Gemini 4 Argon (gemini-4-argon) adalah model terbaru dan tercanggih kami. Model ini dapat melakukan penalaran lebih lama pada masalah sulit untuk memberikan hasil yang lebih baik pada tugas coding, agentic, matematika, dan sains yang kompleks. Gemini 4 Argon tersedia melalui Gemini API dan di Google AI Studio.
Gemini 4 Argon mendukung jendela konteks 1 juta token terpadu, dekode panjang hingga 1 juta token, dan level penalaran yang dapat disesuaikan (low, medium, high).
Coba di AI Studio
Bangun aplikasi dari awal dengan Gemini 4 Argon dan AI Studio.
Galeri Aplikasi
Mainkan dan remix aplikasi, yang dibuat dengan Gemini 4 Argon.
Mulai
Mulai gunakan Gemini 4 Argon dengan perintah pemicu.
Panduan ini menjelaskan hal-hal baru di Gemini 4 Argon, perubahan API, contoh kode, dan panduan migrasi.
Model baru
| Model | ID Model | Tingkat penalaran default | Harga | Deskripsi |
|---|---|---|---|---|
| Gemini 4 Argon | gemini-4-argon |
medium |
Tersedia hingga 30 November 2026 dengan harga perkenalan $2/1 juta token input dan $10/1 juta token output (setelahnya $4/1 juta token input dan $20/1 juta token output). Lihat harga untuk mengetahui detail selengkapnya. | Model tercanggih kami, yang dibuat untuk memecahkan masalah tersulit dengan mendalam dan presisi di berbagai tugas rekayasa software dan pekerjaan pengetahuan di dunia nyata. |
Untuk mengetahui detail selengkapnya, lihat halaman model Gemini 4 Argon. Untuk mengetahui detail harga perkenalan, lihat bagian harga di bagian bawah halaman ini atau halaman harga.
Panduan memulai
Gunakan contoh berikut untuk mengirim permintaan ke gemini-4-argon dengan thinking_level default yang direkomendasikan (medium) dan batas token output 64K:
Python
from google import genai
client = genai.Client()
interaction = client.interactions.create(
model="gemini-4-argon",
input="Write a three.js script that renders a realistic 3D black hole with gravitational lensing."
)
print(interaction.output_text)
JavaScript
import { GoogleGenAI } from "@google/genai";
const client = new GoogleGenAI({});
const interaction = await client.interactions.create({
model: "gemini-4-argon",
input: "Write a three.js script that renders a realistic 3D black hole with gravitational lensing.",
});
console.log(interaction.output_text);
REST
curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"model": "gemini-4-argon",
"input": "Write a three.js script that renders a realistic 3D black hole with gravitational lensing."
}'
Yang baru di Gemini 4 Argon
- Batas token input-output 1 juta terpadu: Input, penalaran, dan output berbagi satu jendela berisi 1.048.576 token.
- Dekode panjang: Satu respons kini dapat melampaui 64 ribu token, hingga 1 juta token dikurangi input Anda. Lihat Dekode panjang.
- Pemahaman video agentic tersedia secara umum: Pemahaman video agentic kini tersedia secara umum.
- Didukung di Agen Terkelola: Agen Antigravity di Agen Terkelola Gemini kini mendukung Gemini 4 Argon.
Untuk mengetahui spesifikasi lengkapnya, lihat halaman model Gemini 4 Argon. Untuk mengetahui detail harga, lihat halaman harga.
Output lebih besar dan dekode panjang
Gemini 4 Argon dapat berpikir lebih lama untuk menyelesaikan soal matematika, sains, dan coding yang sulit.
