Google ouvre Gemini 4 Argon aux utilisateurs payants, avec des tarifs de lancement et de nouvelles informations sur la sécurité

Une diffusion élargie, des progrès mesurables et des risques reconnus

Le 13 octobre 2026, Google a ouvert Gemini 4 Argon aux développeurs, aux entreprises et aux particuliers payants du monde entier. L’entreprise a annoncé des tarifs de lancement pour l’API de 2 $ par million de jetons en entrée et de 10 $ par million de jetons en sortie, accompagnés d’affirmations détaillées sur les capacités du modèle en ingénierie logicielle, en recherche scientifique et en robotique. Cette diffusion intervient 13 jours après sa présentation, le 30 septembre, lorsque son accès était réservé à certains acteurs de la cybersécurité chargés de la défense.

Cette sortie s’accompagne d’un bilan de sécurité plus nuancé qu’une simple déclaration selon laquelle le modèle a passé les contrôles. Google DeepMind indique ne pas pouvoir exclure qu’Argon atteigne des seuils critiques de capacités dans les domaines des informations biologiques et de la cybersécurité, ou un autre seuil lié à la dissimulation et à la conscience de son environnement de déploiement. Google affirme que les mesures de protection déployées ramènent les risques résiduels sous ces seuils.

Dans son annonce de lancement d’Argon, l’entreprise fait état d’une hausse de plus de 35 % des soumissions de code produites par des flux de travail avec des agents d’IA et d’une baisse de près d’un tiers des retours en arrière sur le code. Ses exemples vont de la réorganisation de Chromium à la génération de conceptions d’enzymes dont l’activité a ensuite été observée lors de tests en laboratoire.

Koray Kavukcuoglu, vice-président senior de Google DeepMind et architecte en chef de l’IA chez Google, a décrit la portée de cette mise à disposition :

Nous donnons aux développeurs, aux entreprises, aux scientifiques et aux particuliers accès à notre dernier modèle de pointe.

La proposition centrale est d’ordre pratique, et non purement conversationnel : Argon est conçu pour étudier des systèmes complexes, produire des modifications et tester des résultats dans le cadre de tâches de longue durée. La valeur concrète de ces capacités dépend du type de travail, du niveau d’accès et de la vérification humaine, comme le montrent les propres exemples d’ingénierie de Google.

Qui peut accéder à Argon, et par quels produits ?

Les abonnés à Google AI Pro et Ultra peuvent utiliser Argon dans l’application Gemini et le mode IA de la recherche. L’accès individuel par l’intermédiaire de Google Antigravity, l’environnement de Google destiné aux agents de codage par IA, nécessite un abonnement Ultra. Google mentionne également l’accès Ultra dans AI Studio, ainsi qu’un accès distinct pour les développeurs via l’API Gemini payante dans AI Studio et Android Studio.

Les entreprises peuvent accéder au modèle par Gemini pour les entreprises, l’API et Antigravity. Cette distinction est importante : l’abonnement grand public et l’utilisation payante de l’API sont deux voies distinctes. Un accès Pro dans l’application Gemini ne donne donc pas automatiquement le même accès aux flux de travail de codage autonomes.

Les tarifs d’abonnement annoncés sont de 20 $ par mois pour AI Pro et de 99 $ par mois au minimum pour Ultra. Les abonnés Pro peuvent générer du code avec Argon dans Gemini Canvas, tandis que Google conserve Gemini 3.1 Pro. Aucune date n’a été annoncée pour l’accès à Argon avec les niveaux d’abonnement Antigravity inférieurs ou pour les utilisateurs gratuits.

Le lancement fait suite à une courte période de tests restreints, avant une diffusion plus large :

• 30 septembre 2026 : Google présente Argon, dont l’accès est d’abord réservé à des acteurs agréés de la cybersécurité chargés de la défense.
• 12 octobre 2026 : Meta annonce Muse Wonder Full, un autre modèle de pointe concurrent.
• 13 octobre 2026 : Google commence le déploiement mondial d’Argon auprès des abonnés, développeurs et entreprises éligibles.
• 1er décembre 2026 : selon les informations publiées, les tarifs standards de l’API entrent en vigueur à la fin de la période de lancement.

