Eine Million Output-Token ist viel Raum zum Nachdenken, doch Raum allein garantiert kein gutes Urteilsvermögen. Googles neues Gemini 4 Argon ist darauf ausgelegt, diese Kapazität für lange, mehrstufige Arbeit zu nutzen, von Softwareentwicklung und Finanzrecherche bis zu juristischen Entwürfen und Cybersicherheitsverteidigung. Der Zugang ist vorerst begrenzt, während das Unternehmen das Modell und seine Schutzmaßnahmen testet.
Gebaut für Arbeit, die mehr als einen Schritt braucht
Google sagt, Argon könne in einer Anfrage bis zu 1 Million Output-Token erzeugen, zuvor lag die Grenze bei 64.000. Das größere Limit soll dem Modell erlauben, längere Aufgaben durchzuhalten, statt die Arbeit wiederholt in kleinere Austausche aufzuteilen.
Dieser Unterschied zählt vor allem dann, wenn die Aufgabe mehrere Stufen umfasst: eine Codebasis untersuchen, ein Problem nachverfolgen, einen möglichen Fix testen und dann erklären, was sich geändert hat. Ein größeres Token-Budget gibt dem Modell mehr Raum, diese Abfolge auszuführen. Es stellt für sich genommen nicht fest, dass jeder Schritt korrekt ist, daher müssen die Aussagen zur Leistung von Argon weiterhin neben den Tests und Beispielen gelesen werden, die Google geteilt hat.
Google sagt, das Modell werde im Unternehmen bereits für spezialisierte Programmierung, Forschung und das Schreiben eingesetzt. Zu den Beispielen gehören Arbeiten an Quantenalgorithmen, großen Softwaremigrationen und der Speichernutzung in den Rechenzentren von Google.
Die von Google gemeldeten Ergebnisse
Das Unternehmen meldet einen Wert von 77,9 % bei DeepSWE v1.1, einem Benchmark für Software-Engineering-Aufgaben mit längerem Horizont. Außerdem sagt es, Argon liege auf AutomationBench mit einem Wert von 51,3 % auf Platz eins und habe 91,7 % bei LVBench erreicht, einem Test für das Verstehen langer Videos.
Bei der Behebung von Schwachstellen meldet Google einen Wert von 68 % bei CWE-bench v1, punktgleich mit dem Spitzenergebnis. Das Unternehmen sagt außerdem, Argon führe beim Vals Index, der die wirtschaftliche Wirkung in Bereichen wie Finanzen, Programmierung, juristischer Arbeit und Steuern bewertet. Es meldet führende Ergebnisse bei Vals Finance Agent v2 und Harvey’s Legal Agent Benchmark, ohne in der Ankündigung Werte für diese Bewertungen anzugeben.
Diese Zahlen beschreiben von Google gemeldete Tests, keine universelle Rangliste. Benchmark-Ergebnisse hängen von Version und Methode des Tests ab, Vergleiche mit anderen Modellen sind also nur dann aussagekräftig, wenn diese Bedingungen übereinstimmen. Die Zahlen sind nützliche Belege dafür, was Google nach eigenen Angaben gemessen hat, kein Ersatz dafür zu sehen, wie das System in gewöhnlicher Arbeit abschneidet.
Code-Migrationen und Speichereinsparungen
Googles Beispiele aus internen Projekten bieten einen greifbareren Blick auf die vorgesehene Rolle des Modells. Argon-Agenten helfen dabei, Codebasen in C und C++ nach Rust zu überführen, darunter die Arbeit am Kernel Fuchsia Zircon, der nach Angaben des Unternehmens mehr als 800.000 Zeilen Code umfasst. Google sagt, diese Änderungen unterlägen automatisierten und manuellen Audits, Emulationstests und einem Review, bevor sie die Produktion erreichen.
In einem anderen Projekt ersetzten Agenten, die an libgav1 arbeiteten, Googles Open-Source-Videodecoder, 32.000 Zeilen SIMD-Code in einer bestehenden Rust-Portierung. Google sagt, die entstandene Version laufe 2,7-mal schneller als diese frühere Rust-Portierung und erzeuge dabei identische Videoausgabe. Das Unternehmen beschreibt das Ergebnis so, dass die Rust-Version näher an die optimierte C++-Implementierung heranrückt. Das ist eine engere und nützlichere Behauptung, als zu sagen, Rust sei irgendwie allgemein schneller als C++ geworden.
Google sagt außerdem, eine Gruppe von Argon-Agenten habe Profiling-Daten aus seiner Rechenzentrumsflotte analysiert und Speicheroptimierungen identifiziert. Die Änderungen hätten nach dem Rollout mehr als 300 TiB Speicher freigegeben, so das Unternehmen, das die gesamten möglichen Einsparungen auf 500 TiB bis 1 PiB schätzt. In einem separaten Beispiel aus dem Quantencomputing sagt Google, Argon habe eine veröffentlichte Baseline für den Ressourcenverbrauch einer Subroutine innerhalb von Minuten um 40 % verbessert.
