google Cloud et des organisations participantes.
Chaque projet a utilisé des matériels, jeux de données, bases de comparaison et budgets de recherche différents. Les pourcentages ne doivent pas être considérés comme des scores de benchmark directement comparables.
Infrastructures de calcul de Google
AlphaEvolve a découvert une heuristique d’ordonnancement Borg qui, selon Google, récupère en moyenne environ 0.7% de ses ressources de calcul mondiales.
Il a également accéléré un noyau de multiplication de matrices utilisé dans Gemini de 23%, réduisant le temps d’entraînement global d’environ 1%. Parmi les autres résultats rapportés :
- Jusqu’à 32.5% d’accélération pour une implémentation de FlashAttention
- Un circuit intégré à une conception de TPU ultérieure
- Une réduction de 20% de l’amplification d’écriture dans Google Spanner
- Des idées de compilateur ayant réduit les empreintes de stockage logiciel de près de 9%
Ces exemples montrent qu’AlphaEvolve va au-delà du code applicatif pour toucher l’ordonnancement, le stockage, les compilateurs, les noyaux GPU et la conception de puces.
Mathématiques et recherche scientifique
Pour 4 × 4 matrices complexes, AlphaEvolve a trouvé un algorithme utilisant 48 multiplications scalaires.
Sur plus de 50 problèmes mathématiques, Google a rapporté qu’AlphaEvolve a redécouvert l’état de l’art dans environ 75% des cas et amélioré le meilleur résultat connu dans environ 20%.
Le rapport d’impact 2026 d’AlphaEvolve de Google décrit également :
- Une réduction de 30% des erreurs de détection de variants pour DeepConsensus
- Une augmentation des solutions réalisables pour un modèle AC Optimal Power Flow de 14% à plus de 88%
- Une amélioration de 5% de la précision agrégée de la prédiction de catastrophes naturelles
- Des circuits quantiques avec une erreur dix fois plus faible que des bases optimisées conventionnelles
AlphaEvolve a aussi contribué à des résultats computationnels pour des problèmes d’Erdős, le problème du voyageur de commerce, les nombres de Ramsey et le problème du nombre de contact en 11 dimensions.
Ces résultats peuvent soutenir la recherche scientifique, mais les découvertes computationnelles nécessitent encore un examen par domaine et, le cas échéant, une preuve mathématique.
Applications d’entreprise
Les déploiements commerciaux appliquent la même méthode à des systèmes matures :
- Klarna a rapporté un doublement du débit d’entraînement tout en améliorant la qualité du modèle après l’exploration de près de 6 000 programmes candidats.
- FM Logistic a amélioré le routage d’entrepôt de 10.4%, réduisant de plus de 15 000 kilomètres les déplacements annuels du personnel.
- JetBrains a signalé des gains d’environ 15% à 20% pour certains algorithmes d’IDE.
- Kinaxis a amélioré des métriques clés de prévision de plus de 22% tout en réduisant le temps d’exécution de benchmark de plus de 90%.
- Schrödinger a atteint une accélération d’environ quatre fois pour l’entraînement et l’inférence de champs de force apprises.
- WPP a rapporté des gains de précision d’environ 5% à 10% sur des cas d’usage publicitaires.
AlphaEvolve n’a pas construit ces systèmes à partir de zéro. Chaque organisation a fourni un logiciel fonctionnel, une expertise métier et un processus d’évaluation mesurable.
Comment Gemini 4 et AlphaEvolve pourraient fonctionner ensemble
Google n’a pas confirmé que Gemini 4 alimente AlphaEvolve ni qu’AlphaEvolve a contribué directement à Gemini 4. Le flux de travail ci-dessous est une projection basée sur la conception publiée d’AlphaEvolve, pas une intégration annoncée par Google.
Étape 1 : Gemini comprend le problème et génère des solutions candidates
Gemini peut analyser le code de départ, les contraintes de la tâche, les résultats de tests et les candidats antérieurs avant de proposer des modifications aux algorithmes, structures de données, accès mémoire ou composants de modèle.
Si Gemini 4 améliore la compréhension de grands codebases et l’utilisation d’outils longue durée, il pourrait rehausser la qualité des candidats d’AlphaEvolve. Les changements proposés nécessiteraient toujours des tests externes.
Étape 2 : AlphaEvolve gère l’exploration et l’itération
AlphaEvolve gère quels programmes historiques influencent les nouveaux candidats et combien de diversité subsiste dans la recherche. Il équilibre l’exploration continue avec un approfondissement des branches prometteuses.
Un meilleur raisonnement du modèle peut améliorer des propositions individuelles, mais le processus évolutionnaire reste nécessaire car un code plausible n’est pas toujours plus rapide ni correct.
