Gemini 4 Argon: 1M токенов вывода за $2/$10 — AI-дайджест

Gemini 4 Argon: 1M токенов вывода за $2/$10 — AI-дайджест

Google выпустила Gemini 4 Argon: первое место в 13 из 19 бенчмарков, до 1M токенов вывода и цена $2/$10 со скидкой. OpenAI приближается к $70 млрд годовой выручки.

Главное сегодня

Google выпустила Gemini 4 Argon: первое место в 13 из 19 бенчмарков и 1M токенов вывода

Google DeepMind представила Gemini 4 Argon — модель для кодинга, корпоративной работы со знаниями и киберзащиты, которая, по данным Google, обошла GPT-6 Astra и Claude Opus 5.5 в 13 из 19 опубликованных бенчмарков. Анонс вышел в аккаунте Google DeepMind и в блоге Google. На DeepSWE Gemini 4 Argon набирает 77,9% против 74,2% у Opus 5.5 и 74,1% у Astra, пишет The Rundown. Доступ получают сначала государственные пользователи и проверенные специалисты по киберзащите в программе Fairwind; разработчикам, компаниям и обычным пользователям Google откроет модель после доработки защит, сообщают Google и Демис Хассабис. Цена — $4/$20 за миллион входных и выходных токенов, со стартовой скидкой 50% без объявленного срока окончания — $2/$10, кэшированный вход дешевле на 95% (Филипп Шмид).

Gemini 4 Argon отвечает до 1M токенов за раз — почти в 16 раз больше прежних 64K

Google заявляет лимит вывода Gemini 4 Argon в 1 миллион токенов вместо прежних 64 тысяч — пост Google AI. Long Decode Continuation — это функция API, которая приостанавливает длинный ответ и продолжает его в следующих вызовах. Именно через неё Artificial Analysis получила 1M токенов вывода, а Vals указывает максимум 262K — цифра «1M» зависит от того, как модель вызывают. В замере Artificial Analysis Gemini 4 Argon набирает 53 балла индекса интеллекта — столько же, сколько GPT-6 Astra, и на балл больше GPT-6.1 Sol. Задача обходится Gemini 4 Argon в $1,99 против $3,26 у Astra по скидочной цене и в $3,98 по обычной; экономия идёт от цены, а не от бережливости: Argon тратит в среднем 62 тысячи выходных токенов на задачу против 27 тысяч у Astra.

Агенты на Gemini 4 Argon освободили в Google 300 ТиБ памяти и переводят 800 тысяч строк C/C++ на Rust

Google рассказала, что агенты на Gemini 4 Argon освободили более 300 ТиБ памяти в дата-центрах и переносят на Rust более 800 тысяч строк кода ядра на C/C++ — пересказ отчёта. В видеодекодере агенты заменили 32 тысячи строк SIMD-кода безопасным Rust, и существующий порт на Rust стал работать в 2,7 раза быстрее при идентичном результате. Команда Google также сообщает, что внутренние агентные циклы на Gemini 4 Argon помогли завершить доказательство гипотезы CK. Это заявления самой Google, независимой проверки этих цифр пока нет. Готовые сценарии агентов для своих задач собраны в каталоге шаблонов автоматизаций AI SKILLS.

OpenAI: около $70 млрд годовой выручки и переговоры о $30 млрд при оценке $1,4 трлн

OpenAI приближается к $70 млрд годовой выручки и ведёт переговоры о привлечении $30 млрд при оценке $1,4 трлн, а выход на биржу перенесён на следующий год — так сообщает The New York Times, данные приводит журналист Шри Муппиди. В те же дни OpenAI связала ядро кампании по извлечению скрытых рассуждений своих моделей с людьми, имеющими отношение к Moonshot AI: компания зафиксировала 16 000 попыток от более чем 4 000 пользователей за два дня и связанную активность ещё у 15 000+ пользователей (пересказ отчёта). Внешние исследователи пишут, что их атаки работали на GPT-6 Astra до этой недели, а исправления трудно доносить до всех версий продукта и сторонних хостингов (Йонас Гейпинг). Натан Ламберт считает уязвимость ответственностью поставщика API.

Итан Моллик: агенты научились работать группой сами — «горький урок» снова сработал

Итан Моллик 1 октября 2026 года признал, что ошибся в прогнозе: он считал, что работу группы ИИ-агентов придётся выстраивать как компанию, а новые модели справляются с этим сами. В эссе The Dot and the Swarm он пишет, что «попался на горький урок» — правило, по которому сложные правила, придуманные людьми, раз за разом проигрывают масштабу машинного обучения. Моллик проводит параллель с промптингом: громоздкие шаблоны и цепочки подсказок, которые вели модель по шагам, потеряли ценность, когда модели научились планировать шаги сами. Практический вывод для тех, кто строит агентов: меньше жёсткой оркестровки, больше постановки цели и проверки результата. Как ставить задачи моделям сегодня — в библиотеке промптов AI SKILLS.

Цифры и факты

Разные точки зрения: Gemini 4 Argon — новый лидер или подгонка под тесты?

Независимые замеры подтверждают, что Gemini 4 Argon вернула Google в группу лидеров, но не в единоличное первенство: Artificial Analysis ставит её вровень с GPT-6 Astra (53 и 53 балла), а Vals — на первое место своего индекса с 68,9%. Бенчмаксинг — это подгонка модели под публичные тесты, из-за которой цифры в таблицах обгоняют реальную пользу. Именно в этом Gemini 4 Argon подозревают часть наблюдателей.

Инструменты и приёмы

Коротко