Gemini 4 Argon: un model care găsește breșe, dat întâi celor care le repară

În 1894, Lord Rayleigh și William Ramsay au izolat din aer un gaz nou și l-au numit după grecescul argos, „leneș”: nu reacționa cu aproape nimic. Inerția a devenit o calitate. În sudură, argonul ține aerul departe de metalul topit, iar la Arhivele Naționale ale SUA, Declarația de Independență și Constituția stau din 2003 în carcase sigilate, umplute cu argon. E gazul pe care îl pui între un lucru valoros și ce l-ar putea strica.

Pe 30 septembrie 2026, Google a anunțat Gemini 4 Argon, noul său model de vârf, construit pentru programare în baze de cod reale, pentru muncă de birou specializată, cum ar fi cea juridică și financiară, și pentru apărare cibernetică. Deocamdată, modelul ajunge doar la un grup de apărători cibernetici verificați, prin programul Fairwind, iar la ei vine fără limitele obișnuite pentru securitatea cibernetică. Programatorii, firmele și abonații îl vor primi „cât mai curând”, fără o dată.

E a treia lansare de model mare în trei zile, după Claude Sonnet 5.5 și GPT-6.1 Sol, și singura pe care n-o poți încerca. Pentru o firmă din România contează două întrebări. Ce aduce Argon când ajunge la tine și cât costă pe sarcină: cifrele independente arată unde conduce și unde nu. Și ce faci până atunci, acum că un model care găsește, dovedește și repară singur breșe ajunge întâi la cei care le repară.

Ce s-a anunțat, pe scurt

Ce arată cifrele: primul la munca de birou, nu și în terminal

Google compară Argon cu cele mai puternice modele ale OpenAI și Anthropic pe 19 teste, de la munca de birou la securitate:

Din tabel se văd patru lucruri:

1. Avansul mare e la munca de birou. Pe AutomationBench, un flux de business contează doar dacă toate datele ajung corect în aplicații, fără punctaj parțial. Argon duce la capăt 51,3% din fluxuri. Înainte de el, cel mai bun scor din clasamentul Zapier era al lui Claude Sonnet 5.5, cu 44,8%, care nici nu apare în tabelul Google. În articolul despre GPT-6.1 Sol scriam că cel mai bun model termina cam patru fluxuri din zece; Argon trece de unul din două. La cercetarea financiară are 6,5 puncte avans, iar pe documentele foarte lungi, între 256.000 și 1 milion de tokens, 12,4 puncte.
2. Unde pierde, pierde clar, iar textul anunțului nu pomenește asta. Pe Terminal-Bench 4.0, adică programare în terminal, Argon e ultimul dintre cele patru modele, la 9 puncte sub Opus 5.5. Pe FrontierSWE v2 e tot ultimul, la 10,5 puncte sub GPT-6 Astra. E în urmă și la cercetarea științifică în terminal, la antrenarea altor modele și la lucrul în aplicații pe OSWorld.
3. Unele avansuri sunt mici. Pe Vals Index, Argon are 1,9 puncte peste Opus 5.5, iar Vals raportează pentru fiecare model o eroare standard de aproape un punct. La citirea graficelor, avansul e de 0,6 puncte, iar pe CWE-bench e egalitate cu GPT-6 Astra.
4. Saltul de pe testul juridic e real, dar se citește cu grijă. Argon rezolvă complet 19,6% din sarcinile juridice, față de 3,8–6,7% la celelalte trei modele. În clasamentul complet al Vals e însă pe locul 5: patru modele Muse Spark de la Meta stau mai sus, cu până la 25,4%. Și, mai important, Argon bifează 94% din criteriile individuale ale sarcinilor, dar duce complet la capăt doar una din cinci. Munca juridică făcută de model e aproape corectă de cele mai multe ori și complet corectă rar, așa că verificarea unui jurist rămâne obligatorie.

Cât costă: același preț per token ca Opus 5.5, alt cost pe sarcină

Google anunță un preț introductiv de 2 $ per milion de tokens de intrare și 10 $ la ieșire, cât Claude Sonnet 5.5 și GPT-6.1 Sol. După perioada introductivă, prețul devine 4 $ / 20 $, exact cât Claude Opus 5.5. Cât durează perioada, Google nu spune. La Gemini 3.8 Flash, lansat pe 2 septembrie, a procedat la fel: prețul introductiv expiră pe 31 decembrie 2026, apoi se dublează.