- Gunakan
thinking_leveluntuk mengontrol kedalaman penalaran: Tingkat penalaran menentukan seberapa dalam model melakukan penalaran sebelum menjawab.max_output_tokensadalah batas tetap: respons akan berhenti setelah penalaran dan output mencapai batas tersebut, jadi tetapkan nilai yang cukup tinggi agar jawaban tidak terpotong. Buat hingga 1 juta token dengan eksekusi latar belakang: Gunakan eksekusi latar belakang dengan
max_output_tokenslebih besar dari 65.536 untuk memungkinkan satu respons melampaui 64 ribu token, hingga 1 juta token. Model ini menghasilkan respons panjang dalam lompatan hingga 64 ribu token, dan setiap lompatan berlanjut dari tempat lompatan sebelumnya berhenti. Dengan eksekusi latar belakang, server kami menjalankan hop kelanjutan ini untuk Anda. Karena setiap hop menambahkan langkahmodel_outputkeinteraction.steps, gabungkan teks di semua langkahmodel_outputsaat interaksi selesai.
Python
import time
from google import genai
client = genai.Client()
interaction = client.interactions.create(
model="gemini-4-argon",
input="Write a complete, rigorous proof of the prime number theorem.",
background=True,
generation_config={
"max_output_tokens": 262144,
"thinking_level": "high",
},
)
while interaction.status in ("in_progress", "queued"):
time.sleep(5)
interaction = client.interactions.get(id=interaction.id)
# Each hop adds a model_output step, so join the text of all of them.
text = "".join(
content.text
for step in interaction.steps
if step.type == "model_output"
for content in step.content
if content.type == "text"
)
print(text)
print("Status:", interaction.status)
print("Usage:", interaction.usage)
JavaScript
import { GoogleGenAI } from "@google/genai";
const client = new GoogleGenAI({});
let interaction = await client.interactions.create({
model: "gemini-4-argon",
input: "Write a complete, rigorous proof of the prime number theorem.",
background: true,
generation_config: {
max_output_tokens: 262144,
thinking_level: "high",
},
});
while (interaction.status === "in_progress" || interaction.status === "queued") {
await new Promise((resolve) => setTimeout(resolve, 5000));
interaction = await client.interactions.get(interaction.id);
}
// Each hop adds a model_output step, so join the text of all of them.
const text = interaction.steps
.filter((step) => step.type === "model_output")
.flatMap((step) => step.content ?? [])
.filter((content) => content.type === "text")
.map((content) => content.text)
.join("");
console.log(text);
console.log("Status:", interaction.status);
console.log("Usage:", interaction.usage);
REST
ID=$(curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-4-argon",
"input": "Write a complete, rigorous proof of the prime number theorem.",
"background": true,
"generation_config": {
"max_output_tokens": 262144,
"thinking_level": "high"
}
}' | jq -r '.id')
while true; do
RESP=$(curl -s "https://generativelanguage.googleapis.com/v1beta/interactions/$ID" \
-H "x-goog-api-key: $GEMINI_API_KEY")
STATUS=$(echo "$RESP" | jq -r '.status')
if [[ "$STATUS" != "in_progress" && "$STATUS" != "queued" ]]; then
echo "$RESP" | jq -r '[.steps[]? | select(.type == "model_output") | .content[]? | select(.type == "text") | .text] | join("")'
break
fi
sleep 5
done
Eksekusi latar belakang adalah cara termudah untuk menjalankan dekode yang panjang. Fungsi ini menjalankan loop lanjutan di sisi server hingga model selesai atau mencapai max_output_tokens. Jika Anda memerlukan kontrol yang lebih mendetail atas percobaan ulang, backoff, dan penanganan error (atau tidak ingin interaksi Anda disimpan), Anda dapat menggunakan kelanjutan sisi klien di GenerateContent API. Kelanjutan sisi klien juga akan segera hadir di Interactions API. Untuk streaming, koneksi ulang, penghitungan token, dan kapan harus menggunakan dekode panjang, lihat panduan dekode panjang.
Menetapkan batas token output
max_output_tokens menetapkan total token penalaran dan output untuk respons. Tetapkan nilai yang cukup tinggi agar penalaran tidak memotong jawaban, dan cukup rendah untuk membatasi pengeluaran saat perintah yang sulit menggunakan semuanya.