Ce que couvrent réellement les tarifs de lancement

L’annonce de Google confirme des tarifs de 2 $ par million de jetons en entrée et de 10 $ par million de jetons en sortie, les jetons d’entrée mis en cache bénéficiant d’une réduction de 95 %. Les jetons sont les unités traitées par un modèle, souvent des mots ou des fragments de mots. La mise en cache permet de réutiliser une entrée déjà traitée à moindre coût.

À ces tarifs, un million de jetons ordinaires en entrée et un million en sortie coûteraient 12 $. Avec la réduction de 95 % appliquée au tarif de lancement en entrée, le million de jetons mis en cache éligibles revient à 0,10 $. Il s’agit d’une tarification à l’usage, et non du prix d’un abonnement Gemini.

Selon les informations publiées, la période de lancement prend fin le 30 novembre et les tarifs doublent le 1er décembre, passant à 4 $ par million de jetons en entrée et à 20 $ par million de jetons en sortie. Le même exemple coûterait alors 24 $. L’annonce de lancement de Google ne précise ni cette échéance ni les tarifs ultérieurs : le communiqué officiel confirme les tarifs de lancement, mais pas leur date d’expiration.

Selon d’autres informations, les tarifs de lancement représentent environ un cinquième de ceux de certains modèles concurrents. Cette comparaison ne permet pas de connaître le coût d’une tâche : les systèmes peuvent consommer un nombre différent de jetons, nécessiter plusieurs tentatives ou passer des durées variables à raisonner. L’annonce officielle ne précise pas non plus la durée de la réduction accordée aux jetons d’entrée mis en cache.

L’expérience Python montre pourquoi la vérification reste essentielle

L’un des exemples les plus instructifs concerne l’Agent Development Kit de Google, ou ADK, un cadre de développement d’agents d’IA pour les entreprises. Son dépôt Python contient environ 205 000 lignes réparties dans près de 800 fichiers sources, ainsi que près de 17 000 tests unitaires. Argon devait réduire la surcharge du cadre sans modifier son interface publique ni les données que les applications transmettent à leurs modèles.

Une première exécution d’environ deux heures a repéré de véritables goulots d’étranglement, mais a également introduit des problèmes : une modification subtile d’un schéma JSON public et des cas de test manqués. L’équipe a ensuite fourni à Argon les consignes du dépôt et lui a demandé de préparer une demande de fusion non intégrée, accompagnée de mesures de performance.

L’exécution suivante, sans surveillance, a duré 11 heures. Argon a lu 12 fichiers de consignes, proposé six optimisations et exécuté 16 892 tests unitaires. Les évaluateurs humains ont accepté deux propositions et en ont rejeté quatre, en invoquant notamment les risques de données mises en cache obsolètes, la dépendance à des éléments internes de bibliothèques, la baisse de lisibilité et des gains limités à des tests artificiels.

Les modifications acceptées filtrent l’historique des conversations avant de le copier et ne chargent les bibliothèques lourdes que lorsqu’elles sont nécessaires. Au total, la modification finale a concerné 22 fichiers et ajouté 17 fonctions de test. Google fait état d’une réduction d’environ 40 % du temps de préparation des longues sessions conservées en mémoire et d’une amélioration de 21 % du chargement des paquets lors d’un démarrage à froid.

Une mesure distincte portant sur une exécution de 158 tours est passée de 65,6 à 56,1 secondes, soit une baisse d’environ 14,5 %. Ce résultat plus modeste n’est pas contradictoire : améliorer de 40 % un composant ne rend pas l’ensemble d’un flux de travail 40 % plus rapide. L’expérience montre également que la réussite aux tests publics ne suffisait pas à elle seule. Une modification proposée pour les imports a passé les 16 892 tests publics, mais échoué à 25 tests internes avant d’être revue.

De Chromium à l’accélération de l’inférence de Gemma

Google affirme qu’Argon a contribué à séparer le traitement central des pages web d’un ancien dossier contenant environ six millions de lignes de fonctionnalités du navigateur, au sein des 40 millions de lignes de code de Chromium. Ce dossier représente environ 15 % du total. La restructuration a porté sur des centaines de fichiers et, selon Google, a ramené à quelques semaines un travail qui aurait pris des mois.

