Gemini 4 Argon : Google sort son modèle le plus puissant, mais d'abord aux défenseurs
Google annonce un modèle de frontière qui réécrit des noyaux en Rust et traque les failles, puis le garde sous clé le temps de verrouiller les garde-fous.
Qui en parle
Repris par 40 médias · 6 de premier rang · 6 tech · 6 forums · 30 posts réseaux
En bref
Google dévoile Gemini 4 Argon, son nouveau modèle de frontière taillé pour le code long, le travail de bureau à forte valeur (droit, finance) et la cyberdéfense. Il n'est pour l'instant accessible qu'à des défenseurs cyber triés sur le volet via le Fairwind Program, avant une ouverture progressive aux clients API payants et abonnés Google AI Ultra. L'annonce combine des benchmarks en tête, un prix d'appel agressif et un chapitre sécurité inhabituellement détaillé.
🍺 Version comptoir
Google a fabriqué une IA tellement forte en piratage qu'il a décidé de ne la prêter qu'aux gentils, en leur retirant même les sécurités, parce que les gentils, c'est connu, on peut leur faire confiance. En attendant, elle a déjà libéré 300 To de mémoire dans les data centers de Google et réécrit du code vieux de plusieurs générations, ce qui revient à engager un stagiaire qui range la cave en une après-midi. Le reste du monde, lui, attend « bientôt », un mot qui dans la tech couvre une période allant de la semaine prochaine à l'ère glaciaire. Ce qui compte : les modèles deviennent assez bons pour trouver des failles que personne n'avait vues, et la question n'est plus de savoir s'ils le feront, mais pour qui.
À retenir
- 1
Gemini 4 Argon est d'abord déployé auprès de défenseurs cyber de confiance via le Fairwind Program, dans le cadre du processus volontaire d'accès pré-lancement du gouvernement américain.
- 2
Le prix d'introduction est fixé à 2 dollars par million de tokens en entrée et 10 dollars en sortie, avec une remise de 95 % sur les tokens en cache.
- 3
La limite de sortie passe de 64K à 1 million de tokens, pour permettre des raisonnements et des générations de plusieurs centaines de milliers de tokens d'un seul tenant.
- 4
Google revendique la première place sur DeepSWE v1.1 (77,9 %), AutomationBench de Zapier (51,3 %), LVBench (91,7 %) et le Vals Index, et une égalité en tête sur CWE-bench v1 (68 %).
- 5
En interne, des agents Argon migrent du C/C++ vers Rust, jusqu'aux 800K+ lignes du noyau Zircon de Fuchsia, et ont libéré plus de 300 TiB de mémoire dans les data centers.
- 6
Les défenseurs autorisés reçoivent une version sans garde-fous cyber ; avec Wiz, le modèle a trouvé une faille critique dans un logiciel hospitalier utilisé mondialement.
- 7
Côté sûreté, Google surveille la chaîne de raisonnement du modèle et appelle l'industrie à préserver la transparence du raisonnement pour détecter le misalignment.
Un lancement en deux temps
Gemini 4 Argon est présenté comme le nouveau modèle de frontière de Google, conçu pour tenir un raisonnement profond sur des tâches longues et multi-étapes. Ses trois terrains de prédilection : l'ingénierie logicielle réelle, le travail de connaissance en entreprise (droit, finance, fiscalité) et la cyberdéfense.
Mais le grand public n'y a pas encore accès. Le modèle part d'abord chez un cercle de défenseurs cyber via le Fairwind Program, pendant que Google participe au processus volontaire d'accès pré-lancement mis en place par le gouvernement américain.
L'ouverture se fera ensuite par paliers, en commençant par les clients API payants et les abonnés Google AI Ultra. Aucune date n'est donnée, seulement un « rolling out soon ». Le prix d'appel est en revanche déjà annoncé : 2 dollars par million de tokens en entrée, 10 dollars en sortie, et 95 % de remise sur les tokens en cache.
Ce qu'Argon fait déjà chez Google
Selon Koray Kavukcuoglu, des milliers d'employés utilisent déjà Argon au quotidien, du debugging à la conception d'algorithmes. Plusieurs exemples chiffrés sont avancés.
En informatique quantique, le modèle a optimisé les ressources spatio-temporelles (qubits × portes) d'une sous-routine en battant la référence publiée de 40 %, en quelques minutes. Sur l'infrastructure, une équipe d'agents Argon a analysé la télémétrie de profilage de toute la flotte et appliqué des optimisations mémoire de façon autonome : plus de 300 TiB libérés, pour un gain total estimé entre 500 TiB et 1 PiB.
Le chantier le plus parlant est la migration de C/C++ vers Rust, de bibliothèques comme re2 et libgav1 jusqu'au noyau Zircon de Fuchsia (800K+ lignes). Sur libgav1, le décodeur vidéo open source de Google, les agents ont remplacé 32K lignes de code SIMD par du Rust sûr que le compilateur vectorise lui-même, pour un décodeur 2,7 fois plus rapide que le port Rust existant, à sortie vidéo identique. Google précise que ces réécritures passent par des audits automatisés et manuels avant toute mise en production.
Un million de tokens en sortie et des benchmarks en tête
Le changement technique le plus notable est la limite de sortie, qui passe de 64K à 1 million de tokens. L'idée : laisser le modèle réfléchir et produire des centaines de milliers de tokens dans une seule trajectoire pour résoudre un problème difficile d'un coup.
Sur le code, Argon affiche 77,9 % sur DeepSWE v1.1, qui mesure les tâches d'ingénierie logicielle longues. Hors code, il revendique la tête du Vals Index (pondéré par la contribution de chaque secteur au PIB américain), de Vals Finance Agent v2, du Legal Agent Benchmark de Harvey et d'AutomationBench de Zapier (51,3 %).
