Gemini 4 Argon

Google・🇺🇸 米国・最上位

マルチモーダル長文コンテキストコーディングエージェント・業務自動化

Google の新フラッグシップ。ネイティブ・マルチモーダルな大規模スパース MoE モデルで、先行モデルの改良ではなく新規。Google は GPT-6 Astra・Claude Fable 5.1・Opus 5.5 を上回る領域があると主張（Google 報告値）。

$2入力 / 100万トークン

$10出力 / 100万トークン

1Mコンテキスト

2026-10-13公開日

仕様の詳細

提供状況: Gemini API・Google AI Studio・Gemini アプリ・Antigravity ほか（無料枠・Google AI Pro では利用不可）
API ID: gemini-4-argon
最大出力: 要確認
価格の注記: Google 公式の料金ページで確認（2026-10-16）。導入価格は 2026-11-30 まで、12-01 以降は入力 $4・出力 $20。バッチ/Flex は半額。長文出力は最大1Mトークン。
価格の確認: 公式ページで確認済み
最終確認日: 2026-10-16

ベンチマーク19件

自社発表（＊）を除く

ベンチマーク	結果	詳細
DeepSWE v1.1コーディング	77.9%＊
何を測る？ソフトウェアエンジニアリングのエージェント評価（v1.1）。問題内容の詳細は各社の評価方法ページを参照。上位モデルは70%台で接近している。測定条件・出典 77.9%＊ — Google 出典 ↗
FrontierSWE v2コーディング	55%＊
何を測る？ Google の比較表で「エージェント型コーディング」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 55%＊ — Google 出典 ↗
PostTrainBenchコーディング	45.3%＊
何を測る？ Google の比較表で「ML エンジニアリング」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 45.3%＊ — Google 出典 ↗
Terminal-Bench 4.0コーディング	57.4%＊
何を測る？ターミナル上で、ソフトウェア・機械学習・科学・運用・セキュリティ・ハードウェア・メディアなど複雑な多段階作業をやり切れるかを測る評価。実際にコマンドを実行して作業を完了できるか。エージェントのハーネス（実行環境）や試行回数で結果が変わり、標準誤差は±2〜3pt程度。数pt差は誤差の範囲。測定条件・出典 57.4%＊ — Google 出典 ↗ 公式サイト ↗
Vibe Code Benchコーディング	91.9%＊
何を測る？ Google の比較表で「エージェント型コーディング」に分類される評価。詳細は Google の評価方法ページを参照。上位は90%前後で飽和気味。測定条件・出典 91.9%＊ — Google 出典 ↗
AutomationBenchエージェント・業務	51.3%＊
何を測る？ Zapier 作。複数の連携アプリをまたぐ実際の業務ワークフローをエージェントが遂行できるかを測る。業務自動化の実用度。ガードレール違反や安全装置の介入が失敗扱いになる設定だと、実運用より低く出る。測定条件・出典 51.3%＊ — Google 出典 ↗
Harvey Legal Agent Benchmarkエージェント・業務	19.6%＊
何を測る？法務業務を行うエージェントの評価（Harvey）。全体に低い値の難関評価。差は大きく見えるが母数・採点方法に注意。測定条件・出典 19.6%＊ — Google 出典 ↗
Vals Finance Agent v2エージェント・業務	65.4%＊
何を測る？金融分野の業務を行うエージェントの評価（v2）。金融調査・分析の実務適性の目安。測定条件・出典 65.4%＊ — Google 出典 ↗
Vals Indexエージェント・業務	68.9%＊
何を測る？ Google の比較表で「知識労働」に分類される総合指数。詳細は Google の評価方法ページを参照。測定条件・出典 68.9%＊ — Google 出典 ↗
Agents' Last ExamPC・ブラウザ操作	39.5%＊
何を測る？コンピュータ操作エージェントの合格率を測る評価。測定者によって値が大きく違う（OpenAI 59.3% / Google 34.2% など）。必ず測定者と条件を確認すること。測定条件・出典 39.5%＊ — Google（合格率）出典 ↗
OSWorld 2.0（オフライン・部分点）PC・ブラウザ操作	69.2%＊
何を測る？実際のPC環境でGUI操作タスクをこなす OSWorld 2.0 のオフラインサブセットの部分点。実際に画面を見て操作する力。部分点なので完全達成率ではない。測定条件・出典 69.2%＊ — Google（オフラインサブセット・部分点）出典 ↗ 公式サイト ↗
LABBench 2科学・数学	88.8%＊
何を測る？ Google の比較表で「科学・数学」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 88.8%＊ — Google 出典 ↗
RiemannBench科学・数学	76%＊
何を測る？ Google の比較表で「科学・数学」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 76%＊ — Google 出典 ↗
Terminal-Bench Science 0.1科学・数学	57.6%＊
何を測る？データ解析・シミュレーション・モデルのフィッティングなど、科学研究のワークフローをコードとターミナルで遂行できるかを測る。研究実務に近いエージェント評価。標準誤差が±3.5〜5ptと大きいため、近い値の優劣は断定できない。測定条件・出典 57.6%＊ — Google 出典 ↗
GraphWalks（〜128K・BFS F1）長文コンテキスト	99.7%＊
何を測る？長文脈内のグラフを幅優先探索（BFS）でたどるタスク（F1）。128Kトークンまで。長文の中で構造を追跡できるか。測定条件・出典 99.7%＊ — Google 出典 ↗
GraphWalks（256K〜1M・BFS F1）長文コンテキスト	84.2%＊
何を測る？同上（256K〜1Mトークン）。超長文では Argon が大きくリード（Google 報告）。測定条件・出典 84.2%＊ — Google 出典 ↗
Chartographyマルチモーダル	71.6%＊
何を測る？グラフ・図表の読み取り（視覚的チャート認識）。 Anthropic は「ツール使用あり」、Google は条件の記載なしで報告しており、値の直接比較は不可。測定条件・出典 71.6%＊ — Google（条件記載なし）出典 ↗
LVBenchマルチモーダル	91.7%＊
何を測る？長時間動画の理解を測る評価。動画入力の強さ。Google の比較表に掲載。測定条件・出典 91.7%＊ — Google 出典 ↗
CWE-bench v1サイバーセキュリティ	68%＊
何を測る？ Google の比較表でサイバーセキュリティに分類される脆弱性（CWE）関連の評価。詳細は Google の評価方法ページを参照。測定条件・出典 68%＊ — Google 出典 ↗

