Gemini 4 Pro-lek rond ‘argon’: wat de screenshot wel en niet bevestigt

Een screenshot die wordt toegeschreven aan een intern Google-model met de codenaam ‘argon’ heeft speculatie over Gemini 4 Pro aangewakkerd. De oorspronkelijke post van 14 september stelt dat een vroege checkpoint op een hoge denkstand 2,4 minuten nodig had, een outputlimiet van 256.000 tokens heeft en mogelijk met een contextvenster van 2 miljoen tokens verschijnt. Die laatste keuze zou volgens dezelfde post nog niet definitief zijn. 43

Dat is een interessant signaal van intern experimenteren, maar geen bevestiging van een publiek Gemini 4 Pro-product. De screenshot bewijst geen definitieve mogelijkheden, prijs, architectuur, benchmarkresultaten of releasedatum.

Wat de lekpost precies beweert

De rondgaande post bevat drie concrete beweringen:

• Een interne Gemini 4 Pro-checkpoint heet ‘argon’.
• Een getoond resultaat voor visuele generatie kostte 2,4 minuten op een hoge denk- of inspanningsstand.
• De build zou 256K outputtokens ondersteunen; een contextvenster van 2 miljoen tokens was volgens de post in overweging, maar nog niet vastgelegd. 43

In sommige berichtgeving wordt ook gesproken over ‘adaptief redeneren’. Ook dat moet worden gezien als onderdeel van dezelfde onbevestigde lek, niet als een gedocumenteerde Google-functie. 36

Zelfs als een screenshot echt is, zegt die beperkt iets over het uiteindelijke product. Interne modelnamen, instellingen voor extra rekentijd, tokenlimieten en labels in de interface kunnen nog veranderen voordat ontwikkelaars toegang krijgen.

Wat zegt een run van 2,4 minuten?

Als de screenshot authentiek is, wijst die tijd waarschijnlijk erop dat Google het systeem voor een lastige multimodale generatietaak aanzienlijk meer rekentijd tijdens de uitvoering liet gebruiken.

Dat is een bekende afruil:

• Meer redeneer- of generatietijd kan de uitkomst bij sommige moeilijke opdrachten verbeteren.
• Meer vertraging maakt zo'n stand minder geschikt voor direct, interactief gebruik.
• Meer rekenkracht kan de operationele kosten verhogen en de capaciteit beperken.

Eén uitvoering toont niet aan dat het model in het algemeen beter is. De afbeelding vertelt niets over slagingspercentage, consistentie, reproduceerbaarheid of kosten op grote schaal. Ook valideert een visueel voorbeeld geen vaardigheden voor programmeren, plannen, toolgebruik of agenttaken.

Waarom 256K output en 2 miljoen tokens context relevant zijn

De twee tokenaantallen meten verschillende grenzen.

Een contextvenster is alle informatie die een model in één verzoek kan meenemen: instructies, gespreksgeschiedenis, opgehaalde documenten, bestanden en resultaten van tools. Een outputlimiet bepaalt hoeveel het model als antwoord mag genereren. Een groot contextvenster kan helpen bij het analyseren van een grote codebase of lang document; een hoge outputlimiet kan ruimte bieden voor uitgebreide plannen, patches of gegenereerde bestanden.

Een gemelde context van 2 miljoen tokens zou voor Gemini op zichzelf niet ongekend zijn. Google stelde in juni 2024 al een contextvenster van 2 miljoen tokens in Gemini 1.5 Pro open voor alle ontwikkelaars. 33 Dat getal is dus geen zelfstandig bewijs dat ‘argon’ een nieuw, uitgebracht model is of dat het elke eerdere Gemini-configuratie substantieel overtreft.

Voor softwareteams is vooral de mogelijke combinatie interessant: genoeg context om een grote repository te laden én genoeg output om samenhangende wijzigingen voor te stellen. Maar context op repositoryniveau lost de praktische problemen van agentic softwareontwikkeling niet automatisch op:

• de juiste bestanden en afhankelijkheden selecteren;
• een degelijk implementatieplan maken;
• tools en versiebeheer correct gebruiken;
• tests draaien en fouten juist interpreteren;
• regressies en beveiligingsproblemen vermijden; en
• wijzigingen overzichtelijk houden voor menselijke review.

Daarvoor zijn onafhankelijke evaluaties op realistische codebases en openbare API-toegang nodig. Pas dan kunnen ontwikkelaars beoordelen of het model werkelijk bruikbaar is voor softwarewerk over meerdere bestanden.

Wat wél vaststaat over Gemini 4

Het sterkste bevestigde feit is beperkter dan de lek: Google zei in juli dat het met de training van Gemini 4 was begonnen. Reuters meldde op 21 juli dat Gemini 3.5 Pro nog met partners werd getest en volgens Google ‘binnenkort’ zou komen, terwijl de training van Gemini 4 al was gestart. 18

Dat bevestigt dat Gemini 4 in ontwikkeling was, maar niet:

• de productnaam Gemini 4 Pro;
• de codenaam ‘argon’;
• een outputlimiet van 256K tokens;
• een definitief contextvenster van 2 miljoen tokens;
• een functie voor adaptief redeneren;
• publieke API-toegang; of
• een release in oktober 2026.

Elke concrete planning voor een publieke release blijft een gerucht totdat Google die zelf aankondigt.

Waar ontwikkelaars op moeten wachten

De lek krijgt aandacht omdat een Gemini-model met lange context en hoge rekeninzet strategisch interessant kan zijn voor programmeeragents en complexe multimodale taken. Maar een indrukwekkende screenshot is niet de juiste maatstaf; reproduceerbaar bewijs is dat wel.

Voordat organisaties technische keuzes of inkoopbeslissingen nemen, zijn een Google-modelkaart of API-documentatie, gepubliceerde context- en outputlimieten, prijzen, ratelimieten, veiligheidsdocumentatie en onafhankelijke resultaten op codeer- en agentbenchmarks nodig. Daarna volgt de praktijkproef: testen op de eigen repository, buildstraat en reviewproces.

Vooralsnog is ‘argon’ het best te omschrijven als een gemeld intern experiment. Het kan een aanwijzing geven over de richting van Gemini 4, maar toont nog geen productierijpe Gemini 4 Pro of bewezen doorbraak. 4318