API Gemini 4 Argon: Harga, Ruang Uji, dan Contoh

Apa Itu Gemini 4 Argon?

Model penalaran unggulan Google untuk rekayasa kompleks dan pekerjaan pengetahuan profesional

Gemini 4 Argon adalah model penalaran unggulan Google, yang resmi dibuka bagi pengembang dan perusahaan pada 13 Oktober 2026. Berbeda dari model yang terutama dirancang untuk jawaban cepat, kami melihatnya sebagai pilihan untuk tugas kompleks: bukan hanya memahami pertanyaan, tetapi juga menjaga batasan, memasukkan informasi baru selama proses, dan akhirnya menyerahkan hasil yang dapat diperiksa.

Contohnya, sistem yang ada dapat mengalami ketidakkonsistenan data sesekali, atau laporan perlu memeriksa silang spreadsheet, kontrak, dan penjelasan bisnis. Kami lebih peduli apakah Argon dapat menemukan masalah, menjelaskan buktinya, dan mengusulkan perubahan dengan kriteria penerimaan yang dapat diverifikasi. Google menyebut rekayasa perangkat lunak kompleks, agen bertahap, matematika dan sains, serta tugas profesional seperti hukum dan keuangan sebagai arah utamanya.

Model MoE sparse multimodal native yang membaca teks, gambar, audio, dan video

Gemini 4 Argon menggunakan arsitektur sparse mixture-of-experts (MoE) berskala besar dengan pemrosesan teks, gambar, dan audio secara native. API resminya menerima teks, gambar, audio, video, dan PDF; model dapat menganalisis video, menjelaskan tangkapan layar UI, serta menulis kode untuk membuat animasi dari deskripsi singkat.

Kami menyarankan menguji kemampuan multimodal dalam alur bisnis nyata. Contohnya, berikan tangkapan layar produk, rekaman layar, dan kebutuhan terkait, lalu minta model mengenali masalah interaksi serta menyusun daftar perubahan. Atau berikan PDF laporan keuangan beserta teks penjelasan dan minta setiap kesimpulan dihubungkan ke tabel tertentu. Sekadar bertanya "Apa isi gambar ini?" jarang menunjukkan nilai sesungguhnya dari model seperti ini.

Konteks bersama sejuta token dengan tiga tingkat penalaran

Gemini 4 Argon memiliki jendela konteks 1,048,576 token dan batas keluaran sinkron bawaan 65,536 token. Untuk tugas yang benar-benar memerlukan keluaran sangat panjang, Google juga menyediakan mekanisme long decode yang memperpanjang pembuatan melalui eksekusi latar belakang dan kelanjutan. Spesifikasi model resmi | Dokumentasi Long Decode

Model menawarkan tiga tingkat penalaran, low, medium, dan high, dengan medium sebagai bawaan. Kami menyarankan mulai dari medium: bandingkan low untuk klasifikasi sederhana atau penataan naskah, dan uji high untuk analisis insiden kompleks, keputusan rekayasa, atau penurunan matematis. Tingkat lebih tinggi tidak selalu memperbaiki setiap tugas dan juga memengaruhi konsumsi serta waktu tunggu, pertimbangan yang terus kami tekankan. Kami biasanya mencari konfigurasi paling hemat yang secara andal lolos pemeriksaan penerimaan, bukan mengatur setiap permintaan ke tingkat tertinggi. Panduan tingkat penalaran Google

Alat online dan API Gemini 4 Argon API Hop

Melalui API Hop, kami ingin membantu pengembang memilih model yang sesuai dengan biaya percobaan lebih rendah. Untuk model yang sudah tersedia, prosesnya sederhana: masuk ke API Hop, buat API key, dan tambahkan sedikit saldo untuk mencoba keluaran model melalui alat online. Evaluasi tidak memerlukan integrasi API lengkap terlebih dahulu atau pembelian paket tetap untuk percobaan singkat. Ketika perlu mengintegrasikan model ke sistem yang ada, pilih antarmuka yang tersedia dari katalog model.

Fitur Inti dan Keunggulan Bidang Gemini 4 Argon

Pemrograman proyek nyata: dari pembuatan kode ke refaktor dan kinerja

Kemampuan rekayasa yang paling menarik bagi kami adalah kemampuan Argon terus menganalisis masalah dalam kode yang ada, bukan jumlah baris baru yang dapat dihasilkan sekaligus. Dalam contoh rekayasa internal yang dipublikasikan Google, Argon membantu mengoptimalkan proyek Python Agent Development Kit (ADK): waktu penyiapan sesi dalam memori untuk percakapan panjang turun 40%, dan impor saat cold start menjadi 21% lebih cepat. Google juga melaporkan contoh refaktor Chrome berskala besar dan optimasi komputasi ilmiah.