＊＝開発元の自社発表。測定者・条件が違う値は同じ名前でも直接比較できません。ⓘ で条件を確認できます。

情報源（5）

公式・一次情報

Google DeepMind: Gemini 4 Argon モデルカード ↗ Google DeepMind・2026-10-13
2026年10月時点。比較表の他社数値は Google が掲載したもの。
Gemini API: What's new in Gemini 4 Argon ↗ Google
導入価格は 2026-11-30 まで。
Gemini API: Pricing ↗ Google
導入価格の終了日と以降の価格が記載。コンテキスト長の表記はなし。

報道・二次情報

Reuters: Google launches Gemini 4 Argon ↗ Reuters・2026-10-13
The Verge: The AI race is back on (2026-10-14) ↗ The Verge・2026-10-14

得意分野の根拠

マルチモーダル — ネイティブ・マルチモーダル。LVBench 91.7%・Chartography 71.6%（Google 報告）
長文コンテキスト — GraphWalks 256K〜1M で 84.2%（Google 報告で比較表内最高）／1M
コーディング — DeepSWE v1.1 77.9%（Google 報告で比較表内最高）
エージェント・業務自動化 — Vals Index 68.9%・AutomationBench 51.3%（Google 報告）
科学・数学 — LABBench 2 88.8%（Google 報告で比較表内最高）

掲載された測定値や仕様をもとにした編集部の分類です。