Étape 3 : des évaluateurs automatisés filtrent les solutions efficaces
L’évaluateur fournit des preuves issues de l’exécution réelle. Pour des tâches de développement de modèles, il peut mesurer :
- Le débit d’entraînement
- La latence d’inférence
- L’utilisation mémoire
- La qualité du modèle
- La stabilité
- L’utilisation du matériel
- La reproductibilité
Les tâches coûteuses peuvent utiliser plusieurs étapes d’évaluation. Des tests peu coûteux éliminent d’abord les candidats invalides, tandis que les meilleurs avancent vers des exécutions plus longues ou des suites de benchmarks plus larges.
Étape 4 : les solutions réussies retournent au modèle pour une optimisation continue
Les programmes très performants retournent dans les invites ultérieures avec leurs scores et leur historique de mutations.
La boucle devient :
Generate → Execute → Evaluate → Select → Generate Again
Il s’agit d’une optimisation continue dans des limites définies par l’humain. Reste ouverte la question de savoir si Google l’utilisera pour concevoir des architectures Gemini, des méthodes d’entraînement ou des pipelines de données.
Scénarios applicables et limites d’AlphaEvolve
AlphaEvolve fonctionne mieux lorsque la tâche peut être exprimée en code, que les candidats peuvent être exécutés automatiquement et que les résultats peuvent être mesurés de manière fiable.
Tâches adaptées
Bons candidats :
- Noyaux GPU et algorithmes numériques
- Stratégies de compilateur et politiques de cache
- Ordonnancement de clusters et heuristiques de base de données
- Logistique et planification d’itinéraires
- Conception de puces et optimisation de réseaux électriques
- Recherche mathématique
- Certains composants d’apprentissage automatique
Un projet adapté dispose généralement d’une base fonctionnelle, d’un évaluateur fiable, d’objectifs quantifiables, d’un large espace de recherche, d’un environnement d’exécution isolé et de suffisamment de calcul pour tester de nombreux candidats.
Tâches inadaptées
AlphaEvolve convient mal aux projets qui n’ont qu’une exigence verbale et aucun programme fonctionnel.
Le formatage de routine, la documentation, le refactoring ordinaire et les décisions de design subjectives offrent également peu de valeur pour une recherche évolutionnaire.
Des solveurs exacts existants peuvent rester meilleurs pour des optimisations linéaires ou convexes standard. Les projets qui ne peuvent pas exécuter le code généré en toute sécurité ne doivent pas utiliser une boucle de candidats automatisée sans d’abord construire un environnement restreint.
Limites et goulots d’étranglement attendus
Le coût d’évaluation est la première contrainte. Un petit algorithme peut prendre quelques secondes à tester, tandis que l’entraînement de modèles ou des simulations scientifiques peuvent prendre des heures. De grandes recherches peuvent devenir plus coûteuses qu’une optimisation manuelle.
La conception de l’objectif est une autre limite. Le système poursuivra ce que l’évaluateur mesure, y compris des failles accidentelles. Le bruit matériel, les graines aléatoires et la mise en cache peuvent aussi rendre des petits gains peu fiables.
La maintenabilité et la sécurité restent des responsabilités humaines. Un code découvert automatiquement peut être difficile à comprendre ou dépendant d’une seule plate-forme matérielle. Les programmes candidats doivent s’exécuter avec un accès réseau, stockage, temps et calcul restreints.
Que signifient Gemini 4 et AlphaEvolve pour les développeurs ordinaires ?
La plupart des développeurs n’utiliseront pas AlphaEvolve pour chaque fonctionnalité. Les sites web, applications mobiles, API et outils internes restent mieux adaptés aux assistants de codage classiques et aux workflows de test établis.
L’impact immédiat sera plus grand en ingénierie des performances, conception d’algorithmes et apprentissage automatique. Les développeurs pourraient passer moins de temps à tester manuellement une optimisation à la fois et davantage à construire des environnements capables d’évaluer de nombreuses alternatives.
Compétences pertinentes :
- Écrire des benchmarks reproductibles
- Concevoir des évaluateurs pour la correction et la performance
- Définir des frontières de code sécurisées
- Suivre l’historique des expériences
- Revoir le code généré pour la sécurité et la maintenabilité
- Planifier un déploiement par étapes et un retour arrière
Des connaissances en programmation restent nécessaires. Les ingénieurs doivent encore détecter l’exploitation de benchmarks, le comportement indéfini, l’instabilité numérique et les hypothèses spécifiques au matériel.