Dalam masukan pengguna kami, seseorang memberikan kebutuhan backend Python yang sama kepada Argon High dan Opus 5.5 untuk merencanakan implementasi, lalu meminta model lain meninjau rencana tersebut. Dalam perbandingan itu, rencana Argon dinilai sedikit lebih baik.

Analisis dokumen panjang dan multimodal: menghubungkan informasi lintas materi

Nilai Argon bukan hanya banyaknya materi yang dapat ditampung, tetapi apakah model dapat membangun hubungan yang andal antarmateri. Contohnya, minta model membandingkan puluhan halaman kebutuhan produk, tangkapan layar UI, dan catatan rapat, lalu mengenali fitur yang sudah diterapkan, kebutuhan yang bertentangan, dan kesimpulan yang tidak memiliki bukti. Untuk video, bingkai kunci dan penjelasan lisan dapat dianalisis bersama untuk menghasilkan langkah pengujian atau linimasa kejadian.

Pelanggan membagikan contoh penggunaan Argon untuk menerjemahkan dokumen utuh dan menafsirkan PDF matematika. Pelanggan lain memberikan sekitar 40 halaman deskripsi desain yang tidak tertata dan menemukan bahwa kemampuan mengekstrak poin utamanya melampaui harapan.

Penjelasan kompleks dan prototipe interaktif: mempermudah pemahaman masalah abstrak

Kami juga memperhatikan cara Argon menjelaskan masalah kompleks. Sebagian pelanggan menggambarkan jawaban yang tersusun rapat dan logis, langsung menyertakan antarmuka interaktif untuk membantu pengguna memahami masalah.

Kami melihat penerapannya pada konten pendidikan, demonstrasi analisis bisnis, prototipe produk, dan situs alat yang perlu menjelaskan aturan. Dalam praktiknya, kami menyarankan menetapkan asumsi masukan, rumus keluaran, dan kondisi batas sebelum meminta model membuat prototipe HTML/JavaScript.

Pengetahuan profesional dan tinjauan keamanan: tugas dengan bukti serta kriteria penerimaan

Google menekankan keuangan, hukum, keamanan siber, dan riset ilmiah sebagai bidang utama Argon. Kami lebih memilih memakai kemampuan ini untuk membantu peninjauan: memeriksa konflik antar-klausul kontrak, menganalisis hubungan tak biasa dalam laporan keuangan, atau meneliti dependensi, konfigurasi, dan keamanan kode dalam proyek yang telah diizinkan. Kartu model resmi Google memberi Argon 68.0% pada CWE-bench v1, dekat dengan 68.0% GPT-6 Astra dalam tabel yang sama. Evaluasi Google DeepMind

Saran kami adalah mewajibkan lima unsur: lokasi masalah, kondisi yang dapat direproduksi, dampak, usulan perbaikan, dan metode verifikasi. Masing-masing harus merujuk pada materi sumber nyata. Biaya kegagalan pekerjaan profesional biasanya lebih tinggi daripada tanya jawab biasa. Khususnya penilaian hukum, data keuangan, dan perbaikan keamanan memerlukan tinjauan pihak terkait; kami tidak menyarankan memperlakukan keluaran model sebagai kesimpulan profesional akhir.

Tolok Ukur dan Kinerja Gemini 4 Argon

Kami memperlakukan hasil publik sebagai petunjuk pemilihan model, lalu menggunakan penilaian independen dan pengalaman bisnis untuk menafsirkan kinerja. Selisih beberapa poin persentase dalam peringkat saja tidak membuktikan satu model pasti lebih baik.

Rekayasa perangkat lunak: 77.9% pada DeepSWE, tetapi hanya 55.0% pada FrontierSWE

Dalam hasil satu tabel Google, Gemini 4 Argon mendapat 77.9% pada DeepSWE v1.1, di atas 74.1% GPT-6 Astra dan 74.2% Claude Opus 5.5. Namun, pada FrontierSWE v2, Argon mendapat 55.0%, dibandingkan 65.5% GPT-6 Astra dan 62.3% Opus 5.5. Peringkat berubah cukup besar antar-kumpulan uji rekayasa, sehingga menurut kami keunggulan DeepSWE saja tidak membuktikan kesesuaian untuk setiap proyek. Tabel evaluasi resmi Google

Saran kami: Untuk pemeliharaan proyek yang ada, mulai dengan pengujian A/B menggunakan masalah historis, insiden nyata, dan perubahan lintas modul. Berikan revisi repositori, izin alat, dan perintah pengujian yang sama kepada setiap model, lalu lacak pass@1, suntingan manual, dan hasil uji regresi. Untuk perubahan arsitektur luas, periksa dokumentasi, kompatibilitas antarmuka, dan efek samping tersembunyi secara terpisah.

