Gemini 4 Argon untuk Coding Agent: Setup, Biaya, dan Task yang Tepat untuk Di-route

Gemini 4 Argon telah tersedia secara umum sejak 13 Oktober 2026 sebagai gemini-4-argon, model stabil pada paket berbayar Gemini API. Pelanggan Google AI Pro dan Ultra juga mendapatkannya di aplikasi Gemini, serta pelanggan Ultra di Antigravity. Tidak ada API tingkat gratis (free tier). Untuk coding agent Gemini 4 Argon, spesifikasi yang telah dikonfirmasi mencakup context window sebesar 1.048.576 token yang digunakan bersama untuk input, proses berpikir (thinking), dan output; secara default menghasilkan 65.536 token output per permintaan, hingga sekitar 1 juta token dalam mode latar belakang (background mode); keunggulan pada tolok ukur pengodean DeepSWE v1.1 di angka 77,9%; kekalahan di Terminal-bench 4.0 dan FrontierSWE v2; serta biaya $2 per satu juta token input dan $10 per satu juta token output hingga 30 November, kemudian menjadi $4 dan $20 mulai 1 Desember.

Tantangannya kini bukan lagi soal akses, melainkan apa pengaruh model frontier baru terhadap board kerja Anda: tim sering kali tergiur untuk merombak segalanya demi model baru tersebut, hingga akhirnya menghabiskan waktu seminggu penuh dalam ketidakpastian mengenai agen mana yang menangani apa. Jika Agen Gemini sudah menjalankan Task nyata dengan model yang Anda percaya, beralih ke Argon cukup dengan mengubah satu nilai pada satu Computer, lalu menjalankan satu Task untuk dibandingkan dengan hasil sebelumnya. Ada satu catatan penting dalam panduan ini: Google belum mengonfirmasi apakah Gemini CLI mendukung Argon, jadi pastikan Anda memverifikasinya sendiri di Computer Anda sebelum memberikan Task kepada Argon.

TL;DR

Instal Gemini CLI pada Computer yang terhubung dan lakukan autentikasi menggunakan API key Gemini berbayar, kunci Gemini Enterprise Agent Platform, atau lisensi Code Assist Standard maupun Enterprise; akun Google konsumen kehilangan akses ke Gemini CLI sejak 18 Juni, dan langganan Pro atau Ultra bukanlah API key. Pastikan status Runtime menunjukkan Available, buat Agent di atasnya, lalu sematkan model ke gemini-3.8-flash. Setelah itu, ubah satu nilai menjadi gemini-4-argon, jalankan smoke prompt satu baris, pindai ulang (rescan), jalankan satu Task yang pernah Anda jalankan sebelumnya, lalu bandingkan hasilnya. Ambil keputusan routing berdasarkan baris tolok ukur, bukan sekadar berita utama.

Hal yang Sudah Dikonfirmasi, dan yang Belum

Per 15 Oktober 2026: Google mengumumkan Argon pada 30 September untuk sejumlah mitra pertahanan siber dalam Program Fairwind mereka, dan changelog Gemini API mencantumkan gemini-4-argon telah tersedia secara umum pada 13 Oktober. Halaman harga Google menyatakan bahwa Argon tidak tersedia di paket Gratis (Free tier); inferensi Batch dan Flex dikenai tarif setengah dari harga standar.

Berikut baris tolok ukur yang relevan bagi tim pengembang, diambil langsung dari tabel evaluasi Google:

Pahamilah catatan metodologi yang disampaikan Google: Google menghitung sendiri skor DeepSWE dan Terminal-bench untuk Argon, sementara sebagian besar angka kompetitor merupakan hasil laporan mandiri dari lab masing-masing atau diambil dari leaderboard publik. Kerangka pengujian (test harness) yang digunakan pun berbeda-beda. Sejak peluncurannya, Cursor melaporkan skor 52,8% untuk Argon pada CursorBench internal mereka pada tingkat upaya default, yang mereka nilai setara dengan Opus 5.5. Perbandingan tiga arah kami mengulasnya baris demi baris secara mendalam.

Tiga detail spesifikasi memengaruhi cara Anda menjalankannya. Jendela konteks 1 juta token digunakan bersama, sehingga eksekusi yang membaca repositori besar akan menyisakan lebih sedikit ruang untuk menulis output. Permintaan sinkron secara default berhenti di 65.536 token output; untuk mendapatkan output penuh, diperlukan fitur background long decode dari Interactions API yang prosesnya bisa memakan waktu beberapa menit. Selain itu, Argon meniadakan explicit caching serta mengabaikan parameter temperature, sehingga konfigurasi lama dari Gemini 3 yang masih memuat kedua hal tersebut perlu dibersihkan. Hal yang masih belum diumumkan secara resmi: batas waktu data pengetahuan (knowledge cutoff), ketersediaan di Vertex AI, serta pernyataan resmi mengenai dukungan di Gemini CLI.

