Gemini 4 Argon pour les agents de code : configuration, coûts et tâches à lui confier

Gemini 4 Argon est disponible pour tous depuis le 13 octobre 2026 sous l'identifiant gemini-4-argon, en tant que modèle stable sur l'offre payante de l'API Gemini. Les abonnés Google AI Pro et Ultra y ont également accès dans l'application Gemini, et les abonnés Ultra dans Antigravity. Il n'existe aucun niveau d'accès gratuit à l'API. Pour un agent de programmation propulsé par Gemini 4 Argon, les caractéristiques confirmées sont les suivantes : une fenêtre de contexte de 1 048 576 tokens partagée entre l'entrée, le raisonnement et la sortie ; 65 536 tokens de sortie par requête par défaut, avec la possibilité d'atteindre environ 1 million en mode tâche de fond ; une première place sur le benchmark de code DeepSWE v1.1 avec 77,9 % ; des résultats en retrait sur Terminal-bench 4.0 et FrontierSWE v2 ; ainsi qu'un tarif de 2 $ par million de tokens en entrée et 10 $ par million de tokens en sortie jusqu'au 30 novembre, passant à 4 $ et 20 $ à partir du 1er décembre.

Le véritable enjeu ne concerne plus l'accès. Il réside dans l'impact d'un nouveau modèle frontière sur votre organisation : la tentation est grande pour une équipe de tout reconstruire autour de lui, au risque de passer une semaine sans savoir quel agent tourne sur quelle version. Si un agent Gemini exécute déjà de véritables Tasks sur un modèle éprouvé, passer à Argon ne demande de modifier qu'une seule valeur sur un Computer, avant de lancer une Task comparative avec la précédente. Une mise en garde essentielle structure ce guide : Google n'ayant pas confirmé la prise en charge d'Argon par Gemini CLI, vous devrez vous-même vous en assurer sur votre Computer avant de confier une Task à Argon.

En résumé

Installez Gemini CLI sur un Computer connecté et authentifiez-le avec une clé d'API Gemini payante, une clé Gemini Enterprise Agent Platform ou une licence Code Assist Standard ou Enterprise ; les comptes Google grand public ont perdu l'accès à Gemini CLI le 18 juin, et un abonnement Pro ou Ultra n'équivaut pas à une clé d'API. Vérifiez que le Runtime affiche l'état Available, créez-y un Agent et verrouillez le modèle sur gemini-3.8-flash. Modifiez ensuite une valeur pour basculer sur gemini-4-argon, exécutez un smoke test d'une ligne, relancez un scan, réexécutez une Task déjà effectuée, puis comparez. Fondez vos choix sur les résultats détaillés des benchmarks, pas sur des effets d'annonce.

Ce qui est confirmé et ce qui ne l'est pas

Au 15 octobre 2026 : Google a annoncé Argon le 30 septembre pour un groupe de partenaires en cyberdéfense dans le cadre de son programme Fairwind, et le journal des modifications de l'API Gemini indique que gemini-4-argon est disponible pour tous depuis le 13 octobre. La page des tarifs de Google précise qu'Argon n'est pas accessible via l'offre gratuite ; l'inférence en mode Batch et Flex coûte la moitié du tarif standard.

Voici les lignes clés pour une équipe de développement, issues du propre tableau d'évaluation de Google :

Ces données sont toutefois à lire à la lumière de la méthodologie précisée par Google : l'entreprise a calculé elle-même les scores d'Argon sur DeepSWE et Terminal-bench, tandis que la plupart des chiffres concurrents sont autodéclarés par leurs laboratoires respectifs ou repris de classements publics. Les bancs d'essai varient. Depuis le lancement, Cursor a rapporté un score de 52,8 % pour Argon sur son propre banc d'essai CursorBench au niveau d'effort par défaut, le jugeant comparable à Opus 5.5. Notre comparatif à trois modèles analyse ces données ligne par ligne.

