Mise à jour de la sortie de Gemini 4 : Gemini 4 Argon est disponible
Informations vérifiées : 16 octobre 2026.
Gemini 4 a dépassé le stade des spéculations sur sa sortie. Google a annoncé Gemini 4 Argon le 30 septembre 2026, en introduisant initialement un accès pour des défenseurs de cybersécurité de confiance. Le 13 octobre 2026, Google a annoncé une disponibilité plus large pour les développeurs, les entreprises et les consommateurs.
Ces dates décrivent différentes étapes de déploiement : le 30 septembre correspondait à l’annonce initiale, tandis que le 13 octobre marquait un accès élargi. L’annonce d’octobre de Google inclut un accès à l’API via AI Studio et une disponibilité pour les abonnés Google AI éligibles sur des produits spécifiés.
Gemini 4 Argon est conçu pour des travaux complexes et multi-étapes, notamment l’ingénierie logicielle, la recherche professionnelle, l’analyse de documents et la défense en cybersécurité. Ses capacités doivent être évaluées à l’aide de la documentation du modèle publié et des évaluations rendues publiques.
Les références antérieures dans cet article à des spécifications hypothétiques de Gemini 4 Pro, Flash ou Flash-Lite ne doivent pas être considérées comme des spécifications confirmées d’Argon. De même, les scores de benchmarks ayant fuité et les prix prévus ne doivent pas être utilisés pour guider des achats ou des déploiements.
Pour les détails d’accès actuels, consultez l’annonce de disponibilité de Gemini 4 Argon et la documentation des modèles de l’API Gemini.
Points clés
- Gemini 4 Argon est à ce jour le modèle le plus performant de Google, optimisé pour des workflows complexes et multi-étapes en codage, travail de connaissance juridique/financier et cyberdéfense.
- Argon est conçu pour un raisonnement soutenu à travers des workflows longs et multi-étapes plutôt que pour une conversation courte ordinaire. Google met l’accent sur l’ingénierie logicielle réelle, le travail juridique et financier, la compréhension multimodale et la défense en cybersécurité.
- Google a étendu la sortie maximale de l’ancien niveau 64K jetons à 1 million de jetons. Google n’a pas encore publié une spécification publique complète de l’API Gemini pour le contexte d’entrée d’Argon, ses modalités, le comportement des endpoints ou les limites de débit.
- Dans le tableau comparatif de Google, Argon obtient 68.9% sur Vals Index, 77.9% sur DeepSWE v1.1, 91.7% sur LVBench et 68% sur CWE-bench v1. Il ne mène pas tous les tests : GPT-6 Astra gagne FrontierSWE v2 et Terminal-Bench Science, tandis que Claude Opus 5.5 mène Terminal-Bench 4.0 et PostTrainBench.
- Le prix d’introduction de l’API de Google est de $2 par million de jetons en entrée et $10 par million de jetons en sortie. Après la période d’introduction, la tarification passe respectivement à $4 et $20. L’entrée mise en cache est annoncée à 95% en dessous du prix applicable des jetons d’entrée.
- Le catalogue public de CometAPI listait
gemini-4-argoncomme disponible, et non à venir, le 1er octobre 2026.
Google a retrouvé une position de leader dans la course à l’IA de frontière avec le lancement de Gemini 4 Argon. Annoncé le 30 septembre 2026, ce modèle marque le début de l’ère Gemini 4 et est explicitement positionné comme la « prochaine ère de l’intelligence de frontière » de Google. Il cible les charges de travail réelles les plus difficiles : codage agentique soutenu, travail de connaissance d’entreprise à enjeux élevés (juridique, finance, fiscalité) et cybersécurité défensive.
Contrairement aux mises à jour incrémentales précédentes, Argon introduit un changement fondamental en profondeur de capacité grâce à une longueur de sortie considérablement étendue et un entraînement spécialisé pour des tâches à long horizon. Des milliers d’employés de Google l’utilisent déjà en interne pour le travail d’ingénierie de production, tandis que l’accès externe commence de manière restreinte avec des partenaires de cybersécurité sélectionnés.
Qu’est-ce que Gemini 4 Argon ?