Anunțul nu spune cât costă o sarcină. Spun însă două clasamente independente pe care Google le citează: Vals AI, pentru munca profesională, și Zapier, pentru AutomationBench. Amândouă calculează costul la prețul standard al fiecărui model, din tokenii consumați efectiv în teste:

1. Pe Vals Index, la același preț per token ca Opus 5.5, Argon costă pe sarcină jumătate și termină mai repede: 46 de minute în medie, față de 79. A consumat mai puțin de jumătate din tokenii lui Opus 5.5, atât la intrare, cât și la ieșire. E inversul cazului Claude Sonnet 5.5, unde un preț per token la jumătate nu garanta, la efort mare, un cost pe sarcină la jumătate.
2. Nu peste tot. Pe AutomationBench, la prețul standard, Argon costă pe sarcină mai mult decât Opus 5.5 și Sonnet 5.5 (1,70 $ față de 1,44 $ și 1,14 $), dar duce la capăt cu 8,8 puncte mai multe fluxuri decât Opus 5.5 și cu 6,5 mai multe decât Sonnet 5.5. Pe Terminal-Bench 4.0 e și mai scump, și mai slab decât Opus 5.5.
3. Pe CWE-bench, testul de reparare a vulnerabilităților, Collinear a calculat costul lui Argon chiar la prețul introductiv: 6,63 $ pe rulare, față de 0,79 $ la Opus 5.5, care are un punct mai puțin. La prețul standard, diferența ar fi mai mare.
4. Pe volume mari, comparația utilă e cu modelele ieftine. GPT-6.1 Sol ia 61,2% pe Vals Index, la 3,24 $ pe sarcină, adică o cincime din costul lui Argon pentru 7,7 puncte mai puțin. Iar dacă vrei Google azi, Gemini 3.8 Flash e al doilea pe Finance Agent v2, cu 61,4% la 2,00 $ pe sarcină, peste toate modelele Anthropic și OpenAI.

Plafonul nou de ieșire schimbă și el calculul. Un singur răspuns care folosește tot milionul de tokens costă 20 $ la prețul standard, doar pentru ieșire. Iar pe sarcinile din Vals Index, Argon a lucrat în medie 46 de minute pe sarcină: sunt rulări lungi de agent, nu răspunsuri de chat.

Securitatea: ce face Argon și de ce nu îl primește oricine

Pagina DeepMind dedicată modelului descrie trei capacități. Argon caută singur vulnerabilități în baze de cod complexe. Face teste de penetrare „black-box”: atacă un site doar prin ce se vede din afară, fără codul sursă, îi găsește suprafața de atac și produce dovezi că breșele pot fi exploatate. Și repară: scrie corecturi și le validează, ca apărătorii să închidă breșele înainte să le găsească atacatorii.

Singurul test public din zona de securitate e CWE-bench v1, al firmei Collinear: 120 de sarcini în care agentul primește un depozit de cod real și trebuie să găsească și să repare ce e greșit, fără să i se spună ce caută. O reparație contează doar dacă exploit-ul nu mai funcționează și toate testele existente trec în continuare. Argon are 68% la prima încercare, la egalitate cu Grok 4.7 și GPT-6 Astra, iar Claude Opus 5.5 are 67%. La patru încercări, ordinea se schimbă: Grok 4.7 ajunge la 81%, Opus 5.5 la 79%, Argon la 75%.

Concluzia practică: capacitatea de a găsi și repara vulnerabilități nu mai e o exclusivitate. Pe singurul test public, trei modele disponibile public sunt la cel mult un punct de Argon. Ce ține Google deocamdată pentru apărători e versiunea fără limite, care face și teste de penetrare și scrie exploit-uri.

Wiz, firmă de securitate cloud, folosește deja Argon în programul Scan for Good, prin care caută gratuit expuneri grave în infrastructura publică critică. Google scrie că, într-o primă demonstrație, modelul a găsit o vulnerabilitate critică într-un software folosit de spitale din toată lumea, care expunea date personale sensibile și pe care modelele de vârf anterioare nu o observaseră. Anunțul nu numește produsul.

