Google gjorde Gemini 4 Argon bredt tilgængelig den 13. oktober 2026. Modellen blev først annonceret den 30. september til udvalgte cybersikkerhedsfolk gennem Fairwind-programmet. Nu kan udviklere, virksomheder og abonnenter med de rette planer få adgang – men mulighederne afhænger af produkt og abonnement. Og benchmarkresultaterne er ikke et endegyldigt svar på, hvilken model der er bedst.
3
20
43
49
Hvor kan man bruge Gemini 4 Argon?
Google oplyser, at udviklere og virksomheder globalt kan bruge Argon via Gemini API og Gemini-platformen i AI Studio. Abonnenter på Google AI Ultra kan bruge modellen i Antigravity, mens Google AI Pro- og Ultra-abonnenter kan tilgå den i Gemini-appen og i AI-tilstanden i Søgning.
43
For udviklere er det stabile model-id gemini-4-argon. Googles udviklerannoncering nævner også Android Studio som et sted, hvor man kan bygge med Argon via den betalte Gemini API.
17
33
API-adgang og adgang via abonnement er to forskellige ting. Google oplyser, at Argon ikke er tilgængelig på API’ens gratis niveau eller gennem Google AI Pro-planen som API-adgang. Samtidig nævner Google Pro- og Ultra-adgang i Gemini-appen og AI-tilstanden i Søgning. At man kan bruge modellen i appen med Pro, betyder altså ikke, at man får gratis API-brug.
36
43
Google beskriver udrulningen som global. Det er dog ikke i sig selv en bekræftelse på, at alle funktioner er tilgængelige med det samme for alle brugere alle steder.
43
API-prisen er sat ned frem til 30. november
Introduktionsprisen for API’en er $2 pr. million inputtokens og $10 pr. million outputtokens. Cachede inputtokens koster $0,10 pr. million – 95 procent mindre end den almindelige inputpris. Introduktionsprisen gælder til og med 30. november; fra 1. december stiger priserne til henholdsvis $4 og $20 pr. million tokens.
1
3
13
Gemini API’en har en samlet grænse på én million tokens til input og output. Det er ét fælles tokenbudget, ikke én million inputtokens plus en separat million outputtokens.
43
44
Hvis du vil sammenligne de reelle omkostninger, bør du regne på tokenforbruget og eventuelle gentagelser for netop din opgave – inklusive cachet input og output. Prisen pr. million tokens fortæller ikke alene, hvad det koster at få en opgave løst, og de tilgængelige sammenligninger viser ikke en direkte, ensartet pris pr. fuldført opgave på tværs af modeller.
Hvad Google siger, modellen er bygget til
Google fremhæver Argon til krævende softwareudvikling, matematiske og videnskabelige problemstillinger, selvkørende agenter med flere trin og lange svar. Virksomheden peger også på juridisk og finansielt vidensarbejde samt cybersikkerhed. Det beskriver Googles tiltænkte anvendelser – ikke en uafhængig garanti for, hvordan modellen vil klare sig på en bestemt arbejdsplads eller opgave.
33
43
For udviklere og virksomheder er et afgrænset pilotprojekt derfor et fornuftigt næste skridt. Brug opgaver, der ligner det faktiske arbejde, og mål kvalitet, behov for efterkontrol, driftssikkerhed og samlet tokenforbrug, før I lægger en arbejdsgang eller et budget fast.
Hvad viser benchmarkene?
I Googles offentliggjorte benchmarktabel får Argon 68,9 procent på Vals Index. Til sammenligning står Claude Opus 5.5 til 67,0 procent og GPT-6 Astra til 63,1 procent. Det er Googles fremlagte resultater for netop dette benchmark – ikke et bevis på, at Argon er bedst til alle opgaver.
56
En separat sammenligning fra Artificial Analysis giver Argon 53 på Intelligence Index. Det er samme score som GPT-6 Astra, men lavere end Claude Opus 5.5 med 58 og Claude Sonnet 5.5 med 56.
14
57 De forskellige resultater understreger, at rangeringen afhænger af opgaven og den valgte evaluering – ikke af én enkelt overskrift eller topscore.
Kort fortalt
Den brede lancering giver udviklere en betalt API-mulighed og gør Argon tilgængelig i flere Google-produkter for abonnenter med de rette planer. API’ens introduktionspris gælder kun i en begrænset periode. Afprøv derfor modellen på de opgaver, du faktisk skal løse, tag højde for det fælles tokenbudget og prisstigningen, og se benchmarkføringer som resultater fra bestemte tests – ikke som en garanti for, at modellen passer bedst til alt.