Gemini 4 Argon für Coding-Agents: Setup, Kosten und welche Aufgaben sich dafür eignen

Gemini 4 Argon ist seit dem 13. Oktober 2026 als gemini-4-argon allgemein verfügbar – als stabiles Modell im kostenpflichtigen Tarif der Gemini-API. Abonnenten von Google AI Pro und Ultra erhalten zudem Zugriff über die Gemini-App, Ultra-Abonnenten zusätzlich in Antigravity. Einen kostenlosen API-Tarif gibt es nicht. Für einen Gemini 4 Argon Coding-Agenten lauten die bestätigten Eckdaten: ein Kontextfenster von 1.048.576 Tokens, das gemeinsam von Input, Thinking und Output genutzt wird; standardmäßig 65.536 Output-Tokens pro Anfrage und bis zu rund 1 Million im Hintergrundmodus; eine Spitzenposition im Coding-Benchmark DeepSWE v1.1 mit 77,9 %; Rückstände bei Terminal-bench 4.0 und FrontierSWE v2; sowie 2 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens bis zum 30. November, ab dem 1. Dezember dann 4 $ bzw. 20 $.

Die eigentliche Herausforderung liegt heute nicht mehr im Zugriff. Es ist vielmehr die Frage, was ein neues Frontier-Modell auf Ihrem Board auslöst: Es verleitet Teams dazu, ihre Workflows sofort komplett neu auszurichten – mit dem Ergebnis, dass eine Woche lang niemand mehr genau weiß, welcher Agent eigentlich woran arbeitet. Wenn ein Gemini-Agent bereits produktive Tasks auf einem bewährten Modell ausführt, bedeutet der Wechsel zu Argon lediglich die Anpassung eines einzelnen Werts auf einem Computer, gefolgt von einem Task, den Sie mit dem vorherigen Durchlauf vergleichen können. Ein wichtiger Vorbehalt prägt diese Anleitung: Google hat bislang nicht bestätigt, dass die Gemini CLI Argon unterstützt. Daher sollten Sie dies auf Ihrem eigenen Computer verifizieren, bevor Argon einen Task zugewiesen bekommt.

TL;DR

Installieren Sie die Gemini CLI auf einem verbundenen Computer und authentifizieren Sie sie mit einem kostenpflichtigen Gemini-API-Schlüssel, einem Schlüssel der Gemini Enterprise Agent Platform oder einer Lizenz für Code Assist Standard bzw. Enterprise. Private Google-Konten haben den Zugriff auf die Gemini CLI am 18. Juni verloren, und ein Pro- oder Ultra-Abonnement ist kein API-Schlüssel. Vergewissern Sie sich, dass die Runtime den Status „Available“ anzeigt, erstellen Sie einen Agenten darauf und pinnen Sie das Modell auf gemini-3.8-flash fest. Ändern Sie anschließend einen einzigen Wert auf gemini-4-argon, führen Sie einen einzeiligen Smoke-Prompt aus, starten Sie den Rescan, lassen Sie einen bereits zuvor ausgeführten Task erneut laufen und vergleichen Sie die Ergebnisse. Treffen Sie Routing-Entscheidungen anhand konkreter Benchmark-Zeilen, nicht nach Schlagzeilen.

Was bestätigt ist – und was nicht

Stand 15. Oktober 2026: Google kündigte Argon am 30. September für ausgewählte Cyberabwehr-Partner im Rahmen seines Fairwind-Programms an; das Changelog der Gemini-API führt gemini-4-argon seit dem 13. Oktober als allgemein verfügbar. Laut Googles Preisseite gibt es für Argon kein Free Tier; Batch- und Flex-Inferenz kosten die Hälfte des Standardtarifs.

Die für Entwicklungsteams entscheidenden Zeilen aus Googles eigener Evaluationstabelle:

Betrachten Sie diese Zahlen mit dem Vorbehalt, den Googles Methodik selbst einräumt: Google hat die Werte für Argons DeepSWE und Terminal-bench selbst berechnet, während die meisten Werte der Konkurrenz von den jeweiligen Labs selbst gemeldet oder aus öffentlichen Bestenlisten übernommen wurden. Die Testumgebungen unterscheiden sich. Cursor meldete seit dem Launch für Argon einen Wert von 52,8 % auf dem hauseigenen CursorBench bei Standard-Effort und stuft ihn damit auf Augenhöhe mit Opus 5.5 ein. Unser Dreiervergleich analysiert die Ergebnisse Zeile für Zeile.

Drei technische Details verändern den Praxiseinsatz grundlegend: Das 1M-Fenster wird geteilt genutzt – ein Durchlauf, der ein umfangreiches Repository einliest, hat folglich weniger Kapazität für die Ausgabe übrig. Eine synchrone Anfrage bricht standardmäßig bei 65.536 Output-Tokens ab; die volle Ausgabelänge erfordert das asynchrone Long-Decode der Interactions-API im Hintergrund, was einige Minuten dauern kann. Zudem verzichtet Argon auf explizites Caching und ignoriert temperature, sodass ältere Gemini-3-Konfigurationen, die diese Parameter noch enthalten, bereinigt werden müssen. Bislang noch nicht veröffentlicht: das Knowledge-Cutoff-Datum, die Verfügbarkeit auf Vertex AI sowie jegliche offizielle Aussage zur Gemini CLI.