Programul Fairwind

Fairwind a pornit pe 2 septembrie, odată cu Gemini 3.8 Flash Cyber, și are peste 650 de parteneri. Prioritate au guvernele și autoritățile naționale de securitate cibernetică, operatorii de infrastructură critică, din sănătate, telecomunicații, energie și finanțe, și platformele tehnologice de care depind milioane de utilizatori. Condițiile sunt stricte: modelul poate fi folosit doar de echipele interne de securitate, de răspuns la incidente sau de testare de penetrare, cu autentificare multifactor rezistentă la phishing și cu evidența accesului fiecărui angajat. Accesul nu poate fi revândut, iar Google verifică istoricul fiecărei organizații care aplică. Sunt permise sarcinile cu dublă utilizare făcute în scop defensiv sau academic, ca simularea autorizată a atacurilor, ingineria inversă sau analiza malware-ului. Crearea de malware nu e permisă.

Logica e cea a divulgării coordonate, pe care industria securității o aplică de mult vulnerabilităților: cine găsește o breșă îl anunță întâi pe cel care o poate repara, îi lasă timp, iar detaliile devin publice abia după aceea. Google aplică aceeași regulă unui model întreg. Pagina programului spune direct de ce: aceleași capacități care ajută la găsirea și repararea rapidă a breșelor pot deveni, în mâini greșite, o amenințare la fel de mare.

Siguranța: ce promite Google înainte de lansarea largă

Înainte să deschidă modelul pentru toți, Google spune că întărește protecțiile pe patru direcții:

• Abuzul: modelul refuză cererile pentru atacuri cibernetice sau chimice, biologice, radiologice și nucleare, dar păstrează cercetarea științifică legitimă. Google urmărește și activările interne ale modelului, ca să depisteze abuzul, iar protecțiile au fost atacate, manual și automat, de echipe interne și externe.
• Instrucțiunile ascunse (prompt injection): textul dintr-un email sau dintr-o pagină web care încearcă să deturneze agentul. Pe testul Gray Swan, Argon are cea mai mică rată de reușită a atacurilor.
• Comportamentul care iese din intenția utilizatorului: un sistem separat urmărește raționamentul și acțiunile lui Argon și oprește execuția când e nevoie. Un sistem asemănător a supravegheat și antrenarea. Google spune că a evitat să folosească în antrenare ce a găsit acest sistem, ca să nu-l învețe pe model să-și ascundă raționamentul, și cere restului industriei să păstreze raționamentul modelelor lizibil.
• Mediile de test: cele în care se fac antrenările și evaluările cu risc ridicat sunt izolate și sigilate înainte de pornire.

Între Argon și Opus 5.5 diferența e mică, iar între cele mai bune modele și restul, mare. Pentru o firmă contează însă altceva: 0,7% după 15 încercări nu înseamnă zero, iar un atacator care trimite emailuri unui agent are câte încercări vrea. Dacă un agent citește mesaje din afară și poate trimite emailuri sau plăți, protecția reală rămâne în permisiuni și în aprobarea unui om.

Ce spune Google că a făcut cu Argon intern

Google folosește deja modelul în interior, iar anunțul dă câteva exemple:

• Calcul cuantic: a optimizat resursele unor subrutine care încetinesc aplicații importante; într-un caz, a depășit cu 40% rezultatul publicat de referință, în câteva minute.
• Memorie: o echipă de agenți Argon a analizat datele de profilare din centrele de date Google și a aplicat singură optimizări care au eliberat peste 300 TiB de memorie, cu o economie totală estimată între 500 TiB și 1 PiB.
• Migrări de cod: agenți Argon mută cod din C/C++ în Rust, de la zeci de mii de linii în biblioteci ca re2 și libgav1 până la peste 800.000 de linii pentru nucleul Zircon din Fuchsia. Rescrierile trec prin audit automat și manual înainte de producție.
• Video: în libgav1, decodorul video open source al Google, agenții au înlocuit 32.000 de linii de cod SIMD cu Rust sigur, pe care compilatorul îl vectorizează singur. Decodorul rezultat rulează de 2,7 ori mai repede decât versiunea Rust anterioară, cu același rezultat video.