Trois détails de spécification changent son utilisation en pratique. La fenêtre de 1 million de tokens étant partagée, une exécution qui analyse un dépôt volumineux disposera de moins d'espace pour générer du code. Une requête synchrone s'arrête par défaut à 65 536 tokens de sortie ; pour obtenir la sortie complète, il faut recourir au décodage long en arrière-plan via l'API Interactions, ce qui peut demander plusieurs minutes. Enfin, Argon abandonne la mise en cache explicite et ignore le paramètre temperature ; les anciennes configurations de Gemini 3 utilisant l'un ou l'autre doivent donc être nettoyées. Restent encore non publiés : la date limite des données d'entraînement (knowledge cutoff), la disponibilité sur Vertex AI ainsi que toute précision officielle concernant Gemini CLI.

Étape 1 : configurer un Runtime Gemini CLI sur un Computer

Cette étape recèle un piège antérieur à l'arrivée d'Argon. Le 18 juin, Gemini CLI a cessé de prendre en charge les comptes Google AI Pro, Google AI Ultra et les comptes individuels gratuits Code Assist, Google ayant migré ces utilisateurs vers Antigravity CLI. Selon la note de transition publiée par Google, Gemini CLI demeure accessible via des clés d'API Gemini payantes, des clés Gemini Enterprise Agent Platform ainsi que des licences Code Assist Standard ou Enterprise. Une connexion avec un compte Google personnel ne permet plus de disposer d'un Runtime fonctionnel, tout comme un abonnement Pro ou Ultra, bien que ces deux formules incluent désormais Argon au sein de l'application Gemini. Une clé payante constitue la voie la plus simple pour les exécutions sans surveillance, et Argon en nécessite une dans tous les cas.

Sur le Computer destiné à exécuter les tâches, commencez par installer ou mettre à jour Gemini CLI et vérifiez son bon fonctionnement dans un simple terminal :

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

Si la commande renvoie une réponse, l'outil est opérationnel sur cet hôte. Ouvrez la page de détail du Computer et lancez un nouveau scan ou un test de connexion ; le Runtime Gemini CLI doit afficher l'état Available. S'il indique Detection failed ou signale qu'aucun compte n'est connecté, suivez les indications de la page de détail, puis relancez le scan. L'article Les Computers dans Sharkly détaille ces différents statuts.

Étape 2 : créer un Agent et localiser la configuration du modèle

Sharkly ne choisit pas les modèles. La documentation sur les Agents est claire sur ce point : « L'Agent applique le modèle par défaut du Runtime. Il ne garantit ni n'affiche aucun nom de modèle spécifique. » Pour en changer, la documentation préconise d'utiliser les arguments personnalisés (Custom arguments) sur l'Agent ou le Runtime, ou encore la configuration des outils du Runtime ou du Computer ; aucun menu déroulant de sélection de modèle n'est proposé sur l'Agent.

L'Agent définit la manière dont le travail doit être pris en charge ; le Computer fournit la machine hôte ; le Runtime, ici Gemini CLI, pilote la session de l'agent ; la Task conserve l'historique partagé. Créez l'Agent depuis Agents > New Agent : sélectionnez le Computer et le Runtime Gemini CLI, réglez le répertoire de travail par défaut sur Create temporary directory pour que chaque Task dispose d'un dossier isolé et, pour les exécutions s'appuyant sur un dépôt, d'un worktree Git propre, puis rédigez des instructions succinctes. L'article Les Agents dans Sharkly aborde les autres options d'exécution.

Le choix du modèle relève de la configuration de Gemini CLI. Celui-ci le résout selon un ordre bien défini : le paramètre -m ou --model, suivi de la variable d'environnement GEMINI_MODEL, puis de l'entrée model.name dans settings.json, et enfin de la valeur par défaut auto. Sur le Computer, le fichier de configuration utilisateur de Gemini CLI, ~/.gemini/settings.json, s'applique à l'ensemble des sessions Gemini CLI de cet utilisateur :

{ "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

Le fichier de configuration représente l'option la plus sûre par défaut. La définition au niveau de l'Agent s'avère pratique lorsqu'un même Computer héberge plusieurs Agents et qu'un seul doit basculer ; testez ces paramètres sur un seul Agent avant de les généraliser. Veillez à figer le modèle plutôt que de conserver auto, ce dernier alternant entre plusieurs modèles et pouvant basculer sur un modèle de repli en cas de dépassement de quota, ce qui fausserait toute comparaison.