Agen baris perintah: 57.4% pada Terminal-Bench 4.0, bukan keunggulan mutlak

Tabel evaluasi Google yang sama memberi Argon 57.4% pada Terminal-Bench 4.0, dibandingkan 58.2% GPT-6 Astra dan 66.4% Claude Opus 5.5. Dalam lingkungan agen Artificial Analysis sendiri, Argon mendapat sekitar 57%, dibandingkan sekitar 60% Opus 5.5. Menurut kami kedua sumber menunjukkan kemampuan terminal kuat, tetapi tidak menjadikan Argon pilihan terbaik untuk setiap tugas baris perintah. Hasil resmi Google | Perbandingan independen Artificial Analysis

Saran kami: Untuk lingkungan server, instalasi dependensi, perbaikan otomatis, dan percobaan ulang berulang, mulai di server pengujian. Menguji Argon langsung di produksi membawa terlalu banyak risiko.

Otomatisasi bisnis: AutomationBench High 51.3%, Medium 50.1%

Dari 657 tugas dalam AutomationBench v1.0.6 Zapier, Argon medium meloloskan 329, sedangkan high meloloskan 337: hanya 8 tugas tambahan dan 1.2 poin persentase. Skor Claude Sonnet 5.5 tertinggi yang dipublikasikan pada peringkat publik yang sama adalah 44.7%. Evaluasi menilai status data akhir dalam sistem bisnis simulasi, sehingga lebih dekat dengan otomatisasi nyata daripada sekadar menilai kebenaran jawaban. Laporan lengkap Zapier

Saran kami: Mulai dengan medium bawaan untuk pembaruan CRM, pemrosesan formulir, perutean tiket, atau sinkronisasi data antar-aplikasi. Jika tugas layanan pelanggan, pemasaran, atau penanganan pengecualian bertahap sering gagal, uji apakah high sepadan dengan tambahan biaya dan waktu tunggunya. Untuk otomatisasi skala besar, lacak tingkat penyelesaian akhir, konsumsi rata-rata tugas, jumlah percobaan ulang, dan tingkat intervensi manusia bersama-sama.

Pekerjaan pengetahuan profesional: Vals Index 68.90%, di atas 66.97% Opus 5.5

Dalam Vals Index v2.1, diperbarui 18 Oktober 2026, Vals AI menggabungkan hasil keuangan, pemrograman, hukum, pajak, dan tugas lainnya menggunakan bobot ekonomi. Argon mendapat 68.90% dan menempati urutan pertama; Claude Opus 5.5 mendapat 66.97%, Claude Fable 5.1 65.83%, dan GPT-6 Astra 63.13%. Tabel resmi Google juga melaporkan 65.4% untuk Argon pada Vals Finance Agent v2, tetapi subuji terpisah dan indeks keseluruhan tidak dapat sekadar dijumlahkan. Peringkat asli dan metodologi Vals AI | Kartu model Google

Saran kami: Kami memprioritaskan Argon untuk pekerjaan yang menggabungkan beberapa sumber, seperti menjelaskan selisih rekonsiliasi, mengekstrak informasi kontrak, riset pasar, dan komentar keuangan. Evaluasi bukan hanya jawaban akhir, tetapi juga akurasi kutipan, perhitungan yang dapat direproduksi, dan kelengkapan tabel. Keunggulan Vals tidak berarti Argon akan melampaui model lain dalam bidang bisnis Anda.

Teks sangat panjang dan video: 84.2% pada GraphWalks, 91.7% pada LVBench

Untuk tugas konteks panjang berstruktur graf GraphWalks pada 256K hingga 1M token, kartu model Google melaporkan BFS F1 Argon 84.2%, dibandingkan 71.8% GPT-6 Astra dan 66.8% Opus 5.5. Dalam uji pemahaman video LVBench, Argon mendapat 91.7%, Astra 87.5%, dan Opus 5.5 83.7%. Angka ini menunjukkan keunggulan dalam pengujian terkait, tetapi distribusi tugas, jumlah sampel bingkai video, dan pengaturan masukan dapat berbeda. Angka tersebut tidak membuktikan bahwa setiap dokumen sejuta token dapat diproses secara akurat. Evaluasi resmi konteks panjang dan video Google

Saran kami: Untuk repositori kode yang benar-benar besar, beberapa file audit, atau video panjang, Argon layak diuji secara terfokus. Kami menyiapkan pertanyaan lintas bagian dengan jawaban yang sudah diketahui, lalu mengukur recall, kutipan keliru, dan biaya pada masukan 32K, 128K, 256K, dan yang lebih panjang. Namun, berdasarkan pengujian kami sejauh ini, pengendalian panjang konteks tetap penting untuk mendapatkan jawaban lebih baik.

