Il 30 settembre 2026 Google ha pubblicato Gemini 4 Argon, il primo modello frontier sopra la classe Flash dopo mesi di attesa. Non è un rilascio API aperto. Arriva prima a un gruppo di defender nel Fairwind Program, con un prezzo introduttivo annunciato di 2 dollari per milione di token in input e 10 in output, e un limite di output portato a 1 milione di token dai 64.000 precedenti.
La tabella che conta è quella firmata da DeepMind, non quella circolata a fine settembre. Il 28 settembre avevamo già separato i claim del checkpoint interno dal prodotto, nel pezzo Gemini 4 Pro leak: contesto 2M e prezzo flagship. Argon è il nome uscito da quell’indiscrezione. I benchmark di oggi permettono di vedere cosa è sopravvissuto.
Dal leak di settembre ai numeri firmati
La tabella non ufficiale accreditava a un checkpoint Gemini 4 Pro, legato al codename Argon, un DeepSWE v1.1 al 88,7%, un Terminal-Bench 2.1 al 95,3%, un OSWorld 2.0 all’86,8%, un contesto da 2 milioni di token e un listino da 2,25 / 11,25 dollari. Google non aveva firmato nulla.
I numeri del 30 settembre sono più bassi e più stretti:
- DeepSWE v1.1: 77,9%, non 88,7. Resta sopra Astra (74,1%) e Opus 5.5 (74,2%), sotto il salto del leak.
- Output: 1 milione di token, non una finestra di contesto da 2 milioni. Il blog parla di output, non di un context window da 2M.
- Prezzo: 2 / 10 dollari introduttivi, poi 4 / 20. Il leak era 2,25 / 11,25, vicino all’intro ma non al listino pieno.
- OSWorld-2.0, subset offline, partial score: 69,2%, non 86,8. Qui guida Astra a 72,6%.
- Terminal-bench 4.0: 57,4%. Non è il Terminal-Bench 2.1 del leak, e Opus 5.5 è a 66,4%.
Il post di Koray Kavukcuoglu e quello di Sundar Pichai confermano il rollout ai defender e il processo volontario di pre-release con il governo USA. Non confermano la tabella di settembre.
Knowledge work, il margine più largo
Sulla pagina modello e nel PDF di valutazione Argon è primo su tutte e quattro le righe di knowledge work. I punteggi Vals e Zapier sono di terze parti, non self-run di Google.
- Vals Index: 68,9%, contro 67,0% di Opus 5.5, 65,8% di Fable 5.1 e 63,1% di Astra.
- AutomationBench (Zapier, set privato): 51,3%, contro 42,5% di Opus e 31,4% di Fable.
- Vals Finance Agent v2: 65,4%, contro 58,9% di Fable e 53,5% di Astra.
- Harvey’s Legal Agent Benchmark, nella tabella Google: 19,6%, contro 6,7% di Fable e 3,8% di Opus.
L’ultima riga va letta con il leaderboard. La scheda Vals di Argon segna 19,58% ma lo piazza quinto su 73, non primo assoluto del board pubblico. Il margine sulla tabella Google è reale rispetto ad Astra e ai Claude citati. Non è un primato universale sul legale agentico.
Vals usa il listino pieno, 4 / 20 dollari, e un output massimo di 262.144 token. Google annuncia 1 milione. Sono due schede diverse: una è il prezzo di lancio dichiarato, l’altra è ciò che il valutatore ha potuto chiamare.
Coding: DeepSWE sì, terminale no
Google dichiara un nuovo stato dell’arte su DeepSWE v1.1 al 77,9%. Il PDF dice che quel numero è self-computed con un harness mini-swe. Astra arriva dal leaderboard pubblico (74,1%), Fable 5.1 e Opus 5.5 dalle system card (67,4% e 74,2%). Il confronto non è lo stesso run.
Il resto del coding non è uno sweep:
- FrontierSWE v2: Argon 55,0%, Astra 65,5%, Opus 62,3%.
