Gemini 4 Argon peut désormais produire jusqu’à un million de jetons en sortie, contre soixante-quatre mille auparavant. Cette extension accompagne l’ouverture au public d’un modèle initialement réservé à des spécialistes de la cybersécurité, selon la mise à jour publiée par Next INpact.
Le changement porte sur la longueur maximale de ce que le modèle génère, et non sur la seule quantité d’informations qu’il peut recevoir. Pour une entreprise, son intérêt se concentre donc sur les travaux qui produisent un résultat très volumineux : code, documentation technique ou transformation coordonnée de nombreux fichiers.
Argon sort du cercle des spécialistes en cybersécurité
Google avait d’abord déployé Argon auprès d’un groupe restreint comprenant notamment des gouvernements, des autorités nationales de cybersécurité et des opérateurs d’infrastructures critiques. Le modèle est maintenant accessible par API dans AI Studio et Gemini, ainsi qu’à travers plusieurs offres et services Google, rapporte Next INpact.
Cette ouverture change la nature de l’annonce. Argon n’est plus seulement un modèle présenté à des experts sélectionnés : une équipe de développement peut désormais l’intégrer à un processus logiciel par API. Les abonnés concernés peuvent aussi y accéder dans l’application Gemini, le mode IA de la recherche ou la plateforme de création d’agents Antigravity, selon leur offre.
L’accès ne dit toutefois rien, à lui seul, de l’adéquation du modèle avec un environnement logiciel particulier. La disponibilité rend le test réalisable ; elle ne remplace ni l’examen du code produit ni la comparaison avec les outils déjà employés.
Illustration conceptuelle de l’ouverture d’Argon à plusieurs modes d’accès, et non photographie réelle du service.
La limite de sortie autorise un livrable beaucoup plus long
Une limite de sortie détermine la quantité de contenu qu’un modèle peut générer au cours d’une même réponse. Google fait passer celle d’Argon de soixante-quatre mille à un million de jetons et affirme que cette capacité lui permet de traiter puis de produire des centaines de milliers de jetons en une seule étape, d’après les éléments rapportés par Next INpact.
Le mécanisme réduit le besoin de découper artificiellement un livrable en nombreuses réponses successives. Sur une production longue, chaque découpage oblige généralement à rappeler les contraintes, à transmettre l’état du travail et à raccorder les fragments. Une sortie continue conserve davantage d’éléments dans la même génération.
Cette capacité n’établit pas que toute la longueur disponible sera utile. Une réponse plus longue peut aussi contenir des répétitions, des incohérences entre fichiers ou du code qui ne compile pas. La limite mesure un volume maximal de production, pas la qualité de chaque partie du résultat.
La migration de code constitue le cas d’usage le plus net
Google met en avant le débogage, la conception d’algorithmes et les migrations de code à grande échelle parmi les usages internes d’Argon. L’entreprise présente également le modèle comme spécialisé dans les tâches de programmation, selon la même source.
Prenons un cas hypothétique : une PME doit adapter une application ancienne à une nouvelle version de son environnement technique. Le travail peut toucher simultanément les dépendances, les appels de fonctions, les fichiers de configuration, les tests et la documentation. Une sortie très étendue permet au modèle de proposer un ensemble plus complet sans interrompre la génération entre chaque composant.
L’avantage attendu concerne ici la continuité du livrable. Il ne dispense pas de vérifier les dépendances modifiées, d’exécuter les tests ni de repérer les portions oubliées. Si la tâche tient déjà dans une réponse courte, l’augmentation du plafond apporte peu de valeur directe.
Illustration conceptuelle d’une migration de code coordonnée, et non photographie réelle d’une exécution d’Argon.
Les résultats publiés restent ceux de Google
Google annonce un résultat de 77,9 % pour Argon sur DeepSWE v1.1, devant GPT-6 Astra à 74,3 %, Claude Opus 5.5 à 74,2 % et Fable 5.1 à 67,4 %. Ces valeurs proviennent de benchmarks communiqués par Google et concernent des tâches d’ingénierie logicielle concrètes et longues, précise Next INpact.
Elles ne démontrent pas la qualité sur tous les travaux de programmation. Next INpact rappelle d’ailleurs que Gemini 3.8 n’avait pas donné de bons résultats lors de son propre essai sur une extension. Ce précédent ne permet pas de juger Argon, mais il justifie de distinguer les mesures du fournisseur d’un résultat obtenu sur un dépôt réel.
Pour une PME, Argon mérite donc un essai ciblé lorsque la fragmentation des réponses gêne une migration logicielle ou la production d’un livrable technique volumineux. La décision doit porter sur la cohérence du résultat complet, plutôt que sur le seul plafond annoncé. Le prochain élément utile sera une évaluation indépendante de longues générations sur des projets comparables à ceux de l’entreprise.