L’objectif est de permettre aux pages web ouvertes de passer d’un onglet à un panneau latéral ou à une fenêtre flottante sans rechargement, tout en éliminant une catégorie de plantages. Il s’agit des effets attendus des travaux d’architecture, et non de la preuve que tous les utilisateurs disposent déjà de ces fonctionnalités.

Pour Gemma 4 E2B, Google annonce une vitesse d’inférence multipliée par 2,85 sur un Nvidia A100 avec vLLM, un logiciel de déploiement de modèles de langage. Le débit est passé d’environ 37 900 à plus de 108 000 jetons par seconde, avec des jetons générés identiques et aucune baisse de qualité signalée. Ce résultat concerne un modèle et un matériel précis ; il ne signifie pas que toute la famille Gemma bénéficie d’une hausse de vitesse équivalente.

D’autres exemples internes rapportés comprennent la détection d’un rendu redondant des émojis dans les commentaires YouTube et la découverte de bogues remontant à 2018 dans le simulateur de physique des drones utilisé par Wing, le service de livraison d’Alphabet. Les chiffres concernant YouTube diffèrent selon les sources : l’une fait état d’une baisse de 45 % de la charge des serveurs, l’autre d’une division par deux de la puissance de calcul nécessaire. Sans précisions supplémentaires, ces mesures ne doivent pas être considérées comme équivalentes.

Selon une autre enquête, Argon a examiné 134 bogues logiciels anciens et établi que 97 étaient obsolètes ou faisaient doublon, en moins de trois heures. Pris ensemble, ces exemples plaident en faveur d’Argon comme outil de maintenance et d’investigation, même s’ils restent des affirmations de l’entreprise et non des résultats reproduits de manière indépendante.

La première place dans les évaluations dépend de la tâche

La fiche modèle d’Argon publiée en octobre par Google DeepMind fiche modèle d’Argon indique un score de 68,9 % à l’indice Vals, contre 63,1 % pour GPT-6 Astra et 67,0 % pour Claude Opus 5.5. Argon arrive en tête de cette mesure du travail professionnel dans des domaines comme la finance, le droit, le codage et la fiscalité.

Parmi ses résultats en codage figurent 77,9 % à DeepSWE v1.1 et 91,9 % à Vibe Code Bench. À CWE-bench v1, une évaluation de cybersécurité, Argon obtient 68,0 %, à égalité avec GPT-6 Astra, sans le dépasser.

Le même tableau officiel montre que des concurrents sont mieux classés ailleurs. À FrontierSWE v2, Argon obtient 55,0 %, contre 65,5 % pour Astra. À Terminal-bench 4.0, son score de 57,4 % est inférieur aux 66,4 % d’Opus 5.5. Les affirmations générales de supériorité en codage et en sciences doivent donc être nuancées.

Selon les résultats publiés de l’Artificial Analysis Intelligence Index, Argon obtient 53 points, à égalité avec GPT-6 Astra et Claude Fable 5.1, mais en dessous de Claude Opus 5.5, à 58 points, ainsi que de Muse Wonder Full et Claude Sonnet 5.5, à 56 points. Ces scores mesurent un ensemble de capacités différent de celui de l’indice Vals et ne peuvent pas être directement comparés à ses pourcentages.

Sam Witteveen, directeur général et cofondateur du cabinet de conseil en IA d’entreprise Red Dragon AI, a salué Argon tout en contestant qu’il s’agisse du meilleur modèle disponible. Son évaluation correspond à ces résultats contrastés : de bonnes performances professionnelles ne suffisent pas à établir une supériorité pour tous les types de tâches.

Des résultats scientifiques, du code quantique aux tests d’enzymes

Google affirme qu’Argon a presque doublé le débit d’inférence d’une version interne d’AlphaQubit, un système d’apprentissage automatique qui décode les erreurs quantiques. L’entreprise indique également qu’une implémentation par Argon d’une sous-routine arcsin, vérifiée formellement avec Lean, a réduit de plus de 100 fois le coût spatio-temporel par rapport à une référence publiée fondée sur l’algorithme quantique CORDIC. Le coût spatio-temporel combine les ressources de calcul nécessaires à une opération quantique et le temps qu’elle prend.