- Vibe Code Bench: 91,9% nella tabella Google. Vals lo misura a 91,91% e secondo, dietro Claude Sonnet 5.5 a 92,39%.
- Terminal-bench 4.0: 57,4%, sotto Opus a 66,4% e di poco sotto Astra a 58,2%.
- PostTrainBench: 45,3%, sotto Opus a 49,3%. Qui Google ha ricalcolato tutti i modelli, harness OpenCode, budget 10 ore su una H100.
Due benchmark di software engineering lunghi raccontano storie opposte. DeepSWE premia Argon di circa 4 punti. FrontierSWE lo lascia indietro di 10. Per un agente sul proprio repo la tabella non sceglie al posto del harness.
Scienza, contesto lungo e video
Argon guida LABBench 2 (88,8%) e RiemannBench (76,0%). Perde Terminal-Bench Science 0.1: 57,6% contro 68,1% di Astra. Il PDF avvisa che il run Gemini usa un timeout del verifier sei volte quello standard. Vals, in un run proprio, lo misura a 44,29%, terzo su 34. Stesso nome, protocollo diverso, gap ampio.
Sul contesto lungo GraphWalks è il risultato più pulito della tabella. Fino a 128k token, BFS F1: 99,7%. Tra 256k e 1M: 84,2%, contro 71,8% di Astra e 66,8% di Opus. È coerente con l’output a 1 milione, non con il 2M del leak.
In multimodale, LVBench è a 91,7% e Chartography a 71,6%. Il PDF nota che Argon è stato valutato a 1 fps, mentre i rivali avevano un tetto di frame per limiti di API. Anche qui il setup non è identico.
Cyber, injection e cosa non è ancora in API
Sul CWE-bench v1 Argon pareggia Astra al 68,0%, sopra Opus a 67,0% e Fable a 58,0%. Il pareggio si scioglie con pass@4 a favore di Astra, secondo la nota di metodologia. Il blog cita anche un salto sulla discovery interna rispetto a Gemini 3.8 Flash Cyber, un finding su software sanitario e un benchmark black-box di Wiz. Sono claim di Google, non leaderboard pubblici.
Sull’indirect prompt injection il PDF dice di aver preso i numeri da Gray Swan. Le ricostruzioni della chart Google danno ad Argon uno 0,7% di successo dell’attacco dopo 15 tentativi, contro 1,0% di Opus e Fable e 8,5% di Astra. Più basso è meglio. Non ho una pagina Gray Swan verificata in questa lettura, quindi il dato resta quello riportato da Google.
L’accesso non è il prodotto. Fairwind ora, poi API a pagamento e abbonati Google AI Ultra, senza data. Il modello non risulta ancora nel listino documentato dell’API. Il cache input è annunciato al 95% di sconto sul prezzo input. Dopo il periodo introduttivo, di cui non è nota la durata, si passa a 4 / 20.
Artificial Analysis dà ad Argon 53 sull’Intelligence Index in reasoning high, pari a GPT-6 Astra max e sotto Claude Opus 5.5 a 58 e Sonnet 5.5 a 56. Costo per task 1,99 dollari al prezzo scontato, contro 3,26 di Astra. Allucinazioni AA-Omniscience al 15%, il più basso tra i modelli sopra 45 di indice, contro il 51% di Astra. È un altro pannello, non una smentita della tabella Google.
Cosa tenere e cosa scartare
Argon è un frontier reale su knowledge work, DeepSWE e contesto lungo, con un output da 1 milione e un introduttivo aggressivo. Non è il 88,7 del leak, non è un 2M di contesto pubblicato, e non vince il terminale né FrontierSWE. Per un team che già smista tra Astra e Opus, il test utile è il proprio repo e il proprio burn, non la riga migliore della chart.
Fonti
Testo: assistito da AI · revisionato da Carlos H. P. Ross