Gemini 4 Argon est le dernier grand modèle de langage de frontière de Google DeepMind et la première version de la famille Gemini 4. Il est spécifiquement conçu pour maintenir un raisonnement profond à travers des workflows complexes, multi-étapes et à long horizon que les modèles précédents peinaient à terminer de manière fiable en une seule trajectoire.
Selon Google, Argon « délivre des performances de frontière dans des workflows complexes couvrant l’ingénierie logicielle réelle, le travail de connaissance d’entreprise comme le juridique et la finance, et la défense en cybersécurité ». Il s’appuie sur les enseignements tirés des efforts Gemini 3.5 Pro retardés ou annulés plus tôt en 2026 et sur l’orientation suivante vers la série Gemini 3.8 Flash.
Le modèle met l’accent sur des capacités agentiques — planification autonome, utilisation d’outils, génération et édition de code, découverte et remédiation de vulnérabilités, analyse multi-documents et compréhension de longues vidéos — tout en intégrant des systèmes de sécurité renforcés pour une puissance de niveau frontière.
En interne, Argon génère déjà un impact mesurable à l’échelle de Google :
- Des équipes d’informatique quantique l’ont utilisé pour optimiser les ressources espace-temps (qubits × portes), dépassant les lignes de base publiées de 40% en quelques minutes.
- Des équipes d’agents ont analysé la télémétrie de flotte et appliqué de manière autonome des optimisations mémoire, libérant plus de 300 TiB de mémoire à travers les centres de données (avec des économies totales estimées de 500 TiB à 1 PiB).
- Des migrations de code à grande échelle de C/C++ vers Rust sont en cours, incluant des dizaines de milliers de lignes dans des bibliothèques cœur (re2, libgav1) et plus de 800 000 lignes dans le kernel Fuchsia Zircon. Un résultat notable : un décodeur vidéo sûr en mémoire (libgav1) qui s’exécute 2.7× plus vite que le port Rust précédent après une optimisation guidée par profilage.
Ces déploiements concrets soulignent qu’Argon n’est pas seulement un champion de benchmarks, mais un multiplicateur de productivité pratique pour des organisations d’ingénierie complexes.
Fonctionnalités clés de Gemini 4 Argon
1. Raisonnement à long horizon avec jusqu’à 1M de jetons de sortie
Google indique que la sortie maximale d’Argon est de 1 million de jetons, contre 64 000 jetons pour la génération précédente. Il s’agit d’une limite de génération maximale, et non d’une injonction à produire des réponses énormes. Cela donne au modèle de la marge pour des trajectoires de raisonnement longues, de la génération de code multi-fichiers, de la recherche détaillée ou un travail d’agent étendu sans imposer une nouvelle requête à chaque étape.
2. Ingénierie logicielle en conditions réelles
Le score de 77.9% d’Argon sur DeepSWE v1.1 est la valeur la plus élevée dans le tableau comparatif de Google. DeepSWE se concentre sur le travail d’ingénierie logicielle à long horizon, qui correspond mieux aux agents de codage autonomes que les tests de complétion de code courts. Le modèle atteint également 91.9% sur Vibe Code Bench.
L’image n’est pas univoque. GPT-6 Astra obtient 65.5% sur FrontierSWE v2 contre 55.0% pour Argon, et Claude Opus 5.5 obtient 66.4% sur Terminal-Bench 4.0 contre 57.4% pour Argon. Les acheteurs devraient donc tester séparément l’édition de dépôts, l’utilisation du shell, le débogage et les travaux de migration plutôt que de s’appuyer sur un seul score « codage ».
3. Travail de connaissance en entreprise
Google rapporte Argon à 68.9% sur le Vals Index, qui pondère la finance, le codage, le juridique et la fiscalité selon leur contribution au PIB américain. Il est également en tête des modèles comparés sur Vals Finance Agent v2, Harvey's Legal Agent Benchmark et AutomationBench.