Das sind vom Unternehmen gemeldete Ergebnisse aus interner Arbeit. Sie zeigen, welche Arten von Aufgaben Google Argon zuweist, und lassen die üblichen praktischen Fragen offen: wie viel menschliche Prüfung die Arbeit braucht, wie zuverlässig sie sich auf andere Organisationen überträgt und wie die Kosten im großen Maßstab aussehen.
Der Zugang zur Cybersicherheit beginnt bei vertrauenswürdigen Verteidigern
Argon ist darauf ausgelegt, Softwareschwachstellen zu finden, zu validieren und beim Patchen zu helfen. Google sagt, die ersten externen Nutzer seien vertrauenswürdige Cyber-Verteidiger, die über sein Fairwind Program teilnehmen. Das Unternehmen arbeitet außerdem mit Wiz zusammen, dessen Initiative Scan for Good das Modell nutzt, um hochriskante Expositionen in kritischer öffentlicher Infrastruktur zu suchen und zu beheben.
In einem frühen Beispiel sagt Google, Argon habe eine kritische Schwachstelle gefunden, die sensible personenbezogene Informationen in Gesundheitssoftware offenlegte, die weltweit von Krankenhäusern genutzt wird. Das Unternehmen sagt, frühere Frontier-Modelle hätten sie nicht entdeckt. Google berichtet außerdem, Argon habe sein vorheriges Modell 3.8 Flash Cyber bei einem internen Benchmark für Black-Box-Penetrationstests übertroffen, bei dem Modelle laufende Websysteme ohne Zugriff auf den Quellcode untersuchen.
Für vertrauenswürdige Verteidiger und interne Teams werde Google Argon ohne Cyber-Leitplanken bereitstellen, damit sie seine vollen Cybersicherheitsfähigkeiten nutzen können, sagt das Unternehmen. Dieser Zugang ist auf diese Gruppen beschränkt und keine allgemeine Veröffentlichung. Die Unterscheidung ist für den Rollout zentral: Ein Modell, das ernste Fehler finden und beheben kann, kann auch Risiken schaffen, wenn dieselben Fähigkeiten ohne Erlaubnis gegen Systeme eingesetzt werden.
Sicherheitsarbeit vor der breiteren Veröffentlichung
Google sagt, es verstärke die Schutzmaßnahmen gegen schädliche Cyberaktivität sowie gegen chemischen, biologischen, radiologischen und nuklearen Missbrauch. Es hat das Modell außerdem gegen indirect prompt injection getestet, bei der böswillige Anweisungen, die in Material versteckt sind, das ein Modell verarbeitet, versuchen, sein Verhalten umzulenken. Google sagt, Argon führe auf Gray Swan’s Indirect Prompt Injection benchmark.
Das Unternehmen beschreibt zusätzliche Maßnahmen, die das Schlussfolgern und die Handlungen des Modells auf Anzeichen von Fehlausrichtung überwachen, mit Systemen, die die Ausführung bei Bedarf stoppen können. Es sagt, ähnliches Monitoring sei während des Trainings eingesetzt worden, wobei Alarme an ein eigenes Incident-Response-Team gingen. Google sagt außerdem, es isoliere und sichere Sandbox-Umgebungen vor Trainings- und Evaluierungsläufen mit hohem Risiko.
Das sind Schutzmaßnahmen, die Google nach eigenen Angaben gebaut und getestet hat, keine Garantie dafür, dass jeder Fehlermodus gefunden wurde. Das Unternehmen plant, weiterhin Feedback von frühen Testern zu sammeln und seine Schutzmaßnahmen zu schärfen, bevor eine breitere Verfügbarkeit kommt. Es nimmt außerdem an einem freiwilligen Verfahren der US-Regierung für den Modellzugang vor der Veröffentlichung teil.
Preise und Verfügbarkeit
Google sagt, Argon werde zuerst an vertrauenswürdige Cyber-Verteidiger und Tester ausgerollt. Ein breiterer Zugang ist für Entwickler, Unternehmen und Verbraucher geplant, beginnend mit zahlenden API-Kunden und Abonnenten von Google AI Ultra. Allgemeinen öffentlichen Zugang hat das Unternehmen noch nicht geöffnet.
Der Einführungspreis der API beträgt 2 US-Dollar pro Million Input-Token und 10 US-Dollar pro Million Output-Token. Zwischengespeicherte Input-Token sind 95 % günstiger als der Standardpreis für Input. Die gemeldeten Preise nach der Aktion betragen 4 US-Dollar pro Million Input-Token und 20 US-Dollar pro Million Output-Token.
Ein langes Ausgabe-Limit macht Argon geeignet für Arbeit, die sich über viele Schritte ziehen kann. Es macht sorgfältiges Testen auch wichtiger, weil ein Modell nun viel länger an einer Aufgabe arbeiten kann, bevor jemand die Chance hat, es zu unterbrechen. Googles erste Veröffentlichung ist daher weniger ein öffentlicher Start als ein kontrollierter Versuch, und das ist wahrscheinlich die sinnvolle Reihenfolge, wenn der Verkaufspunkt des Produkts ist, dass es einfach weiterlaufen kann.