Gemini 4 Argon Dibandingkan dengan GPT-6 Astra, Claude Opus 5.5, Claude Fable 5.1, dan Gemini 3.8 Flash

Dibandingkan dengan GPT-6 Astra: Argon untuk pekerjaan pengetahuan, Astra untuk sebagian tugas rekayasa sulit

Dalam Vals Index v2.1, Argon mendapat 68.90% dan GPT-6 Astra 63.13%; dalam perbandingan publik resmi AutomationBench Zapier, masing-masing mendapat 51.3% dan 41.4%. Namun, FrontierSWE v2 Google memberi Astra 65.5% dan Argon 55.0%; Terminal-Bench Science 0.1 memberi Astra 68.1% dan Argon 57.6%. Menurut kami ini ilustrasi berguna: perbedaan model tidak selalu sekadar kuat atau lemah, melainkan kesesuaian tugas. Vals AI | Zapier | Tabel evaluasi Google

Untuk menggabungkan materi profesional, mengotomatisasi proses bisnis, dan memahami informasi multimodal, kami menyarankan mencoba Argon terlebih dahulu. Untuk masalah rekayasa sulit dan tugas ilmiah berbasis terminal, sertakan GPT-6 Astra dalam daftar pilihan. Jika infrastruktur mendukung perutean multimodel, arahkan berdasarkan jenis tugas alih-alih menggunakan satu model untuk semuanya.

Dibandingkan dengan Claude Opus 5.5: otomatisasi dan biaya menarik, sementara Opus unggul dalam sebagian evaluasi mendalam

Dua evaluasi independen memperjelas perbedaannya. Vals Index v2.1 memberi Argon 68.90% dan Opus 66.97%, sedangkan Intelligence Index v4.3.2 Artificial Analysis memberi Argon High 53 poin dan Opus 5.5 Max, dengan model fallback bawaan diizinkan, 58 poin. Dalam konfigurasi Artificial Analysis yang sama, biaya tertimbang per tugas masing-masing sekitar $1.99 dan $5.98. Vals AI | Perbandingan independen Artificial Analysis

Untuk otomatisasi antar-aplikasi, penataan dokumen bisnis, dan pekerjaan kompleks dengan batas biaya, kami menyarankan menguji Argon terlebih dahulu. Untuk operasi terminal sangat andal, analisis rekayasa mendalam, atau hasil profesional yang rapi, Opus 5.5 tetap menjadi pilihan terbaik dalam lingkungan kami. Dalam masukan pelanggan, mayoritas lebih memilih usulan desain backend Opus.

Dibandingkan dengan Claude Fable 5.1: periksa tingkat kelulusan akhir dan stabilitas alur kerja yang ada

Dalam Vals Index v2.1, Argon mendapat 68.90% dan Claude Fable 5.1 65.83%. Hasil DeepSWE v1.1 dalam tabel Google yang sama adalah 77.9% dibandingkan 67.4%, tetapi pada FrontierSWE v2, Argon mendapat 55.0% dan Fable 5.1 56.3%, dengan hasil berdekatan dan urutan berbalik. Untuk tim dengan alur Fable yang sudah ada, menurut kami metrik ini layak dipertimbangkan tetapi tidak membenarkan migrasi tanpa syarat. Vals AI | Kartu model Google DeepMind

Jika tim menggunakan Fable 5.1 untuk perencanaan proyek, tinjauan kode, atau tugas panjang, mulailah dengan membandingkan 20 tugas historis yang paling banyak memerlukan usaha manusia. Perhatikan terutama kelalaian logika baru, parameter alat tidak kompatibel, dan regresi. Argon layak dicoba lebih awal untuk analisis profesional dan pekerjaan lintas sistem; untuk perencanaan serta penguraian masalah kompleks, kami tetap menyarankan Fable 5.1.

