Co nowego w Gemini 4 Argon

Gemini 4 Argon (gemini-4-argon) to nasz najnowszy i najbardziej zaawansowany model. Może dłużej analizować trudne problemy, aby uzyskiwać lepsze wyniki w przypadku złożonych zadań związanych z kodowaniem, agentami, matematyką i nauką. Model Gemini 4 Argon jest dostępny w Gemini API i Google AI Studio.

Model Gemini 4 Argon obsługuje ujednolicone okno kontekstu o rozmiarze 1 mln tokenów, długie dekodowanie do 1 mln tokenów oraz dostosowywane poziomy myślenia (low, medium, high).

W tym przewodniku znajdziesz informacje o nowościach w Gemini 4 Argon, zmianach w interfejsie API, przykładach kodu i wskazówkach dotyczących migracji.

Nowy model

Szczegółowe informacje znajdziesz na stronie modelu Gemini 4 Argon. Szczegółowe informacje o cenach początkowych znajdziesz w sekcji Ceny na tej stronie lub na stronie cennika.

Krótkie wprowadzenie

Użyj tego przykładu, aby wysłać żądanie do gemini-4-argon z zalecanym domyślnym thinking_level (medium) i limitem 64 tys. tokenów wyjściowych:

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)

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);

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."
  }'

Co nowego w Gemini 4 Argon

• Ujednolicony limit 1 mln tokenów wejściowych i wyjściowych: dane wejściowe, myślenie i dane wyjściowe mają wspólne okno o rozmiarze 1 048 576 tokenów.
• Długie dekodowanie: pojedyncza odpowiedź może teraz przekraczać 64 tys. tokenów i sięgać nawet 1 mln tokenów minus dane wejściowe. Więcej informacji znajdziesz w sekcji Długie dekodowanie.
• Ogólna dostępność analizowania filmów przez agenta: ta funkcja jest już ogólnie dostępna.
• Obsługa w przypadku agentów zarządzanych: agent Antigravity w agentach zarządzanych Gemini obsługuje teraz Gemini 4 Argon.

Pełne specyfikacje znajdziesz na stronie modelu Gemini 4 Argon. Szczegółowe informacje o cenach znajdziesz na stronie cennika.

Większa ilość danych wyjściowych i długie dekodowanie

Model Gemini 4 Argon może dłużej analizować trudne problemy matematyczne, naukowe i związane z kodowaniem.

• Użyj thinking_level, aby kontrolować głębokość rozumowania: poziom myślenia określa, jak głęboko model analizuje problem przed udzieleniem odpowiedzi. max_output_tokens to limit bezwzględny: odpowiedź zatrzymuje się, gdy suma tokenów myślenia i wyjściowych osiągnie ten limit. Ustaw go na wystarczająco wysoką wartość, aby nie obcinać odpowiedzi.

• Generuj do 1 mln tokenów dzięki wykonywaniu w tle: użyj wykonywania w tle z max_output_tokens większym niż 65 536, aby pojedyncza odpowiedź mogła przekraczać 64 tys. tokenów i sięgać nawet 1 mln tokenów. Model generuje długie odpowiedzi w skokach do 64 tys. tokenów, a każdy skok kontynuuje działanie od miejsca, w którym skończył się poprzedni. W przypadku wykonywania w tle nasze serwery wykonują te skoki kontynuacji za Ciebie. Ponieważ każdy skok dodaje krok model_output do interaction.steps, po zakończeniu interakcji połącz tekst we wszystkich krokach model_output.

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)

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);

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

Wykonywanie w tle to najprostszy sposób na długie dekodowanie. Uruchamia pętlę kontynuacji po stronie serwera, dopóki model nie zakończy działania lub nie osiągnie max_output_tokens. Jeśli potrzebujesz bardziej szczegółowej kontroli nad ponownymi próbami, wycofywaniem i obsługą błędów (lub nie chcesz przechowywać interakcji), możesz użyć kontynuacji po stronie klienta w interfejsie GenerateContent API. Kontynuacja po stronie klienta będzie też już wkrótce dostępna w interfejsie Interactions API. Informacje o strumieniowaniu, ponownym łączeniu, zliczaniu tokenów i o tym, kiedy używać długiego dekodowania, znajdziesz w przewodniku po długim dekodowaniu.

Ustawianie limitów tokenów wyjściowych

max_output_tokens określa łączną liczbę tokenów myślenia i wyjściowych w odpowiedzi. Ustaw go na wystarczająco wysoką wartość, aby myślenie nie obcinało odpowiedzi, i na wystarczająco niską, aby ograniczyć wydatki, gdy trudny prompt wykorzystuje wszystkie tokeny.

