Google hat Gemini 4 Argon vorgestellt und führt es zunächst für ausgewählte Cybersecurity-Teams ein, bevor es breiter verfügbar wird.
Die Ergebnisse in Googles veröffentlichter Benchmark-Tabelle zeigen Argon bei mehreren Tests vor OpenAIs GPT-6 Astra und geben Unternehmenskunden einen frühen Eindruck davon, wie Googles neuestes Modell im Vergleich zu einem seiner größten Konkurrenten abschneidet.
Argon startet außerdem mit Preisen, die den Betrieb von Frontier-KI im großen Maßstab erschwinglicher machen könnten.
Ein Modell, das deutlich längere Aufgaben durchhält
Google zufolge unterstützt Argon bis zu 1 Million Ausgabe-Tokens in einem Durchlauf – im Vergleich zum bisherigen Limit von 64.000 Tokens. Eine höhere Obergrenze ermöglicht es dem Modell, wesentlich längere Programmier- oder Agentenaufgaben zu bearbeiten, bevor ein Durchlauf aufgeteilt oder neu gestartet werden muss. Da Enterprise-KI größere Projekte übernimmt, könnten weniger erzwungene Unterbrechungen wichtig werden.
Interne Tests umfassten Rechenzentrumsarbeiten, durch die mehr als 300 TiB Arbeitsspeicher freigegeben wurden. Ingenieure nutzten das Modell außerdem, um C- und C++-Software nach Rust zu übertragen, darunter Arbeiten mit mehr als 800.000 Zeilen im Fuchsia-Zircon-Kernel.
Bei einem weiteren Projekt wurden 32.000 Zeilen spezialisierten Codes in einem Rust-Videodecoder ersetzt, was gegenüber einer früheren Rust-Version einen 2,7-fachen Geschwindigkeitszuwachs brachte. Projekte dieser Größenordnung stellen die Obergrenze von 1 Million Tokens neben die Art von KI-Infrastruktur und Softwarearbeit, mit der große Organisationen konfrontiert sein können.
Cybersecurity-Teams erhalten Argon zuerst
Ausgewählte Cybersecurity-Teams stehen über das Fairwind-Programm von Google DeepMind an erster Stelle. Die Teilnehmenden können eine Argon-Konfiguration mit weniger Einschränkungen als bei der Standardversion erhalten, vorbehaltlich einer Prüfung und von Zugriffskontrollen.
Wiz hat das Modell ebenfalls im Rahmen von Scan for Good getestet. Argon entdeckte dabei eine kritische Schwachstelle in einer Software für das Gesundheitswesen, die frühere Frontier-Modelle übersehen hatten.
Als Nächstes folgen zahlende API-Kunden und Abonnenten von Google AI Ultra, danach weitere Entwickler und Unternehmen, die KI in Unternehmensanwendungen einsetzen. Der frühe Zugang gibt dem Technologiekonzern Zeit, Feedback zu sammeln und Schutzmaßnahmen zu testen, bevor das neue KI-Modell ein größeres Publikum erreicht.
Die Ergebnisse von eWeek: Argon lag bei den meisten Tests vor Astra und war günstiger
eWeek zählte 19 Zeilen in Googles veröffentlichter Gemini-Benchmark-Tabelle, in denen sowohl Argon als auch GPT-6 Astra Ergebnisse meldeten. Googles Modell lag in 14 Fällen vorn, OpenAI in vier; einmal gab es ein Unentschieden.
Die Preisunterschiede sind erheblich: Argons Einführungspreise für Ein- und Ausgabe liegen 80 % unter den angegebenen Preisen von Astra, die späteren Preise sind 60 % niedriger.
Vergleich | Gemini 4 Argon | GPT-6 Astra |
| Angeführte Benchmark-Zeilen | 14 von 19 | 4 von 19 |
| Eingabepreis pro 1 Mio. Tokens | 2 US-Dollar zur Einführung | $10 |
| Ausgabepreis pro 1 Mio. Tokens | 10 US-Dollar zur Einführung | $50 |
| Späterer Eingabepreis pro 1 Mio. Tokens | $4 | $10 |
| Späterer Ausgabepreis pro 1 Mio. Tokens | $20 | $50 |
| Beispiel: 100 Mio. Eingabe- + 20 Mio. Ausgabe-Tokens | 400 US-Dollar zur Einführung, später 800 US-Dollar | $2,000 |
Der Preis wird wichtiger, sobald KI von Pilotprojekten zum täglichen Einsatz übergeht. Programmieragenten und Forschungs-Workflows können bei wiederholten Schritten Millionen von Tokens verbrauchen. Niedrigere Preise können dasselbe Budget daher auf mehr Durchläufe, mehr Beschäftigte oder längere Aufgaben verteilen.
Argon könnte auch verändern, wie Unternehmen die Arbeit zwischen Modellen aufteilen. Wenn der Praxiseinsatz zeigt, dass es bei den eigenen Arbeitslasten eines Unternehmens eine vergleichbare Leistung aufrechterhalten kann, könnten Teams mehr Aufgaben mit hohem Volumen Argon zuweisen und Astra für Aufgaben reservieren, bei denen es besser abschneidet.
Enterprise-Teams sollten identische Aufgaben mit beiden Modellen testen und die Kosten jedes erfolgreichen Abschlusses vergleichen. Der gesamte Token-Verbrauch, Wiederholungsversuche und Tool-Aufrufe sollten in diesen Vergleich einfließen. Niedrigere Listenpreise führen nur dann zu echten Einsparungen, wenn das Modell die Arbeit effizient abschließen kann.
Weiterlesen: OpenAI stattet Unternehmens- und Entwickler-Workflows mit GPT-6.1 Sol aus, das eine stärkere Leistung beim Programmieren und bei der Computernutzung bietet.