Ces évaluations rendent Argon particulièrement pertinent pour des workflows à forte composante de recherche : due diligence, revue de contrats, analyse financière, recherche fiscale et synthèse inter-documents. Elles n’enlèvent pas la nécessité de vérifier les sources ou de recourir à une revue professionnelle. Une avance au benchmark mesure la performance dans un cadre spécifique ; elle n’établit pas l’aptitude à des décisions juridiques ou financières non supervisées.
4. Compréhension multimodale et de longues vidéos
Argon obtient 71.6% sur Chartography et 91.7% sur LVBench, devançant légèrement GPT-6 Astra sur la compréhension de graphiques et plus nettement sur la compréhension de longues vidéos. Google décrit également des workflows dans lesquels Argon interprète une séquence de documents et agit sur le résultat.
Cette combinaison est utile lorsque le texte seul ne suffit pas : analyser des graphiques de résultats aux côtés des dépôts, extraire des preuves à partir d’heures de vidéo, examiner des captures d’écran de produit avec des exigences écrites, ou rapprocher des données à travers des PDF et des rapports visuels.
5. Cybersécurité défensive
Google a entraîné Argon à découvrir, valider et corriger des vulnérabilités critiques. Sur CWE-bench v1, Argon et GPT-6 Astra obtiennent tous deux 68%, tandis que Claude Opus 5.5 obtient 67%. Google affirme qu’Argon surpasse également Gemini 3.8 Flash Cyber dans des évaluations internes de découverte de vulnérabilités et de tests d’intrusion en boîte noire.
L’accès initial reflète le risque. Des défenseurs cyber de confiance peuvent utiliser le modèle via le Fairwind Program de Google, et Google indique que Wiz a utilisé Argon dans son initiative Scan for Good pour identifier une vulnérabilité critique affectant un logiciel de santé. Une distribution restreinte donne à Google le temps de rassembler des preuves avant d’exposer plus largement une capacité cyber avancée.
6. Le taux d’hallucination est tombé à 10%.
Gemini 4 Argon a un taux d’hallucination incroyablement bas sur Artificial Analysis. 15%. Arena rapporte une estimation d’« hallucination d’outil » de 0.10% +/- 0.48% pour Gemini 4 Argon High, contre 0.16% +/- 0.09% pour Gemini 3.8 Flash High. L’estimation ponctuelle est plus basse, ce qui suggère une amélioration. Cependant, les intervalles d’incertitude se recouvrent largement, et l’intervalle d’Argon est beaucoup plus large.
Performances de référence de Gemini 4 Argon
Les chiffres suivants proviennent du tableau comparatif de Google DeepMind. Google renvoie à un document de méthodologie séparé et indique que les scores sont en pass@1 sauf mention contraire. Considérez-les comme des résultats publiés par le fournisseur et validez-les sur des charges de travail privées.
| Benchmark | Charge de travail | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 | Leader |
|---|---|---|---|---|---|
| Vals Index | Travail de connaissance pondéré PIB | 68.9% | 63.1% | 67.0% | Argon |
| AutomationBench | Automatisation d’entreprise de bout en bout | 51.3% | 41.4% | 42.5% | Argon |
| Vals Finance Agent v2 | Recherche financière multi-étapes | 65.4% | 53.5% | 58.6% | Argon |
| Harvey Legal Agent | Recherche et rédaction juridiques | 19.6% | 5.4% | 3.8% | Argon |
| DeepSWE v1.1 | Ingénierie logicielle à long horizon | 77.9% | 74.1% | 74.2% | Argon |
| FrontierSWE v2 | Codage agentique | 55.0% | 65.5% | 62.3% | Astra |
| Terminal-Bench 4.0 | Travail d’agent basé sur terminal | 57.4% | 58.2% | 66.4% | Opus |
| Terminal-Bench Science 0.1 | Agents science et mathématiques | 57.6% | 68.1% | 63.3% | Astra |
| GraphWalks, 256K-1M | Parcours de graphes en long contexte, F1 | 84.2% | 71.8% | 66.8% | Argon |
| Agent's Last Exam | Utilisation de l’ordinateur | 39.5% | 34.2% | 38.2% | Argon |
| OSWorld 2.0 offline subset | Utilisation de l’ordinateur, score partiel | 69.2% | 72.6% | Non communiqué | Astra |
| Chartography | Compréhension de graphiques | 71.6% | 71.0% | 66.3% | Argon |
| LVBench | Compréhension de longues vidéos | 91.7% | 87.5% | 83.7% | Argon |
| CWE-bench v1 | Remédiation des vulnérabilités | 68.0% | 68.0% | 67.0% | Ex aequo |
Comment lire les résultats
L’avantage le plus net d’Argon est sa largeur sur le travail de connaissance professionnel, le long contexte, l’analyse de graphiques et les longues vidéos. Son résultat de 19.6% en agent juridique est plus de trois fois celui d’Astra à 5.4%, bien que les trois scores absolus montrent que le benchmark reste difficile. Argon mène également AutomationBench avec 8.8 points d’avance sur Opus 5.5.