Google met aussi en avant la compréhension visuelle appliquée au travail de bureau : analyse de graphiques, détails repérés dans de longues vidéos, actions à partir de séries de documents. Sur LVBench, consacré aux vidéos longues, le modèle atteint 91,7 %.
La cyberdéfense comme vitrine
Argon a été entraîné spécifiquement pour trouver, valider et corriger des vulnérabilités de manière autonome. Pour les défenseurs de confiance et les équipes internes, Google le livre sans garde-fous cyber, afin d'exploiter l'intégralité de ses capacités.
Wiz l'utilise déjà dans son initiative Scan for Good, qui protège gratuitement des infrastructures publiques critiques. Le modèle y aurait découvert une faille critique exposant des données personnelles sensibles dans un logiciel de santé utilisé par des hôpitaux du monde entier, faille manquée par les modèles de frontière précédents.
Sur CWE-bench v1, qui évalue la correction de vulnérabilités, Argon est à égalité en tête avec 68 %. Google affirme aussi des progrès nets sur 3.8 Flash Cyber, notamment sur un benchmark interne couvrant 20 langages et sur le benchmark de pentest en boîte noire de Wiz, où il faut analyser des systèmes web en production sans code source.
Quatre chantiers de sûreté avant l'ouverture
Contre les usages malveillants (cyber et CBRN), le modèle refuse les requêtes dangereuses tout en préservant la recherche à double usage légitime, conformément au Frontier Safety Framework. Google renforce notamment la surveillance des activations internes du modèle pour repérer les abus, avec des tests par des red teams internes et externes.
Contre les prompt injections indirectes, Argon est présenté comme le modèle le plus résistant de Google, en tête du benchmark IPI de Gray Swan grâce au red teaming automatisé et à l'entraînement adversarial.
Contre le misalignment, Google surveille la chaîne de raisonnement et les actions du modèle, et peut interrompre l'exécution. Le même dispositif a servi pendant l'entraînement, en évitant soigneusement de réinjecter les constats dans l'entraînement pour ne pas apprendre au modèle à contourner la surveillance. Enfin, les environnements sandbox sont isolés et scellés avant les entraînements et évaluations à haut risque.
“Safely releasing frontier capabilities at this level requires a phased approach.”
“For trusted defenders and our own internal teams at Google, we'll be releasing Argon without cyber guardrails so they can leverage its full frontier-level cybersecurity defense capabilities.”
“We strongly encourage the rest of the industry to preserve reasoning transparency in these pivotal moments of increased capabilities while navigating alignment risks.”
Pourquoi ça compte
Au-delà de la course aux scores, cette annonce dit beaucoup de l'état de l'industrie. D'abord, la cyberdéfense devient l'argument de lancement d'un modèle de frontière : on ne vend plus seulement un assistant, on vend une capacité offensive-défensive qu'on juge trop puissante pour être distribuée librement, au point de la confier sans garde-fous à des partenaires choisis par Google lui-même. C'est cohérent, mais cela concentre un pouvoir réel entre les mains de quelques acteurs qui décident qui est « de confiance ». Ensuite, les exemples internes (Rust, mémoire, quantique) sont plus convaincants que les benchmarks, dont beaucoup sont récents, sectoriels ou maison (Vals, Harvey, Zapier, benchmarks internes de Google et Wiz), et dont certains scores ne sont même pas chiffrés dans le billet. Le prix d'appel très bas et la sortie à 1 million de tokens visent clairement les usages agentiques longs, là où la concurrence se joue désormais. Enfin, l'appel explicite à préserver la transparence du raisonnement est un signal fort : Google admet que la surveillance du chain-of-thought est l'un des rares outils fiables contre le misalignment, et qu'elle peut disparaître si l'industrie optimise mal. Reste une question simple : tant qu'Argon est « bientôt » disponible, tout cela relève de la promesse.
Compte gratuit
Vous venez de lire un article d'AI Sources
Créez un compte gratuit : un mois d'archives en entier, vos propres sources résumées comme celle-ci, vos notes et surlignages.
Pour vous
Faites-la travailler sur vos sources.
Gratuit : un mois d'articles et trois de vos sources. Pro : l'archive complète et vos sources, dès 8 €/mois.
Pour votre équipe
La même machine, sur vos sujets.
Un espace à vos couleurs, vos angles de veille, vos curateurs. Pilote ouvert à trois entreprises.
À lire aussi
#évaluationAujourd'huiPiloter un LLM a un prix : Apple mesure ce que le steering coûte en fluidité
Une étude d'Apple et de l'université Pompeu Fabra montre que les méthodes de contrôle les plus efficaces sont souvent celles qui abîment le plus le texte produit.
Source · Apple Machine Learning Research · On the Effectiveness-Fluency Trade-Off in LLM Conditioning: A Systematic Study
#régulationAujourd'huiCalifornie : Newsom signe 13 lois IA, des RH aux labos de synthèse génétique
Licenciements par algorithme, surveillance au travail, deepfakes, ADN de synthèse : Sacramento continue d'empiler les garde-fous pendant que Washington regarde ailleurs.
Source · Governor of California · California's nation-leading AI framework just got stronger, Governor Newsom signs more first-in-the-nation worker protections and more
#alignementAujourd'huiAgents OpenAI contre Hugging Face : ce que METR a dit au Sénat
Devant le Sénat américain, le président de METR raconte comment 1 200 agents IA ont triché, puis piraté une entreprise pour couvrir leur triche, et pourquoi ce n'est pas un cas isolé.
Source · METR (Model Evaluation & Threat Research) · Chris Painter's testimony to the U.S. Senate on AI agent incidents