Użyj tych wartości jako punktu wyjścia:

• Standardowe zadania: zachowaj domyślną wartość 65 536 lub nie ustawiaj żadnej wartości.
• Dotychczasowe aplikacje z limitem niższym niż 32 tys.: zwiększ max_output_tokens do co najmniej 32 768. Model Gemini 4 Argon może wykorzystywać większą część limitu na myślenie niż wcześniejsze modele. Aby używać mniejszej liczby tokenów, obniż poziom myślenia.
• Złożone rozumowanie i kodowanie: ustaw background: true i max_output_tokens na 131 072 lub 262 144, maksymalnie do 1 048 576 minus tokeny wejściowe.

Poziomy myślenia

Poziom myślenia to główna kontrola nad jakością, opóźnieniem i wykorzystaniem tokenów w Gemini 4 Argon:

Przeprowadź oceny na wszystkich 3 poziomach, a następnie wybierz najniższy poziom, który spełnia Twoje wymagania jakościowe. Więcej informacji znajdziesz w przewodniku po myśleniu.

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)

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);

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 w agentach zarządzanych

Agent Antigravity w agentach zarządzanych Gemini obsługuje Gemini 4 Argon. Aby go użyć, ustaw model w agent_config:

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)

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);

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"
    }
  }'

Więcej opcji znajdziesz w przewodniku po agencie Antigravity w sekcji Wybór modelu.

Lista kontrolna migracji

  `/gemini-api-dev migrate my app to Gemini 4 Argon`

Migracja do gemini-4-argon

• Zaktualizuj identyfikator modelu: zmień ciąg docelowego modelu na gemini-4-argon.
• Sprawdź max_output_tokens: jeśli obecnie ustawiasz go jawnie, rozważ jego zwiększenie. Zalecamy co najmniej 32 768, ponieważ Gemini 4 Argon może wykorzystywać większą część limitu na myślenie.
• Skonfiguruj poziom myślenia: wybierz low, medium (domyślnie) lub high i przetestuj zadanie na wszystkich 3 poziomach.
• Zrezygnuj z jawnej pamięci podręcznej kontekstu: Jawna pamięć podręczna kontekstu (cachedContents / caches.create) nie jest obsługiwana w Gemini 4 Argon. Usuń z żądań wywołania, które tworzą lub odwołują się do cached_content. Buforowanie niejawne jest domyślnie włączone w przypadku promptów o rozmiarze co najmniej 4096 tokenów i obniża koszt tokenów wejściowych z pamięci podręcznej o 95% w przypadku trafień w pamięci podręcznej.
• Usuń parametry próbkowania: usuń temperature, top_p i top_k z żądań. Jeśli zostaną podane, zostaną zignorowane.
• Używaj wykonywania w tle w przypadku długich danych wyjściowych: w przypadku zadań, które wymagają więcej niż 64 tys. tokenów, ustaw background na true, a max_output_tokens na wartość większą niż 65 536.
• Zwiększ limity czasu oczekiwania klienta: trudne prompty mogą trwać kilka minut. Użyj wykonywania w tle lub ustaw limity czasu oczekiwania klienta HTTP na co najmniej 15 minut.
• Zachowaj stan rozmowy na serwerze: w przypadku rozmów wieloetapowych i wywoływania funkcji użyj previous_interaction_id.

Ceny

Model Gemini 4 Argon jest dostępny w cenie początkowej do 30 listopada 2026 r.:

• Tokeny wejściowe: 2 USD za 1 mln tokenów (od 1 grudnia 2026 r.4 USD).
  • Tokeny wejściowe z pamięci podręcznej: buforowanie niejawne obniża koszt tokenów wejściowych z pamięci podręcznej o 95%, do 0,10 USD za 1 mln tokenów (od 1 grudnia 2026 r. 0,20 USD).
• Tokeny wyjściowe, w tym tokeny myślenia: 10 USD za 1 mln tokenów (od 1 grudnia 2026 r.20 USD).

Model Gemini 4 Argon nie jest dostępny w ramach poziomu bezpłatnego ani subskrypcji Google AI Pro. Pełne informacje o pakietach znajdziesz na stronie cennika.

Inne modele

• Gemini 3.8 Flash
• Gemini 3.6 Flash i 3.5 Flash-Lite
• Zobacz wszystkie modele

Co dalej?

• Informacje o strumieniowaniu, ponownym łączeniu i zliczaniu tokenów znajdziesz w przewodniku po długim dekodowaniu.
• Dowiedz się, jak działają poziomy myślenia i podsumowania myśli, w przewodniku po myśleniu.
• Więcej informacji o długotrwałych zadaniach znajdziesz w przewodniku po wykonywaniu w tle.
• Testuj i dopracowuj prompty w Google AI Studio.