Dibandingkan dengan Gemini 3.8 Flash: Flash untuk tugas sederhana berjumlah besar, Argon untuk tugas sulit

Untuk kedua model dalam ekosistem Gemini ini, menurut kami perutean berdasarkan tingkat kesulitan adalah pendekatan paling praktis. Vals Index v2.1 memberi Argon 68.90% dan Gemini 3.8 Flash 54.89%; perbandingan publik AutomationBench Zapier memberi Argon High 51.3% dan Gemini 3.8 Flash 29.7%. Ini mendukung evaluasi Argon untuk tugas yang memerlukan keputusan berurutan dan penanganan pengecualian, bukan kesimpulan bahwa setiap permintaan teks memerlukan Argon. Peringkat Vals AI | Evaluasi Zapier

Saran kami adalah menjalankan klasifikasi, ekstraksi informasi, ringkasan pendek, dan permintaan standar dalam jumlah besar di Flash terlebih dahulu, lalu meningkatkan ke Argon ketika kualitas belum mencukupi. Untuk penalaran lintas dokumen, perbaikan kode kompleks, dan agen bertahap, prioritaskan Argon dalam evaluasi. Perutean "coba model lebih hemat, validasi, lalu gunakan cadangan saat gagal" dapat bekerja, asalkan validasinya sendiri tidak lebih mahal daripada tugas asli.

Pertanyaan Umum API Gemini 4 Argon

Bagaimana memanggil Gemini 4 Argon, dan mengapa model tidak ada di daftar API Hop?

API resmi Google menyediakan gemini-4-argon, tetapi rilis Google tidak berarti setiap agregator pihak ketiga mengintegrasikannya pada hari yang sama. Pada tanggal verifikasi artikel ini, katalog publik API Hop belum mencantumkan Argon. Kueri daftar model menggunakan API key yang ada untuk memeriksa akses kunci tersebut; jangan menganggap kompatibilitas API Hop hanya berdasarkan ID model Google. Dokumentasi resmi Google | Katalog model API Hop

curl --request GET \
  --url https://api.apihop.ai/v1/models \
  --header 'Authorization: Bearer YOUR_APIHOP_API_KEY'

Jika respons tidak menyertakan gemini-4-argon, akses Argon untuk kunci tersebut belum dikonfirmasi. Kami tidak menyarankan menambah saldo dengan asumsi model sudah dapat digunakan. Untuk evaluasi API native Argon segera, ikuti dokumentasi Google menggunakan https://generativelanguage.googleapis.com/v1beta/interactions dan API key Google. Setelah API Hop resmi membuka akses, kami menyarankan memvalidasi permintaan minimal terlebih dahulu, lalu streaming, pemanggilan alat, dan kemampuan konteks panjang secara berurutan. Contoh REST Google | Dokumentasi Chat Completions API Hop

Mengapa thinking_budget menyebabkan kesalahan, sedangkan temperature tidak berpengaruh?

Argon menyarankan thinking_level untuk mengendalikan kedalaman penalaran, menerima low, medium, dan high, dengan medium sebagai bawaan. Saat migrasi dari versi Gemini lain, parameter anggaran pemikiran lama dan tingkat penalaran yang tidak didukung dapat menyebabkan kesalahan 400. Panduan migrasi Google juga secara eksplisit menyebut bahwa Argon mengabaikan pengaturan sampling meskipun temperature, top_p, dan top_k disediakan. Daftar pemeriksaan migrasi Google

Kami menyarankan menghapus parameter usang dari permintaan lama dan hanya menentukan model, masukan, serta tingkat penalaran yang diperlukan. Untuk mengontrol biaya, bandingkan hasil aktual low dan medium terlebih dahulu, lalu uji high untuk tugas rekayasa dan ilmiah yang lebih sulit. Melalui protokol kompatibilitas terpadu API Hop, kami meneruskan seluruh parameter yang didukung untuk Anda.

Mengapa konteks sejuta token tetap dapat menyebabkan pemotongan, jawaban kosong, atau batas waktu?

Sejuta token adalah anggaran konteks bersama, bukan jatah keluaran tanpa batas untuk permintaan sinkron biasa. Batas pembuatan sinkron bawaan Argon adalah 65,536 token, dan max_output_tokens membatasi penalaran internal serta teks akhir. Jika terlalu kecil, model dapat menghabiskan anggaran sebelum menyelesaikan jawaban. Google menyarankan aplikasi yang sebelumnya menggunakan batas keluaran sangat kecil mempertimbangkan menaikkannya di atas 32,768, lalu menyesuaikan lebih lanjut untuk tugas kompleks bila diperlukan. Panduan anggaran keluaran Google

Untuk konten yang benar-benar memerlukan lebih dari 64K token, API Interactions native Google menyarankan mengatur background: true dan max_output_tokens di atas 65,536, melakukan polling status tugas, dan menggabungkan beberapa langkah model_output. Permintaan kompleks juga dapat berjalan beberapa menit, sehingga Google menyarankan batas waktu yang sesuai atau eksekusi latar belakang.