---
title: "Gemini 4 Argon"
source: "https://systems-analysis.info/wiki/Gemini_4_Argon"
wiki: "systems-analysis.info/wiki"
article: "Gemini_4_Argon"
language: "ru"
categories:
  - "Категория:Gemini"
  - "Категория:Google"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Семейства LLM"
revision_id: 581
wiki_created_at: 2026-11-10T18:18:21Z
wiki_modified_at: 2026-11-11T01:21:51Z
downloaded_at: 2026-11-11T01:23:44Z
---

# Gemini 4 Argon

**Gemini 4 Argon —** проприетарная нативно-мультимодальная модель рассуждений компании [Google DeepMind](https://systems-analysis.info/wiki/Google_DeepMind "Google DeepMind"), первая публично представленная модель поколения Gemini 4, построенная на основе трансформера с разреженной архитектурой смеси экспертов (MoE), поддерживающая обработку текста, изображений, аудио и видео и имеющая совокупный лимит контекста до 1 048 576 токенов. Модель была впервые анонсирована 30 сентября 2026 года с предоставлением ограниченного доступа участникам программы Fairwind, а её общий публичный выпуск состоялся 13 октября 2026 года.

## Оценка

Gemini 4 Argon оценивалась по широкому набору тестов (бенчмарков), охватывающих агентное программирование, машинное обучение, использование компьютера, работу со знаниями, науку и математику, мультимодальные возможности, работу с длинным контекстом и кибербезопасность. Дополнительные тесты, сведения о подходе к оценке, результатах и применяемых методологиях опубликованы в <a href="https://deepmind.google/models/evals-methodology/gemini-4-argon" class="external text" rel="nofollow">методологии оценки Gemini 4 Argon</a>.

Согласно Model Card Google DeepMind, приведённые ниже результаты актуальны по состоянию на октябрь 2026 года.<sup>[\[1\]](https://systems-analysis.info/wiki/Gemini_4_Argon#cite_note-1)</sup>

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th></th>
<th>Gemini 4 Argon</th>
<th><a href="https://systems-analysis.info/wiki/GPT-6_Astra" title="GPT-6 Astra">GPT-6 Astra</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Fable_5.1" title="Claude Fable 5.1">Claude Fable 5.1</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Opus_5.5" title="Claude Opus 5.5">Claude Opus 5.5</a></th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;">Vals Index</td>
<td>Knowledge work</td>
<td></td>
<td style="background: #e6f3ff"><strong>68.9%</strong></td>
<td>63.1%</td>
<td>65.8%</td>
<td>67.0%</td>
</tr>
<tr class="even">
<td style="text-align: left;">AutomationBench</td>
<td>Knowledge work</td>
<td>Score</td>
<td style="background: #e6f3ff"><strong>51.3%</strong></td>
<td>41.4%</td>
<td>31.4%</td>
<td>42.5%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Vals Finance Agent v2</td>
<td>Knowledge work</td>
<td></td>
<td style="background: #e6f3ff"><strong>65.4%</strong></td>
<td>53.5%</td>
<td>58.9%</td>
<td>58.6%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Harvey's Legal Agent Benchmark</td>
<td>Knowledge work</td>
<td></td>
<td style="background: #e6f3ff"><strong>19.6%</strong></td>
<td>5.4%</td>
<td>6.7%</td>
<td>3.8%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">DeepSWE v1.1</td>
<td>Agentic coding</td>
<td></td>
<td style="background: #e6f3ff"><strong>77.9%</strong></td>
<td>74.1%</td>
<td>67.4%</td>
<td>74.2%</td>
</tr>
<tr class="even">
<td style="text-align: left;">FrontierSWE v2</td>
<td>Agentic coding</td>
<td></td>
<td style="background: #e6f3ff">55.0%</td>
<td><strong>65.5%</strong></td>
<td>56.3%</td>
<td>62.3%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Vibe Code Bench</td>
<td>Agentic coding</td>
<td></td>
<td style="background: #e6f3ff"><strong>91.9%</strong></td>
<td>89.6%</td>
<td>90.3%</td>
<td>90.3%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Terminal-Bench 4.0</td>
<td>Agentic coding</td>
<td></td>
<td style="background: #e6f3ff">57.4%</td>
<td>58.2%</td>
<td>57.9%</td>
<td><strong>66.4%</strong></td>
</tr>
<tr class="odd">
<td style="text-align: left;">PostTrainBench</td>
<td>ML engineering</td>
<td></td>
<td style="background: #e6f3ff">45.3%</td>
<td>44.3%</td>
<td>40.2%</td>
<td><strong>49.3%</strong></td>
</tr>
<tr class="even">
<td style="text-align: left;">Terminal-Bench Science 0.1</td>
<td>Science and math</td>
<td></td>
<td style="background: #e6f3ff">57.6%</td>
<td><strong>68.1%</strong></td>
<td>52.6%</td>
<td>63.3%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">LABBench 2</td>
<td>Science and math</td>
<td></td>
<td style="background: #e6f3ff"><strong>88.8%</strong></td>
<td>85.4%</td>
<td>68.6%</td>
<td>73.1%</td>
</tr>
<tr class="even">
<td style="text-align: left;">RiemannBench</td>
<td>Science and math</td>
<td></td>
<td style="background: #e6f3ff"><strong>76.0%</strong></td>
<td>72.0%</td>
<td>65.6%</td>
<td>69.6%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">GraphWalks</td>
<td>Long context</td>
<td>Up to 128k, BFS (F1)<br />
256k to 1M, BFS (F1)</td>
<td style="background: #e6f3ff"><strong>99.7%</strong><br />
<strong>84.2%</strong></td>
<td>98.7%<br />
71.8%</td>
<td>91.4%<br />
65.0%</td>
<td>90.6%<br />
66.8%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Agent's Last Exam</td>
<td>Computer use</td>
<td></td>
<td style="background: #e6f3ff"><strong>39.5%</strong></td>
<td>34.2%</td>
<td>—</td>
<td>38.2%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">OSWorld-2.0</td>
<td>Computer use</td>
<td></td>
<td style="background: #e6f3ff">69.2%</td>
<td><strong>72.6%</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Chartography</td>
<td>Multimodal understanding</td>
<td></td>
<td style="background: #e6f3ff"><strong>71.6%</strong></td>
<td>71.0%</td>
<td>46.2%</td>
<td>66.3%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">LVBench</td>
<td>Multimodal understanding</td>
<td></td>
<td style="background: #e6f3ff"><strong>91.7%</strong></td>
<td>87.5%</td>
<td>79.7%</td>
<td>83.7%</td>
</tr>
<tr class="even">
<td style="text-align: left;">CWE-bench v1</td>
<td>Cybersecurity</td>
<td></td>
<td style="background: #e6f3ff"><strong>68.0%</strong></td>
<td><strong>68.0%</strong></td>
<td>58.0%</td>
<td>67.0%</td>
</tr>
</tbody>
</table>

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/wiki/Gemini_4_Argon#cite_ref-1) Google DeepMind. *Gemini 4 Argon — Model Card*. Выпуск: октябрь 2026 года. С. 5.</span>

## См. также

- [Gemini 3 Pro](https://systems-analysis.info/wiki/Gemini_3_Pro "Gemini 3 Pro")
- [Gemini 3.1 Pro](https://systems-analysis.info/wiki/Gemini_3.1_Pro "Gemini 3.1 Pro")
- [Gemini 4 Carbon](https://systems-analysis.info/wiki/Gemini_4_Carbon "Gemini 4 Carbon")