Dans le domaine de la fusion, Google a travaillé avec Matt Landreman, professeur à l’université du Maryland, afin de dégager une catégorie plus large de contre-exemples à la conjecture de Grad, une hypothèse formulée en 1967 sur les solutions exactes des champs magnétiques. Les solutions obtenues fournissent des références pour tester les logiciels de simulation des stellarators. Il s’agit d’une contribution mathématique et de simulation, et non d’une démonstration de la faisabilité commerciale de l’énergie de fusion.

Google affirme également que des modifications apportées au logiciel de chimie quantique xTB ont accéléré jusqu’à 2,3 fois la prédiction de structures moléculaires et 1,8 fois la recherche de configurations moléculaires alternatives. Ces modifications ont été versées au dépôt officiel du logiciel.

En biologie, Gamow Labs a utilisé Argon pour analyser des génomes anonymisés de nouveau-nés atteints de rares troubles du développement pulmonaire. Google décrit un cas où le modèle a repéré un réarrangement chromosomique passé inaperçu pendant des années. Des évaluations internes lui ont attribué 57 % pour l’aide au diagnostic des maladies rares et 52,2 % pour le raisonnement en laboratoire. Ces évaluations de recherche ne prouvent pas qu’Argon puisse diagnostiquer des patients de manière autonome.

Les scientifiques de Google ont également utilisé Argon pour générer cinq nouvelles conceptions de sérine-estérases, des enzymes qui rompent les liaisons ester. Des tests ultérieurs en laboratoire ont confirmé leur activité catalytique. Par ailleurs, Google a ouvert les candidatures à 10 000 scientifiques, qui pourront bénéficier gratuitement pendant six mois du niveau d’utilisation le plus élevé d’Antigravity. Les admissions se feront au fil de l’eau, sous réserve de remplir les critères d’éligibilité, d’être sélectionné et des places disponibles.

Les démonstrations de robotique vont au-delà d’un simple lancer

Argon a obtenu 87 % au test Embodied Reasoning, qui évalue la compréhension de problèmes physiques et spatiaux. Lors d’une démonstration interne, il a visionné une vidéo d’une personne jouant au cornhole, cartographié l’environnement, calculé les mouvements des articulations et généré du code de simulation. Selon Google, le transfert de ce travail vers le robot humanoïde Apollo d’Apptronik a permis de réussir sept lancers consécutifs lors d’un essai en conditions réelles.

Parmi les autres démonstrations rapportées figurent un robot Spot de Boston Dynamics qui utilise une poubelle à pédale pour jeter des canettes, un bras robotisé qui remet une tasse tombée à la verticale et y place une serviette, ainsi qu’Argon qui pilote des simulations vidéo grâce à des retours visuels répétés. Ces exemples associent raisonnement, observations calibrées, commandes de mouvement prédéfinies et étapes de vérification ; ils ne démontrent pas une autonomie robotique sans limites.

Les travaux de robotique comprennent également la reconstruction de simulations à partir d’enregistrements des caméras de robots, de vidéos d’humains et de croquis. Il est important de reproduire les forces de contact autant que l’apparence visuelle : une simulation qui semble convaincante peut tout de même enseigner des mouvements qui échouent sur le matériel réel.

Selon une expérience rapportée, des données générées en simulation ont fait passer le taux de réussite des tâches physiques de 56 % à 75 %, soit une hausse de 19 points de pourcentage. Le temps d’exécution est passé de 35 à 24 secondes, soit une baisse d’environ 31 %. Ces résultats étayent une conclusion plus circonscrite sur l’amélioration de l’entraînement et de l’exécution des tâches, et non une démonstration d’intelligence physique générale.

Les informations sur la sécurité nuancent le récit du lancement

La fiche modèle indique que Google ne peut exclure qu’Argon atteigne des niveaux critiques de capacités concernant les risques liés aux informations biologiques et à la cybersécurité. Ces seuils servent à déterminer si un modèle pourrait accroître sensiblement la capacité de causer des dommages graves en l’absence de protections adaptées. Google affirme avoir élaboré des dossiers de sécurité et des mesures de protection qui ramènent les risques résiduels sous ces seuils.

Argon a également réussi 14 des 15 épreuves évaluant la dissimulation et la conscience de la situation. Ici, « réussir » signifie accomplir les épreuves de capacité, et non obtenir une certification de sécurité. Google indique donc ne pas pouvoir exclure l’atteinte d’un seuil associé à la remise en cause du contrôle humain en l’absence de protections supplémentaires.