Sunt rezultate raportate de Google, pe codul Google, verificate de echipele Google. Arată ce tip de muncă îi priește modelului: sarcini lungi, în mulți pași, al căror rezultat se poate verifica.

Ce înseamnă pentru o firmă din România

Azi nu ai ce cumpăra. Argon e la apărătorii din Fairwind, iar o firmă obișnuită nu intră în program. După criteriile publicate, profilul eligibil e o autoritate națională de securitate cibernetică, un operator de infrastructură critică, cum ar fi o companie de energie, un operator telecom, o bancă sau un spital, ori o platformă tehnologică folosită de milioane de oameni.

La lansarea largă, primii sunt clienții plătitori ai API-ului Gemini și abonații Google AI Ultra. În România, Ultra pornește de la 499,99 lei pe lună, după pagina Google One afișată pe 1 octombrie. Google nu a dat o dată și nici detalii pe regiuni.

Partea de securitate te privește însă de azi. Modelele care găsesc și repară vulnerabilități sunt deja publice, la un punct de Argon pe CWE-bench, iar Google însuși tratează capacitatea asta ca pe un risc în mâini greșite. Google descrie avantajul apărătorului ca timpul scurtat dintre descoperirea unei breșe și repararea ei. Pentru o firmă mică, asta înseamnă actualizări aplicate în zile, nu în luni.

Dacă ai cod propriu în producție, nu trebuie să aștepți Argon. Google spune că orice client Google Cloud poate folosi CodeMender, agentul său de reparare a codului, cu modelele disponibile public, iar Anthropic oferă Claude Security clienților Claude Enterprise.

Ce faci concret, în ordinea asta

1. Nu amâna nimic în așteptarea lui Argon: nu are dată. Pe munca de birou, Claude Sonnet 5.5 și Opus 5.5 sunt la mai puțin de două puncte de el pe Vals Index și le poți folosi azi.
2. Când îți faci bugetul, calculează la prețul standard, 4 $ / 20 $. Prețul introductiv e la jumătate, dar Google nu spune cât durează.
3. Când devine disponibil, testează-l întâi unde e cel mai puternic: fluxuri în mai mulți pași între aplicații, analize financiare, documente și videoclipuri lungi. Pentru programarea în terminal, compară-l cu Opus 5.5 pe sarcinile tale înainte să schimbi.
4. Pune plafoane: o limită de tokens de ieșire pe cerere și un buget lunar în consola API. Cu plafonul nou, un singur răspuns poate costa 20 $ doar la ieșire.
5. Verifică rezultatul, nu raportul agentului. Chiar și cel mai bun model termină corect cam un flux din doi, iar Zapier a observat, într-o analiză pe modele mai vechi, că între 72% și 91% din eșecuri erau raportate de agent drept reușite.
6. Fă lista cu ce ai expus pe internet, de la site și magazinul online la VPN și accesul la distanță, și stabilește cine aplică actualizările și în cât timp. Pornește actualizările automate unde se poate.
7. Pune autentificare rezistentă la phishing, cu chei de securitate sau passkeys, pe conturile de administrator. Google o cere partenerilor Fairwind; e un standard bun și pentru o firmă de 20 de oameni.
8. Dacă ai agenți care citesc emailuri sau documente din afară, limitează ce pot trimite și ce pot plăti și păstrează aprobarea unui om. Niciun model din testul Gray Swan nu e la zero.

Concluzie

Pe munca de birou, Gemini 4 Argon e cel mai bun model de până acum, după cifrele independente: duce la capăt un flux de business din doi și, pe Vals Index, costă pe sarcină jumătate cât Opus 5.5, la același preț per token. Nu e cel mai bun peste tot. La programarea în terminal, Opus 5.5 rămâne înainte, pe AutomationBench costul pe sarcină e mai mare decât la modelele Anthropic, iar avansul pe Vals Index e sub două puncte.

Partea mai importantă e alta. Un model care găsește breșe, le dovedește și le repară ajunge întâi la cei care le repară. Argonul și-a primit numele de la lene și a ajuns să fie folosit ca scut. Google i-a dat modelului, deocamdată, același rol. Fereastra pe care o primesc apărătorii e, indirect, și a ta: o folosești ca să aduci la zi ce ai expus pe internet.