# Gemini 4 Argon: 1M токенов, кодинг и киберзащита

> 2026-09-30 · AI Release · @ai_release1

> #Gemini #Google #frontier #cybersecurity #coding

### ⚡ Главное за 5 секунд - **Суть:** Google представила фронтальную модель Gemini 4 Argon для сложных длительных задач в разработке ПО, юридической и финансовой сфере, а также киберзащите. - **Доступность:** модель разворачивается для доверенных киберзащитников через программу Fairwind и уже используется внутри Google. - **Ограничение:** из-за высокого уровня возможностей выпуск поэтапный: сначала через участие в добровольном процессе правительства США по предрелизному доступу, а публичный релиз позже. ### 🔍 Что обнаружено В статье от 30 сентября 2026 года Корэ Кавукчуоглу (SVP Google DeepMind и главный AI-архитектор Google) объявляет о запуске Gemini 4 Argon. Модель уже работает внутри компании: тысячи сотрудников используют её для специализированных задач кодинга, исследований и написания текстов. Внутренние результаты впечатляют: в оптимизации квантовых алгоритмов Argon за минуты улучшила базовый показатель на 40%; агенты модели проанализировали телеметрию и применили оптимизации памяти, освободив более 300 ТиБ памяти в дата-центрах, с оценкой суммарной экономии от 500 ТиБ до 1 ПиБ. Также идёт миграция C/C++ кодовых баз на Rust: от десятков тысяч строк в библиотеках re2 и libgav1 до 800K+ строк в ядре Fuchsia Zircon. Ключевая особенность Argon — расширенный лимит выходных токенов: 1 миллион против прежних 64 тысяч. Это позволяет модели генерировать сотни тысяч токенов за один проход, углубляя рассуждения. Цена запуска: $2 за миллион входных токенов, $10 за миллион выходных, кэшированные входные — со скидкой 95%. Модель показывает новые рекорды: DeepSWE v1.1 — 77,9% в реальных задачах программной инженерии, лидерство в Vals Index (финансы, кодинг, право, налоги), 51,3% в AutomationBench Zapier, 91,7% в LVBench для длинных видео. В кибербезопасности Argon может автономно находить, проверять и исправлять критические уязвимости. Компания Wiz уже использует её в инициативе Scan for Good, и модель обнаружила критическую уязвимость, раскрывающую чувствительные данные. ### 💡 Почему это важно Увеличение контекста до 1M токенов означает, что ИИ может обрабатывать огромные объёмы информации за один заход — от анализа больших кодовых баз до юридических документов и финансовых исследований. Автономная киберзащита с патчингом уязвимостей может кардинально ускорить реагирование на угрозы, особенно для критической инфраструктуры. Внутренние примеры Google показывают практическую пользу для инженерной продуктивности, а бенчмарки подтверждают превосходство в экономически значимых рабочих процессах. ### 🧩 Контекст Google подчёркивает, что безопасный релиз таких возможностей требует поэтапного подхода. Argon уже включена в добровольный процесс правительства США по предрелизному доступу, а компания собирает отзывы первых тестеров, итеративно улучшая защитные механизмы перед широким запуском для разработчиков, предприятий и потребителей. Параллельно модель активно используется внутри Google, где она ускоряет различные направления, включая квантовые вычисления, оптимизацию памяти и миграцию больших кодовых баз на безопасный язык Rust.

[Источник](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/)