L’annonce de lancement décrit plusieurs défenses : un entraînement visant à respecter les limites et à demander une confirmation humaine avant les étapes irréversibles, une surveillance destinée à bloquer les contournements non autorisés et des protections contre les instructions malveillantes cachées dans des pages web, des courriels ou du code. Google fait état d’un taux de réussite des attaques de 0,7 % sur 15 tentatives adaptatives, dans le cadre du test Gray Swan d’injection indirecte de prompts.

Parmi les autres résultats de sécurité rapportés, les tentatives de contournement non autorisé sont tombées à 2 % lors d’évaluations de codage, et les tests biologiques adversariaux externes ont permis de débloquer moins de 1 % des sous-tâches testées. Ces chiffres décrivent des tests précis et ne constituent pas des garanties contre les abus. La fiche modèle fait également état d’une dégradation de 1,57 point de pourcentage par rapport à Gemini 3.1 Pro sur une mesure automatisée de sécurité des textes. Google indique que l’écart restait dans les intervalles de confiance et que l’examen manuel a surtout relevé des faux positifs ou des problèmes peu graves.

Google étend son programme Fairwind à des centaines de partenaires supplémentaires agréés dans le domaine de la cybersécurité, qui pourront accéder au modèle sans garde-fous cyber dans le cadre de ce programme. L’annonce mentionne Wiz, qui utilise Argon pour traiter des risques liés aux infrastructures publiques et aux systèmes de santé, notamment une chaîne de vulnérabilités susceptible d’exposer une clé maîtresse et de donner accès à un compte administrateur.

Selon les informations publiées, Google a participé au processus d’évaluation volontaire de la Maison-Blanche, mais celui-ci n’est pas public. Cette participation ne doit pas être présentée comme une certification publique de sécurité d’Argon délivrée par le gouvernement.

Ce que les acheteurs doivent encore vérifier

Argon accepte du texte, des images, de l’audio et de la vidéo, et produit du texte. La fiche modèle indique une fenêtre de contexte combinée, en entrée et en sortie, pouvant atteindre un million de jetons. Il s’agit d’une capacité partagée, et non d’une promesse d’un million de jetons en entrée auxquels s’ajouterait un autre million en sortie. Selon les informations publiées, la limite de réponse sans interruption n’a pas été précisée.

La date limite de ses connaissances est mars 2026, et Google avertit que celles-ci peuvent être plus anciennes dans certains domaines. Le modèle peut inventer des informations inexactes, et ses réponses peuvent être lentes ou interrompues par des dépassements de délai. Ces limites comptent pour les travaux juridiques, financiers, scientifiques et d’ingénierie auxquels Google destine Argon.

Le lancement présente des exemples de performances particulièrement concrets, mais le cas d’ingénierie le plus convaincant montre aussi la nécessité d’un déploiement sélectif : les responsables du projet ont rejeté quatre des six optimisations proposées. Les acheteurs peuvent désormais tester Argon sur leurs propres systèmes. Les tarifs après novembre, l’élargissement de l’accès par abonnement et l’efficacité des mesures de protection hors des évaluations contrôlées restent à suivre.

Points clés

• Google a lancé le déploiement élargi d’Argon le 13 octobre 2026 auprès des abonnés, développeurs et entreprises éligibles.
• Les tarifs de lancement de l’API sont de 2 $ par million de jetons en entrée et de 10 $ par million de jetons en sortie.
• Selon les informations publiées, les tarifs standards doublent le 1er décembre ; l’annonce officielle de lancement ne précise pas cette échéance.
• Argon arrive en tête de l’indice Vals, mais est devancé par des modèles concurrents dans plusieurs autres évaluations.
• Au cours d’une optimisation Python de 11 heures, les évaluateurs humains ont accepté deux propositions sur six.
• Google fait état de progrès en science et en robotique, notamment cinq conceptions d’enzymes testées en laboratoire et une amélioration des performances sur des tâches physiques.
• Google reconnaît que le modèle pourrait atteindre des seuils de capacités liés à la biologie, à la cybersécurité et au contrôle, et affirme que les mesures de protection réduisent les risques résiduels.