Schritt 1: Eine Gemini CLI Runtime auf einem Computer einrichten

Dieser Schritt birgt einen Fallstrick, der schon vor Argon existierte. Am 18. Juni stellte die Gemini CLI den Support für Google AI Pro, Google AI Ultra und kostenlose „Code Assist for individuals“-Konten ein; Google migrierte diese Nutzer zur Antigravity CLI. Laut Googles Migrationshinweis bleibt die Gemini CLI über kostenpflichtige Gemini-API-Schlüssel, Gemini Enterprise Agent Platform-Schlüssel sowie Lizenzen für Code Assist Standard oder Enterprise verfügbar. Ein privater Google-Login liefert keine funktionierende Runtime mehr – ebenso wenig wie ein Pro- oder Ultra-Abonnement, obwohl beide inzwischen Argon in der Gemini-App enthalten. Ein kostenpflichtiger API-Schlüssel ist der unkomplizierteste Weg für unbeaufsichtigte Durchläufe, und Argon setzt ohnehin einen voraus.

Installieren oder aktualisieren Sie auf dem Computer, der die Tasks ausführen soll, die Gemini CLI und verifizieren Sie zunächst in einem normalen Terminal, dass sie funktioniert:

export GEMINI_API_KEY="your-paid-project-key"
gemini -m gemini-3.8-flash -p "Reply with the word ok."

Wenn dieser Befehl eine Antwort liefert, ist das Tool auf dem Host einsatzbereit. Öffnen Sie die Detailansicht des Computers und führen Sie den Rescan oder Verbindungstest durch; die Gemini CLI Runtime sollte den Status „Available“ anzeigen. Erscheint stattdessen „Detection failed“ oder die Meldung, dass keine Anmeldung vorliegt, folgen Sie den Anweisungen auf der Detailseite und starten Sie den Rescan erneut. Computers in Sharkly erläutert die verschiedenen Statusmeldungen.

Schritt 2: Ein Agent – und wo das Modell tatsächlich hinterlegt ist

Sharkly wählt Modelle nicht selbst aus. Die Dokumentation zu den Agenten formuliert es unmissverständlich: „The Agent follows the Runtime’s default model. It does not promise or display a specific model name.“ Um Modelle zu wechseln, verweist die Dokumentation auf benutzerdefinierte Argumente („Custom arguments“) am Agenten oder an der Runtime oder auf die Tool-Konfiguration der Runtime bzw. des Computers – ein Modell-Dropdown-Menü gibt es beim Agenten nicht.

Der Agent legt fest, wie die Arbeit erledigt werden soll; der Computer stellt den Host bereit; die Runtime (in diesem Fall die Gemini CLI) führt die Agent-Session aus; der Task bleibt das gemeinsame Protokoll. Erstellen Sie den Agenten unter „Agents“, „New Agent“: Wählen Sie den Computer und die Gemini CLI Runtime aus, stellen Sie das Standard-Arbeitsverzeichnis auf „Create temporary directory“ (damit jeder Task ein isoliertes Verzeichnis und bei repository-basierten Durchläufen einen frischen Worktree erhält) und halten Sie die Anweisungen kurz. Agents in Sharkly beschreibt die weiteren Ausführungseinstellungen.

Das Modell wird in der Gemini CLI konfiguriert. Die Gemini CLI ermittelt es anhand einer dokumentierten Reihenfolge: zuerst das Flag -m bzw. --model, dann die Umgebungsvariable GEMINI_MODEL, gefolgt von model.name in der settings.json und schließlich dem Standardwert auto. Die Benutzereinstellungsdatei der Gemini CLI auf dem Computer, ~/.gemini/settings.json, gilt für jede Gemini-CLI-Session dieses Nutzers:

{ "model": { "name": "gemini-3.8-flash" } }

# Agent environment variable: only this Agent's runs
GEMINI_MODEL=gemini-3.8-flash

# or an Agent Custom argument (additional Runtime arguments)
-m gemini-3.8-flash

Die Einstellungsdatei ist der sicherste Standardweg. Die Konfiguration auf Agenten-Ebene empfiehlt sich, wenn ein einzelner Computer mehrere Agenten bedient und nur einer umgestellt werden soll; testen Sie dies an einem Agenten, bevor Sie es als Standard etablieren. Pinnen Sie das Modell fest, anstatt auto beizubehalten: Dieser Modus wechselt dynamisch zwischen Modellen und kann bei Quota-Fehlern auf ein anderes Modell zurückfallen, was jeden aussagekräftigen Vergleich verfälscht.