Étape 3 : basculer un Agent vers Argon

Commencez par tester l'API, afin d'éviter qu'un problème d'authentification ne soit pris pour une anomalie de la CLI. Voici la requête recommandée par Google, à exécuter directement depuis le Computer :

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"}
  }'

Si vous obtenez une réponse, votre clé est autorisée à appeler Argon (thinking_level prend en charge les valeurs low, medium, qui est la valeur par défaut, ou high). Testez ensuite Gemini CLI :

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

Ce test rapide constitue votre seule certitude concrète, bien plus que cet article. Google n'a pas confirmé la prise en charge d'Argon par Gemini CLI, et au 1er octobre, son code source ne comportait aucune référence à Argon. Si le test échoue, mettez à jour Gemini CLI (la commande sharkly computer update déclenche la mise à jour de la CLI pour un Runtime donné) et réessayez. Si l'échec persiste, l'Agent reste sur Flash sans perturber le fonctionnement du tableau de bord.

Si le test réussit, modifiez une seule valeur : model.name, GEMINI_MODEL ou l'argument -m. Relancez un scan depuis la page de détail du Computer et vérifiez le statut Available. Attribuez ensuite une Task que vous avez déjà exécutée sur Flash, puis comparez les deux résultats là où ils sont centralisés, directement sur la Task : le diff, les vérifications opérées par l'Agent et les retouches manuelles nécessaires.

Quand confier la Task à Argon, et quand s'en abstenir

Confiez la Task à Argon lorsque le travail exige de parcourir un vaste volume de code pour n'apporter que de petites modifications, ou de générer une modification étendue qui doit rester cohérente d'un bout à l'autre : résolution d'un problème transversal touchant plusieurs modules dans un grand dépôt, migration s'étalant sur des milliers de lignes. Le tableau comparatif de Google corrobore ce choix avec un avantage net sur les contextes longs (84,2 % sur GraphWalks 256K à 1M, contre 71,8 % pour Astra) et sa première place sur DeepSWE. En interne, Google a mis Argon à profit pour migrer du code C/C++ vers Rust sur des volumes dépassant les 800 000 lignes, tout en continuant d'auditer et de réviser ces réécritures avant toute mise en production. Dimensionnez la Task de façon à ce qu'un relecteur humain puisse en valider le résultat. Une exécution à un million de tokens pose avant tout un défi de revue avant d'être un gain de rapidité.

Conservez la Task sur Flash ou sur un autre Runtime lorsqu'elle mobilise intensivement le terminal (Opus 5.5 devance Terminal-bench 4.0 de neuf points), relève du profil de FrontierSWE (Astra s'impose avec plus de dix points d'avance), pilote une interface graphique (Astra domine OSWorld-2.0) ou concerne un correctif ordinaire. Jusqu'au 30 novembre, Argon coûte environ 2,7 fois plus cher par token que Flash, et plus de cinq fois plus cher en décembre, le tarif d'Argon doublant un mois avant celui de Flash. Passer à un Agent Claude Code ou Codex sur le même tableau ne demande qu'une réattribution. Le guide Associer les bons modèles aux bonnes tâches détaille comment formaliser cette logique pour que chaque membre de l'équipe applique les mêmes règles d'aiguillage.

Aucune de ces règles n'est immuable tant qu'Argon n'a pas été évalué sur votre propre code.

Garder la structure en place, faire évoluer le modèle

Le principe fondamental reste la neutralité technologique. Les modèles frontière se succèdent et les classements évoluent constamment : une équipe qui réinvente ses méthodes de travail à chaque lancement est condamnée à tout reconstruire chaque mois. En maintenant les assignations, le contexte, l'avancement, les blocages, les résultats et la relecture humaine au même endroit, le modèle devient un simple paramètre configurable sur un Computer. Les Agents effectuent les recherches, exécutent le code, lancent les tests et rendent compte. L'équipe humaine conserve la maîtrise : elle donne le cap, accorde les accès et valide les livrables.

Pour exécuter plusieurs sessions Gemini en parallèle, la mise en place d'un worktree Git par Task fonctionne très bien à petite échelle ; notre guide pratique sur Gemini CLI en parallèle illustre ce fonctionnement. Vous pouvez mettre en œuvre cette organisation manuellement avec des worktrees, ou confier la gestion de l'ensemble du flux à Sharkly.