Gunakan nilai ini sebagai titik awal:
- Tugas standar: Pertahankan nilai default 65.536 atau jangan tetapkan nilai apa pun.
- Aplikasi yang sudah ada dengan batas lebih rendah dari 32K: Naikkan
max_output_tokensmenjadi minimal 32.768. Gemini 4 Argon dapat menggunakan lebih banyak batas untuk berpikir dibandingkan model sebelumnya. Untuk menggunakan lebih sedikit token, turunkan tingkat penalaran. - Penalaran dan coding yang kompleks: Tetapkan
background: truedan tetapkanmax_output_tokenske 131.072 atau 262.144, hingga 1.048.576 dikurangi token input Anda.
Memahami tingkat penalaran
Tingkat penalaran adalah kontrol utama Anda atas kualitas, latensi, dan penggunaan token di Gemini 4 Argon:
| Tingkat penalaran | Penggunaan token | Kapan digunakan |
|---|---|---|
low |
Token paling sedikit, latensi terendah | Tugas yang lebih sederhana dan pekerjaan yang sensitif terhadap biaya. Juga berfungsi untuk tugas analisis dan penulisan yang memerlukan pemikiran ringan. Kualitas dapat menurun pada tugas yang sulit. |
medium (default) |
Seimbang | Direkomendasikan untuk sebagian besar tugas, termasuk kode yang kompleks dan kasus penggunaan agentic. |
high |
Token terbanyak, token pertama paling lambat | Penalaran kompleks, matematika dan sains yang sulit, serta tugas kode atau agen yang paling sulit. Cocok dengan dekode panjang untuk output panjang. |
Jalankan evaluasi di ketiga level, lalu pilih level terendah yang memenuhi standar kualitas Anda. Untuk mempelajari lebih lanjut, lihat panduan penalaran.
Python
from google import genai
client = genai.Client()
interaction = client.interactions.create(
model="gemini-4-argon",
input="Analyze this payment processing pipeline for race conditions during retry attempts and rewrite the transaction locks safely.",
generation_config={
"thinking_level": "medium" # Balanced reasoning effort for complex tasks
}
)
print(interaction.output_text)
JavaScript
import { GoogleGenAI } from "@google/genai";
const client = new GoogleGenAI({});
const interaction = await client.interactions.create({
model: "gemini-4-argon",
input: "Analyze this payment processing pipeline for race conditions during retry attempts and rewrite the transaction locks safely.",
generation_config: {
thinking_level: "medium", // Balanced reasoning effort for complex tasks
},
});
console.log(interaction.output_text);
REST
curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-X POST \
-d '{
"model": "gemini-4-argon",
"input": "Analyze this payment processing pipeline for race conditions during retry attempts and rewrite the transaction locks safely.",
"generation_config": {
"thinking_level": "medium"
}
}'
Gemini 4 Argon di Agen Terkelola
Agen Antigravity di Agen Terkelola Gemini mendukung Gemini 4 Argon. Untuk menggunakannya, tetapkan model di agent_config:
Python
from google import genai
client = genai.Client()
interaction = client.interactions.create(
agent="antigravity-preview-09-2026",
input=(
"Audit https://web.dev for performance, Core Web Vitals, and SEO. "
"Query Google's PageSpeed Insights API for both Mobile and Desktop strategies. "
"Check search indexing with Google Search for site:web.dev. "
"Format the output as a side-by-side scorecard table with prioritized fixes."