Schritt 3: Einen einzelnen Agenten auf Argon umstellen

Beginnen Sie direkt auf API-Ebene, damit ein Problem mit dem API-Schlüssel nicht fälschlicherweise wie ein CLI-Problem aussieht. Dies ist die offizielle Google-Anfrage, direkt vom Computer aus ausgeführt:

curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H 'Content-Type: application/json' \
  -X POST \
  -d '{
    "model": "gemini-4-argon",
    "input": "Your prompt here",
    "generation_config": {"thinking_level": "medium"}
  }'

Wenn dieser Aufruf eine Antwort liefert, ist der Schlüssel für Argon freigeschaltet (thinking_level akzeptiert low, standardmäßig medium sowie high). Testen Sie danach die Gemini CLI:

gemini -m gemini-4-argon -p "Reply with the word ok."

Dieser Smoke-Prompt liefert Ihnen den entscheidenden Praxisbeweis, nicht dieser Artikel. Google hat die Unterstützung von Argon in der Gemini CLI bisher nicht offiziell bestätigt, und mit Stand vom 1. Oktober enthielt der Quellcode keinen Eintrag für Argon. Schlägt der Prompt fehl, aktualisieren Sie die Gemini CLI (sharkly computer update fordert ein CLI-Update für eine bestimmte Runtime an) und versuchen Sie es erneut. Scheitert es weiterhin, bleibt der Agent auf Flash – und auf Ihrem Board läuft alles ohne Unterbrechung weiter.

Ist der Test erfolgreich, ändern Sie genau einen Wert: model.name, GEMINI_MODEL oder das -m-Argument. Führen Sie in der Detailansicht des Computers einen Rescan aus und prüfen Sie, ob der Status auf „Available“ steht. Weisen Sie anschließend einen Task zu, den Sie bereits zuvor mit Flash ausgeführt haben, und vergleichen Sie die beiden Ergebnisse direkt dort, wo sie eintreffen – im Task: das Diff, die vom Agenten durchgeführten Prüfungen und die Punkte, die im Review nachgebessert werden mussten.

Wann Argon den Task übernehmen sollte – und wann nicht

Übergeben Sie Argon den Task, wenn es darum geht, große Mengen Code zu lesen, um punktuelle Änderungen vorzunehmen, oder wenn eine umfangreiche, in sich konsistente Codeänderung erzeugt werden muss: etwa bei modulübergreifenden Problemen in großen Repositories oder Migrationen über Tausende von Zeilen. Googles Benchmark-Tabelle untermauert das durch einen deutlichen Vorsprung bei langen Kontexten (84,2 % bei GraphWalks 256K bis 1M gegenüber 71,8 % bei Astra) sowie die Spitzenplatzierung bei DeepSWE. Google setzte Argon intern für Migrationen von C/C++ zu Rust mit über 800.000 Zeilen ein und unterzieht diese Neufassungen vor dem Produktiveinsatz weiterhin manuellen Audits und Reviews. Stecken Sie den Rahmen des Tasks so ab, dass ein Mensch das Ergebnis noch prüfen kann. Ein Durchlauf mit einer Million Tokens ist ein Review-Problem, noch bevor er ein Geschwindigkeitsvorteil ist.

Belassen Sie den Task bei Flash oder einer anderen Runtime, wenn die Aufgabe stark terminal-lastig ist (Opus 5.5 führt bei Terminal-bench 4.0 mit neun Punkten Vorsprung), typischen FrontierSWE-Szenarien entspricht (Astra führt hier mit über zehn Punkten), eine GUI steuert (Astra liegt bei OSWorld-2.0 vorn) oder es sich um Routine-Fixes handelt. Argon kostet bis zum 30. November etwa das 2,7-Fache des Token-Preises von Flash und ab Dezember mehr als das Fünffache, da sich Argons Preis einen Monat früher verdoppelt als der von Flash. Ein Claude Code- oder Codex-Agent auf demselben Board ist nur eine Neuzuweisung entfernt. Passende Modelle für Coding-Tasks zeigt, wie Sie diese Regeln dokumentieren, damit auch andere Teammitglieder Tasks einheitlich routen.

Keine dieser Faustregeln ist endgültig, solange Sie Argon nicht an Ihrer eigenen Codebasis getestet haben.

Das Setup beibehalten, das Modell austauschen

Das zugrunde liegende Prinzip ist Provider-Neutralität. Es erscheinen laufend neue Frontier-Modelle mit jeweils unterschiedlichen Spitzenreitern – und ein Team, das seinen Workflow für jedes Modell neu aufbaut, baut ihn jeden Monat neu auf. Wenn Sie Aufgabenzuweisung, Kontext, Fortschritt, Blocker, Ergebnisse und das manuelle Review an einem zentralen Ort bündeln, wird das Modell zu einer einfachen Konfigurationsvariable auf einem Computer. Agenten recherchieren, implementieren, testen und berichten. Menschen geben die Richtung vor, erteilen Freigaben und nehmen die Ergebnisse ab.

Sollen mehrere Gemini-Durchläufe parallel ausgeführt werden, genügt im kleineren Maßstab ein Worktree pro Task; unsere Anleitung zur parallelen Ausführung mit der Gemini CLI demonstriert dieses Muster. Sie können diesen Ablauf manuell über Git-Worktrees abbilden oder die Workflow-Verwaltung an Sharkly übergeben.