Gemini 4 Pro-läckan ”Argon”: Det skärmbilden faktiskt bekräftar – och inte bekräftar

En skärmbild som tillskrivs en intern Google-modell med kodnamnet ”argon” har satt fart på spekulationerna om Gemini 4 Pro. I det ursprungliga inlägget från den 14 september påstås att en tidig version behövde 2,4 minuter vid en inställning för hög tankenivå, hade en outputgräns på 256 000 token och möjligen skulle lanseras med ett kontextfönster på 2 miljoner token. Samma inlägg säger dock att beslutet om kontextfönstret inte var fattat. 43

Det är en intressant signal om möjlig intern utveckling – men inte en bekräftelse på en publik produkt kallad Gemini 4 Pro, dess slutliga funktioner, pris, arkitektur, benchmarkresultat eller lanseringsdatum.

Vad läckan påstår

Det spridda inlägget framför tre konkreta påståenden:

• En intern Gemini 4 Pro-version kallas ”argon”.
• Ett visat resultat inom bildgenerering tog 2,4 minuter med hög tankenivå eller hög arbetsinsats.
• Versionen uppges stödja 256 000 output-token, medan ett kontextfönster på 2 miljoner token övervägdes men inte hade beslutats. 43

Viss rapportering beskriver också gränssnittet som utrustat med ”adaptivt resonemang”. Även det bör betraktas som en del av samma overifierade läcka, inte som en dokumenterad Google-funktion. 36

Även om skärmbilden skulle vara äkta är den en osäker vägledning till vad som faktiskt når utvecklare. Interna modellnamn, inställningar för beräkning vid körning, tokenbegränsningar och gränssnittstexter kan ändras före en lansering.

Vad 2,4 minuter med hög arbetsinsats kan innebära

Om skärmbilden är äkta tyder tidsuppgiften närmast på att Google lät systemet använda betydligt mer beräkningskraft vid körning för en svår multimodal genereringsuppgift.

Det är en välkänd avvägning i AI-produkter:

• Mer tid för övervägande eller generering kan förbättra resultatet i vissa svåra uppgifter.
• Högre fördröjning gör läget mindre lämpat för interaktiva arbetsflöden.
• Mer beräkningskraft kan höja driftskostnaden och begränsa kapaciteten.

En enda körning visar inte att modellen är bättre generellt. Den säger inget om träffsäkerhet över många uppgifter, hur jämna resultaten är, om de går att upprepa eller vad upplevelsen kostar i stor skala. Ett visuellt exempel bekräftar inte heller förmåga inom programmering, planering, verktygsanvändning eller andra agentfunktioner.

Därför spelar 256 000 output-token och 2 miljoner token i kontext roll

De två tokenuppgifterna avser olika begränsningar.

Ett kontextfönster är den information modellen kan ta hänsyn till i en begäran: instruktioner, samtalshistorik, hämtade filer, verktygsresultat och annan indata. En outputgräns är hur mycket modellen kan generera som svar. Ett stort kontextfönster kan hjälpa ett system att granska en kodbas eller ett långt dokument, medan ett stort utrymme för svar kan möjliggöra omfattande planer, kodändringar eller genererade artefakter.

Den rapporterade kontexten på 2 miljoner token vore dock inte unik för Gemini. Google öppnade redan i juni 2024 tillgång till ett kontextfönster på 2 miljoner token i Gemini 1.5 Pro för alla utvecklare. 33 Siffran är därför i sig inte belägg för att ”argon” är en ny lanserad modell eller att den tydligt överträffar alla tidigare Gemini-konfigurationer.

För utvecklingsteam är den intressanta möjligheten kombinationen: tillräcklig kontext för att läsa in ett stort kodförråd och tillräcklig output för att föreslå samordnade ändringar. Men kodbaser i den storleksordningen löser inte automatiskt de praktiska problem som gör agentbaserad mjukvaruutveckling svår:

• att välja rätt filer och beroenden;
• att lägga en hållbar implementationsplan;
• att använda verktyg och versionshantering korrekt;
• att köra tester och tolka fel;
• att undvika regressioner och säkerhetsbrister; och
• att hålla ändringarna möjliga för människor att granska.

Det krävs oberoende utvärderingar på realistiska kodbaser och publik API-tillgång innan utvecklare kan bedöma om modellen fungerar för flerfilsutveckling.

Det bekräftade om Gemini 4

Det starkaste bekräftade faktumet är betydligt snävare än läckan: Google sade i juli att bolaget hade inlett träningen av Gemini 4. Reuters rapporterade den 21 juli att Gemini 3.5 Pro fortfarande testades med partners och enligt Google skulle komma ”snart”, samtidigt som träningen av Gemini 4 hade påbörjats. 18

Det bekräftar att arbete med Gemini 4 var i gång. Det bekräftar inte:

• ett produktnamn som Gemini 4 Pro;
• kodnamnet ”argon”;
• en outputgräns på 256 000 token;
• ett fastställt kontextfönster på 2 miljoner token;
• en funktion för adaptivt resonemang;
• publik API-tillgång; eller
• en lansering i oktober 2026.

En konkret tidplan för en publik lansering är fortsatt ett rykte tills Google meddelar den direkt.

Varför utvecklare bör invänta belägg

Läckan får uppmärksamhet eftersom en Gemini-modell med lång kontext och hög beräkningsinsats skulle kunna bli strategiskt viktig på en marknad där kodagenter och komplexa multimodala uppgifter står i fokus. Men måttstocken bör inte vara en imponerande skärmbild, utan resultat som går att upprepa.

Innan tekniska beslut eller inköp fattas bör utvecklare invänta en modellbeskrivning eller API-dokumentation från Google, angivna gränser för kontext och output, priser och kvoter, säkerhetsdokumentation samt oberoende resultat på kodnings- och agentbenchmarkar. Därefter bör modellen testas mot den egna kodbasen, byggmiljön och granskningsprocessen.

Just nu är ”argon” bäst beskrivet som ett rapporterat internt experiment. Det kan ge en antydan om riktningen för Gemini 4, men det visar ännu inte att en lanseringsklar Gemini 4 Pro finns – eller att Google har tagit ett avgörande steg före konkurrenterna. 4318