),
environment="remote",
agent_config={
"type": "antigravity",
"model": "gemini-4-argon",
},
)
print(interaction.output_text)
JavaScript
import { GoogleGenAI } from "@google/genai";
const client = new GoogleGenAI({});
const interaction = await client.interactions.create({
agent: "antigravity-preview-09-2026",
input:
"Audit https://web.dev for performance, Core Web Vitals, and SEO. " +
"Query Google's PageSpeed Insights API for both Mobile and Desktop strategies. " +
"Check search indexing with Google Search for site:web.dev. " +
"Format the output as a side-by-side scorecard table with prioritized fixes.",
environment: "remote",
agent_config: {
type: "antigravity",
model: "gemini-4-argon",
},
}, { timeout: 300000 });
console.log(interaction.output_text);
REST
curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "Content-Type: application/json" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-d '{
"agent": "antigravity-preview-09-2026",
"input": "Audit https://web.dev for performance, Core Web Vitals, and SEO. Query Google'\''s PageSpeed Insights API for both Mobile and Desktop strategies. Check search indexing with Google Search for site:web.dev. Format the output as a side-by-side scorecard table with prioritized fixes.",
"environment": "remote",
"agent_config": {
"type": "antigravity",
"model": "gemini-4-argon"
}
}'
Untuk opsi lainnya, lihat pemilihan model di panduan agen Antigravity.
Checklist migrasi
`/gemini-api-dev migrate my app to Gemini 4 Argon`
Bermigrasi ke gemini-4-argon
- Memperbarui ID model: Ubah string model target Anda menjadi
gemini-4-argon. - Tinjau
max_output_tokens: Jika Anda menetapkannya secara eksplisit saat ini, pertimbangkan untuk menaikkannya. Sebaiknya gunakan minimal 32.768, karena Gemini 4 Argon dapat menggunakan lebih banyak batas untuk penalaran. - Konfigurasi tingkat penalaran: Pilih
low,medium(default), atauhigh, dan uji workload Anda di ketiga tingkat tersebut. - Beralih dari cache konteks eksplisit: Cache eksplisit (
cachedContents/caches.create) tidak didukung di Gemini 4 Argon. Hapus panggilan yang membuat atau mereferensikancached_contentdari permintaan Anda. Penyimpanan ke cache implisit diaktifkan secara default untuk perintah dengan minimal 4.096 token dan memberikan diskon 95% untuk token input yang di-cache saat cache ditemukan. - Hapus parameter pengambilan sampel: Hapus
temperature,top_p, dantop_kdari permintaan Anda. Jika disediakan, parameter tersebut akan diabaikan. - Gunakan eksekusi latar belakang untuk output panjang: Untuk tugas yang memerlukan lebih dari 64 ribu token, tetapkan
backgroundke true danmax_output_tokenslebih besar dari 65.536. - Tingkatkan waktu tunggu klien: Perintah sulit dapat memerlukan waktu beberapa menit. Gunakan eksekusi latar belakang, atau tetapkan waktu tunggu klien HTTP minimal 15 menit.
- Menyimpan status percakapan di server: Gunakan
previous_interaction_iduntuk percakapan multi-turn dan panggilan fungsi.
Harga
Gemini 4 Argon tersedia dengan harga perkenalan hingga 30 November 2026:
- Token input: $2,00 per 1 juta token ($4,00 mulai 1 Desember 2026)
- Token input yang di-cache: Cache implisit mendiskon input yang di-cache sebesar 95%, menjadi $0,10 per 1 juta token ($0,20 mulai 1 Desember 2026).
- Token output, termasuk token penalaran: $10,00 per 1 juta token ($20,00 mulai 1 Desember 2026)
Gemini 4 Argon tidak tersedia di paket Gratis. Untuk mengetahui tingkat harga lengkap, lihat halaman harga.
Model lainnya
Langkah berikutnya
- Baca panduan dekode panjang untuk streaming, koneksi ulang, dan penghitungan token.
- Pelajari cara kerja tingkat penalaran dan ringkasan penalaran dalam panduan penalaran.
- Pelajari tugas yang berjalan lama di panduan eksekusi latar belakang.
- Menguji dan menyempurnakan perintah di Google AI Studio.