Le codage appelle une conclusion plus nuancée. Argon mène DeepSWE et Vibe Code Bench, mais Astra mène FrontierSWE, et Opus mène Terminal-Bench 4.0. Pour le travail scientifique orienté terminal, Astra devance Argon de 10.5 points. Le bon titre n’est pas « Argon gagne tous les benchmarks ». C’est qu’Argon est exceptionnellement fort sur des workflows d’entreprise à long horizon tandis que les concurrents conservent d’importants avantages spécifiques aux tâches.

Les preuves issues des benchmarks sont solides mais non universelles. GPT-6 Astra reste en tête sur plusieurs mesures de science, de codage et d’usage de l’ordinateur, tandis que Claude Opus 5.5 mène des tests importants de terminal et d’ingénierie ML. Des éléments indépendants sont tout aussi nuancés : Artificial Analysis classe Argon 8e sur 223 modèles dans sa classe de comparaison, et Arena classe Gemini 4 Argon High 8e sur 46 modèles d’agents tout en le plaçant premier en contrôlabilité. Le plus grand avantage d’Argon est la combinaison de raisonnement à long horizon, performance en domaine d’entreprise et profondeur multimodale à un prix annoncé agressif.
Gemini 4 Argon est-il disponible ?
Au moment de l’annonce (30 septembre 2026) et des couvertures suivantes, non — pas pour le grand public ni les développeurs standard. L’accès est restreint à :
- Membres de confiance du Fairwind Program (défenseurs cyber, gouvernements, partenaires d’infrastructures critiques).
- Équipes internes de Google.
- Participants au processus volontaire de prépublication du gouvernement américain.
Google indique qu’il étendra l’accès « dès que possible » après avoir recueilli des retours et itéré sur les garde-fous, en commençant par les clients API payants et les abonnés Google AI Ultra, puis un accès plus large pour les développeurs, entreprises et consommateurs. Aucune date publique fixe n’a été communiquée
Tarification de l’API Gemini 4 Argon
Le prix d’introduction de Google est de $2 par million de jetons en entrée et $10 par million de jetons en sortie. Le tarif post-introduction est de $4 en entrée et $20 en sortie. L’entrée mise en cache est tarifée avec une remise de 95% par rapport au tarif d’entrée applicable, ce qui implique $0.10 par million pendant la période d’introduction et $0.20 ensuite si la politique est appliquée exactement comme annoncé.
Le prix est attractif par rapport à d’autres modèles de frontière premium, mais le coût par jeton n’est pas le coût par tâche terminée. Un modèle qui génère des centaines de milliers de jetons de sortie ou effectue de nombreux appels d’outils peut tout de même créer une facture importante. Définissez des plafonds de sortie, surveillez les boucles d’outils et mesurez le coût par résultat accepté.
Comment accéder à l’API Gemini 4 Argon via CometAPI
Une fois que Google ouvre un accès API plus large, les plateformes qui agrègent des modèles de frontière deviennent la manière la plus rapide et souvent la plus rentable pour les développeurs d’expérimenter et d’industrialiser.
CometAPI fournit un point de terminaison unifié, compatible OpenAI, vers 500+ modèles d’OpenAI, Anthropic, Google et d’autres. Cela signifie que vous pouvez basculer entre les modèles Gemini, les variantes GPT-6 et les modèles Claude en ne changeant que le paramètre de modèle — sans gérer plusieurs comptes, systèmes de facturation ou SDK.