Ce à quoi les lecteurs de CometAPI devraient prêter attention
Pour les utilisateurs de CometAPI, l’accès au modèle n’est qu’une couche d’un système à la AlphaEvolve. Le reste de la pile inclut l’exécution de code, l’évaluation, le suivi d’expériences, les contrôles de sécurité et la gestion des coûts.
Les équipes devraient consigner :
- La version exacte du modèle et les réglages de génération
- Les invites et les programmes candidats
- Les versions de l’évaluateur et des jeux de test
- Les environnements d’exécution
- Les scores et raisons d’échec
- Les coûts liés au modèle et au calcul
Le code généré doit s’exécuter dans des conteneurs isolés sans identifiants de production. L’accès réseau, l’accès aux fichiers, le temps d’exécution et l’usage du calcul doivent être restreints.
Lorsque Gemini 4 disposera d’une API publique, les développeurs devraient vérifier son identifiant de modèle officiel, sa tarification, ses limites et sa disponibilité sur CometAPI. Le code de production ne doit pas s’appuyer sur des noms ou spécifications issus de rapports non confirmés.
Indicateurs d’observation futurs pour Gemini 4 et AlphaEvolve
Plusieurs divulgations clarifieraient si Gemini 4 et AlphaEvolve deviennent réellement un workflow combiné :
- Une fiche du modèle Gemini 4 officielle et une spécification d’API
- La confirmation des modèles Gemini qui alimentent AlphaEvolve
- Des preuves qu’AlphaEvolve a contribué à un composant Gemini livré
- Des détails publics sur les comptes de candidats, les budgets de recherche et les exécutions échouées
- Une reproduction indépendante en dehors de Google et de ses partenaires
- Des comparaisons de coûts couvrant les appels de modèle, l’exécution, la revue et la maintenance
La preuve la plus claire serait une amélioration documentée proposée par un modèle Gemini, validée via AlphaEvolve, et incorporée dans une version ultérieure de Gemini.
D’ici là, l’auto-amélioration est plus précisément décrite comme une automatisation d’ingénierie bornée.
FAQ
Gemini 4 a-t-il été publié ?
Pas officiellement. Au 17 septembre 2026, Gemini 4.0 semble avoir émergé discrètement sur Arena. Un rapport communautaire suggère que des requêtes étiquetées Gemini 3.8 Flash pourraient être routées vers un nouveau modèle Gemini Pro au sein d’Arena.
Il faut le considérer comme un possible test préalable à la sortie plutôt que comme un lancement officiel de Gemini 4.
Qu’est-ce qu’AlphaEvolve ?
AlphaEvolve est un agent de découverte d’algorithmes et d’optimisation de code développé par Google DeepMind. Les modèles Gemini génèrent des programmes candidats, des évaluateurs les exécutent et les scorent, et une recherche évolutionnaire utilise les résultats pour guider les candidats suivants.
AlphaEvolve est-il généralement disponible ?
Google Cloud a annoncé la disponibilité générale en juillet 2026. Les conditions d’accès, régions, quotas et tarification doivent être consultés dans la documentation actuelle de Google Cloud.
AlphaEvolve utilise-t-il Gemini 4 ?
Google n’a pas confirmé publiquement qu’AlphaEvolve utilise Gemini 4. Le système d’origine utilisait des modèles de la famille Gemini, mais cela n’identifie pas les modèles derrière le service actuel.
En quoi AlphaEvolve diffère-t-il d’un assistant de codage ?
Un assistant de codage génère ou modifie du code en réponse à une requête. AlphaEvolve part d’un programme fonctionnel et exécute des expériences répétées pour trouver des implémentations avec de meilleures performances mesurables.
Quels types de code AlphaEvolve peut-il optimiser ?
Les applications publiées incluent des noyaux GPU, des algorithmes CPU, des stratégies de compilateur, des politiques de cache, des systèmes d’ordonnancement, des heuristiques de base de données, des algorithmes de routage, des composants de modèles, des méthodes numériques et des circuits matériels.
Les développeurs ordinaires peuvent-ils utiliser AlphaEvolve ?
Les développeurs peuvent explorer l’accès via Google Cloud, sous réserve des exigences de compte et de disponibilité actuelles. Le système est le plus utile pour des projets avec une base fonctionnelle, un évaluateur fiable et suffisamment de calcul pour des tests répétés.
Gemini 4 est-il accessible via CometAPI ?
Cela doit être vérifié après qu’une API officielle de Gemini 4 sera publiée et que le modèle apparaîtra dans la documentation des modèles pris en charge par CometAPI. Les développeurs ne doivent pas présumer un identifiant de modèle, un prix ou une date de sortie à partir de rapports tiers.