Google a présenté Gemini 4 Argon, dont le déploiement initial est réservé à certains spécialistes de la cybersécurité avant une disponibilité plus large.
Les résultats du tableau de benchmarks publié par Google placent Argon devant GPT-6 Astra d’OpenAI dans plusieurs tests et donnent aux acheteurs du secteur entreprise un premier aperçu de la comparaison entre le dernier modèle de Google et l’un de ses principaux rivaux.
Argon arrive également avec un tarif qui pourrait rendre l’utilisation de l’IA de pointe plus abordable à grande échelle.
Un modèle qui continue à travailler sur des tâches bien plus longues
Google affirme qu’Argon prend en charge jusqu’à 1 million de tokens de sortie au sein d’une même trajectoire, contre une limite précédente de 64 000 tokens. Un plafond plus élevé permet au modèle de poursuivre des tâches de programmation ou d’agent bien plus longues avant qu’une exécution doive être divisée ou relancée. À mesure que l’IA d’entreprises’attaque à des projets plus vastes, la réduction des arrêts forcés pourrait devenir importante.
Les tests internesont inclus des opérations dans des centres de données qui ont libéré plus de 300 Tio de mémoire. Les ingénieurs ont également utilisé le modèle pour convertir des logiciels en C et en C++ vers Rust, notamment dans le cadre d’un travail portant sur plus de 800 000 lignes du noyau Fuchsia Zircon.
Un autre projet a remplacé 32 000 lignes de code spécialisé dans un décodeur vidéo Rust et a obtenu un gain de vitesse de 2,7 fois par rapport à une version Rust antérieure. Des projets de cette ampleur mettent le plafond d’un million de tokens en regard du type d’infrastructure d’IAet de travaux logiciels auxquels les grandes organisations peuvent être confrontées.
Les spécialistes de la cybersécurité obtiennent Argon en premier
Certaines équipes de cybersécurité sont les premières à y accéder dans le cadre du programme Google DeepMind Fairwind Program. Les participants peuvent recevoir une configuration d’Argon comportant moins de restrictions que la version standard, sous réserve d’une procédure de vérification et de contrôles déterminant qui peut y accéder.
Wiz a également testé le modèle dans le cadre de Scan for Good. Argon a détecté une vulnérabilité critique dans un logiciel de santé que les précédents modèles de pointe n’avaient pas repérée lors de ce travail.
Les clients payants de l’API et les abonnés à Google AI Ultra sont les prochains concernés par le déploiement, suivis d’autres développeurs et entreprises qui utilisent l’IA dans des applications d’entreprise. Cet accès anticipé donne au géant technologique le temps de recueillir des retours et de tester les mesures de protection avant que le nouveau modèle d’IAn’atteigne un public plus large.
Ce qu’eWeek a constaté : Argon devance Astra dans la plupart des tests à un coût inférieur
eWeek a recensé 19 lignes dans le tableau de benchmarks Gemini publié par Google, où Argon et GPT-6 Astra présentent tous deux des résultats. Le modèle de Google est arrivé en tête dans 14 cas, contre quatre pour celui d’OpenAI, avec une égalité.
Les écarts de prix sont importants : les tarifs de lancement d’Argon pour les entrées et les sorties sont inférieurs de 80 % aux prix affichés d’Astra, tandis que ses tarifs ultérieurs sont inférieurs de 60 %.
Comparaison | Gemini 4 Argon | GPT-6 Astra |
| Lignes de benchmark remportées | 14 sur 19 | 4 sur 19 |
| Prix des entrées par million de tokens | 2 dollars US au lancement | $10 |
| Prix des sorties par million de tokens | 10 dollars US au lancement | $50 |
| Prix ultérieur des entrées par million de tokens | $4 | $10 |
| Prix ultérieur des sorties par million de tokens | $20 | $50 |
| Exemple : 100 millions d’entrées + 20 millions de sorties | 400 dollars US au lancement, 800 dollars US ensuite | $2,000 |
Le prix devient plus déterminant lorsque l’IA passe des projets pilotes à l’usage quotidien. Les agents de programmation et les workflows de recherche peuvent consommer des millions de tokens au fil d’étapes répétées ; des tarifs moins élevés permettent donc d’étendre le même budget à davantage d’exécutions, de collaborateurs ou de tâches plus longues.
Argon pourrait également modifier la façon dont les entreprises répartissent le travail entre les modèles. Si son utilisation en conditions réelles montre qu’il maintient des performances comparables sur les propres charges de travail d’une entreprise, les équipes pourraient confier davantage de tâches à fort volume à Argon et réserver Astra aux tâches pour lesquelles il est plus performant.
Les équipes d’entreprise devraient exécuter les mêmes tâches sur les deux modèles et comparer le coût de chaque résultat obtenu. La consommation totale de tokens, les nouvelles tentatives et les appels d’outils devraient tous être pris en compte dans cette comparaison. Des prix catalogue inférieurs ne se traduisent par de véritables économies que si le modèle peut terminer le travail efficacement.
À lire aussi : OpenAI apporte une nouvelle amélioration aux workflows d’entreprise et de développement grâce aux performances renforcées de GPT-6.1 Sol en matière de programmation et d’utilisation de l’ordinateur.