Gemini 4 Argon: dostupnost, programování a rozdíly mezi platformami

Google nově zpřístupňuje Gemini 4 Argon uživatelům v Gemini, AI Studiu i Google Antigravity. Jde o samostatný model určený pro složité reasoningové úlohy, práci s kódem a přímější odpovědi. Pro čtenáře je zásadní, že se nejedná jen o novou verzi Gemini 4 Carbon: Argon míří na dlouhá vícekroková workflow a jeho skutečný přínos závisí také na platformě, nástrojích a způsobu testování.

Google představil Argon 13. října 2026 jako „frontální“ model dostupný globálně přes API v AI Studiu a na platformě Gemini. Nejde tedy o izolované jednorázové úlohy. Model je určený pro komplexní práci, která může zahrnovat několik kroků, nástroje i průběžnou kontrolu výsledku.

Dostupnost a první dojmy

Komunita přivítala především kvalitativní posun oproti Gemini 3.8. Několik lidí popisovalo méně se opakující a sebevědomější výstup. Tento dojem zatím ale není obecně ověřeným srovnáním.

Současně se objevily otázky, zda je Argon dostupný jen deklarativně. Někteří uživatelé ho v Gemini viděli, ale nemohli jej vybrat. V Google Antigravity se původně objevoval pouze u Ultra, zatímco majitelé Pro očekávali širší přístup.

Podle oficiálního oznámení je Argon k dispozici v aplikaci Gemini a v AI Mode v Google Search předplatitelům AI Pro i AI Ultra. V Google Antigravity jej mohou používat uživatelé AI Pro, AI Ultra a Enterprise.

Zpřístupňování probíhá postupně. Viditelnost modelu v nabídce proto zatím neznamená, že jej lze okamžitě vybrat a použít.

Rozdíl mezi Gemini, AI Studio a Antigravity

V aplikaci Gemini jde především o interaktivní práci s textem, kódem a obrázky. AI Studio je vývojářská plocha pro práci s prompty, API a testování modelů. Google Antigravity je agentní harness: model dostává nástroje, sandbox, dovedlosti a může pracovat v repozitáři například přes CLI nebo rozšíření IDE.

Tento rozdíl mění způsob hodnocení modelu. Kvalitní odpověď v chatu neznamená stejný výsledek při úpravě několika souborů, spuštění testů nebo řešení chyby přes terminál.

V Antigravity záleží na konfiguraci nástrojů, skills, sandboxu a dostupném rozpočtu. Pro skutečný vývoj je proto vhodnější než prostý Gemini chat prostředí, v němž můžete změny ověřit testy a průběžně kontrolovat práci agenta.

Jak to funguje pod kapotou a kde má postup limity

Argon je podle kritického auditu sparse mixture-of-experts transformer, nikoli doladěná verze staršího Gemini. Vstupní, uvažovací a výstupní tokeny sdílejí kontextové okno dlouhé 1 048 576 tokenů. Výchozí limit 65 536 tokenů se vztahuje na uvažovací a výstupní tokeny dohromady; s long decode může výstup dosáhnout až zbytku okna. V delším běhu je nutné pokračovat přes continuation token.

Přímější tón souvisí s post-trainingem na vícestupňovém uvažování. Preference tréninkových dat penalizují nechtěné odmítnutí a kázavý tón. Hloubku uvažování řídí parametr thinking_level na úrovních low, medium a high.

Uvažovací tokeny ale spotřebovávají stejný rozpočet jako výsledný diff. Příliš vysoká hodnota thinking_level proto může běh drahým způsobem zastavit ještě před dokončením úlohy.

Argon není automaticky lepší ve všech ohledech. Na benchmarkech FrontierSWE v2 a Terminal-bench 4.0 je podle auditu slabší než srovnatelní konkurenti.

První dojmy z komunity tak nestačí. Chybí srovnání na stejném repozitáři, nástrojích, rozpočtu a úrovni uvažování. Bez stejných podmínek nelze spolehlivě oddělit přínos modelu od vlivu prostředí, ve kterém pracuje.

Cena API a externí platformy

Přes API uvádí Google cenu 2 USD za milion vstupních tokenů a 10 USD za milion výstupních tokenů. U opakovaně použitých vstupních tokenů uvádí 95% slevu.

Google však v oznámení neuvádí cenu po skončení úvodního období ani limity sazeb a dostupnosti pro podniky. Cenu po období ani přesné podmínky dostupnosti proto zatím nelze opřít o zveřejněné údaje.

Použití Argonu přes API se účtuje podle spotřeby tokenů. Může tak být podstatně dražší než běžný chat, i když uživatel doma platí předplatné.

Před spuštěním drahého běhu nastavte rozpočet tokenů a sledujte skutečnou spotřebu. Delší reasoning navíc může spotřebovat více tokenů, než kolik nakonec zůstane v hotovém diffu.

Co z dostupnosti a kvality reálně plyne

Pro běžné otázky a jednorázové programovací úlohy může být aplikace Gemini praktická, pokud se model skutečně zobrazí v nabídce. Pro práci s reálným projektem dává smysl Antigravity nebo jiný plně vybavený vývojářský harness.

Gemini 4 Carbon zůstává vhodnější volbou pro dlouhý inženýrský horizont. U Argonu je potřeba předem ověřit, zda dokáže udržet krok při složitém zadání a zda jeho výsledek oceníte v reálném projektu.

Spolehlivý test vlastního přínosu vypadá jinak než dotaz na „co umí“. Spusťte stejnou úlohu ve dvou harnessích se stejným repozitářem, limitem a nastavením uvažování.

Poté porovnejte úspěšnost testů, počet chybných změn, spotřebu kreditů a výsledný čas. Hotový patch nechte nezávisle zkontrolovat jiným modelem nebo člověkem.

Co si z toho vzít

• Rozlišujte viditelnost modelu v nabídce od skutečné dostupnosti.
• Pro jednorázový úkol vyberte Gemini, pro práci v repozitáři Antigravity nebo obdobný vývojářský harness.
• Před drahým během nastavte limit tokenů a zvolte vhodný thinking_level.
• Kvalitu Argonu ověřujte vlastním benchmarkem, ne citacemi benchmarků výrobce.
• Sledujte cenu API zvlášť; předplatné AI Pro nezahrnuje automaticky kredity za externí použití.

Test vlastní kvality Argonu:
1. Stejná úloha ve dvou harnessích.
2. Stejný repozitář, limit tokenů a `thinking_level`.
3. Porovnat úspěšnost testů, chybné změny, spotřebu kreditů a čas.
4. Hotový patch nechat zkontrolovat jiným modelem nebo člověkem.