Étapes recommandées pour se préparer et accéder via CometAPI :
- Inscrivez-vous sur cometapi.com et générez une clé API depuis le tableau de bord (commence par
sk-). - Utilisez l’URL de base
https://api.cometapi.com/v1. - Appelez les modèles avec le SDK OpenAI standard ou le format natif Gemini.
CometAPI prend déjà en charge la famille Gemini (y compris les modèles Pro et Flash précédents) avec une tarification compétitive, des crédits d’essai gratuits et un basculement transparent. Consultez régulièrement la page Models de CometAPI pour la disponibilité de Gemini 4 Argon. Cette approche évite les frictions d’intégration à Google Cloud et permet des tests A/B faciles face à Claude Opus 5.5 ou GPT-6 Astra dans la même base de code.
Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5
| Catégorie | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|
| Fournisseur | OpenAI | Anthropic | |
| Statut au 1 oct. 2026 | Déploiement limité pour testeurs de confiance ; accès élargi à venir | Modèle API actif | Modèle actif le plus récent ; sorti le 22 sept. 2026 |
| Meilleur usage | Travail de connaissance à long horizon, analyse multimodale, cyber défensive, grandes sorties | Raisonnement complexe, science, usage ordinateur, vaste écosystème d’outils | Codage agentique longue durée et travail de connaissance |
| Contexte d’entrée | Spécification API publique finale pas encore publiée | 1,050,000 jetons | 1,000,000 jetons |
| Sortie max | 1,000,000 jetons | 128,000 jetons | 128,000 synchrones ; 300,000 Batch bêta |
| Entrées et sorties | Capacités multimodales annoncées ; matrice API publique détaillée en attente | Texte et image en entrée ; texte en sortie | Texte et images en entrée ; texte en sortie |
| Contrôle du raisonnement | Raisonnement à long horizon ; contrôles d’API publique en attente | effort de raisonnement de faible à maximal | Pensée adaptative toujours activée ; effort par défaut moyen |
| Prix standard par 1M jetons | Intro : $2 entrée / $10 sortie ; plus tard $4 / $20 | $10 entrée / $50 sortie | $4 entrée / $20 sortie |
| Victoires marquantes (tableau Google) | Vals, AutomationBench, DeepSWE, long contexte, LVBench | FrontierSWE, travail scientifique sur terminal, sous-ensemble OSWorld | Terminal-Bench 4.0, PostTrainBench |
| Principale réserve | Disponibilité API large et spécifications complètes encore en déploiement | Prix catalogue le plus élevé des trois | Ne mène pas le tableau de travail de connaissance de Google ; pensée adaptative non désactivable |
Quel modèle est le meilleur ?
Choisissez Gemini 4 Argon lorsque le travail de connaissance à long contexte, la preuve multimodale, la cybersécurité défensive ou des artefacts générés inhabituellement volumineux dominent la charge de travail. Choisissez GPT-6 Astra lorsque vous avez besoin d’un écosystème d’outils OpenAI mature, d’une forte performance d’agent scientifique ou de ses forces spécifiques en usage ordinateur. Choisissez Claude Opus 5.5 pour le codage agentique natif Claude et les workflows sur terminal, surtout si son comportement fonctionne déjà bien dans votre harnais d’évaluation.
Pour la plupart des entreprises, la meilleure stratégie n’est pas une décision permanente à modèle unique. Routez les requêtes routinières vers un modèle moins coûteux, évaluez Argon, Astra et Opus sur les cas difficiles, et conservez un repli. CometAPI est utile ici car une seule couche d’intégration peut faciliter les tests inter-modèles et un routage contrôlé.
Conclusion
Gemini 4 Argon marque le retour le plus fort de Google sur la frontière absolue, en reprenant le leadership sur plusieurs benchmarks critiques pour l’entreprise et à long horizon, tout en introduisant des avancées pratiques telles que 1M de jetons de sortie et une tarification d’introduction agressive. Son déploiement progressif et axé sur la sécurité privilégie une mise en œuvre responsable de capacités de cyberdéfense puissantes.