Langkah 1: Menyiapkan Runtime Gemini CLI di Computer

Langkah ini memiliki jebakan yang sudah ada sebelum Argon dirilis. Pada 18 Juni, Gemini CLI berhenti mendukung akun Google AI Pro, Google AI Ultra, dan akun gratis Code Assist for individuals, di mana Google memindahkan para pengguna tersebut ke Antigravity CLI. Berdasarkan pemberitahuan transisi dari Google, Gemini CLI tetap tersedia melalui API key Gemini berbayar, kunci Gemini Enterprise Agent Platform, serta lisensi Code Assist Standard atau Enterprise. Akun Google pribadi kini tidak lagi dapat mengaktifkan Runtime yang berfungsi, begitu pula langganan Pro atau Ultra—meskipun keduanya kini menyertakan Argon di aplikasi Gemini. Menggunakan API key berbayar adalah jalur paling praktis untuk eksekusi tanpa pengawasan (unattended runs), dan Argon memang membutuhkannya sejak awal.

Pada Computer yang akan menjalankan tugas, pasang atau perbarui Gemini CLI, lalu pastikan terlebih dahulu bahwa CLI tersebut berfungsi di terminal biasa:

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

Jika perintah tersebut memberikan respons, berarti alat tersebut berfungsi pada host tersebut. Buka detail Computer lalu jalankan pemindaian ulang (rescan) atau tes koneksi; status Runtime Gemini CLI seharusnya menampilkan Available. Jika muncul pesan Detection failed atau laporan belum masuk (not signed in), ikuti panduan pada halaman detail, kemudian lakukan rescan. Artikel Computers di Sharkly membahas berbagai status ini secara lengkap.

Langkah 2: Menyiapkan Agent dan Menentukan Lokasi Model Sebenarnya

Sharkly tidak memilihkan model untuk Anda. Dokumentasi Agents menyatakannya secara gamblang: “Agent mengikuti model default dari Runtime. Agent tidak menjamin ataupun menampilkan nama model tertentu.” Untuk mengganti model, dokumentasi tersebut mengarahkan ke Custom arguments pada Agent atau Runtime, atau ke konfigurasi alat pada Runtime atau Computer, dan tidak ada menu dropdown model pada Agent.

Agent menentukan bagaimana pekerjaan harus ditangani; Computer menyediakan host; Runtime (dalam hal ini Gemini CLI) menjalankan sesi agen; sedangkan Task menjadi catatan bersama. Buat Agent melalui menu Agents, New Agent: pilih Computer dan Runtime Gemini CLI, atur direktori kerja default ke Create temporary directory agar setiap Task mendapatkan direktori yang terisolasi dan worktree baru untuk eksekusi berbasis repositori, lalu buat instruksinya tetap ringkas. Panduan Agents di Sharkly membahas pengaturan eksekusi lainnya.

Konfigurasi model berada di tingkat Gemini CLI. Gemini CLI menentukan model berdasarkan urutan prioritas terdokumentasi: flag -m atau --model, kemudian variabel lingkungan GEMINI_MODEL, lalu model.name di settings.json, dan terakhir nilai defaultnya, yaitu auto. File pengaturan pengguna Gemini CLI di Computer, ~/.gemini/settings.json, berlaku untuk setiap sesi Gemini CLI bagi pengguna tersebut:

{ "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

File pengaturan adalah opsi default yang aman. Pengaturan di tingkat Agent berguna ketika satu Computer melayani beberapa Agent dan hanya satu yang ingin dialihkan; ujilah pada satu Agent terlebih dahulu sebelum menjadikannya standar. Sematkan model secara pasti daripada membiarkannya di auto, yang dapat beralih antar-model dan berpotensi beralih ke model lain saat terjadi galat kuota (quota error), sehingga merusak validitas perbandingan Anda.

Langkah 3: Mengalihkan Satu Agent ke Argon

Mulailah dari API, agar masalah pada kunci autentikasi tidak dikira sebagai masalah CLI. Berikut adalah format permintaan resmi Google yang dikirim dari 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"}
  }'

Jika permintaan tersebut membuahkan respons, berarti kunci Anda dapat mengakses Argon (parameter thinking_level menerima nilai low, medium sebagai default, atau high). Setelah itu, ujilah melalui Gemini CLI:

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

Hasil smoke prompt tersebut adalah bukti nyata Anda, bukan artikel ini. Google belum menyatakan secara resmi bahwa Gemini CLI mendukung Argon, dan per 1 Oktober kode sumbernya belum memiliki entri untuk Argon. Jika prompt gagal, perbarui Gemini CLI (perintah sharkly computer update meminta pembaruan CLI untuk Runtime tertentu) lalu coba lagi. Jika masih gagal, biarkan Agent tetap menggunakan Flash sehingga tidak ada alur kerja di board yang terganggu.

Jika berhasil, ubah satu nilai: model.name, GEMINI_MODEL, atau argumen -m. Lakukan rescan dari halaman detail Computer dan pastikan statusnya Available. Kemudian berikan satu Task yang sebelumnya sudah pernah dijalankan dengan Flash, lalu bandingkan kedua hasilnya langsung pada Task tersebut: perbedaan kode (diff), pemeriksaan yang dijalankan Agent, serta perbaikan apa saja yang perlu dilakukan oleh peninjau (reviewer).

Kapan Argon Diberi Task, dan Kapan Sebaiknya Tidak

Berikan Task kepada Argon saat pekerjaan menuntut pembacaan konteks dalam jumlah besar untuk melakukan sedikit perubahan, atau menghasilkan satu perubahan panjang yang harus tetap koheren: masalah lintas modul di repositori besar, atau migrasi kode ribuan baris. Tabel evaluasi Google mendukung hal ini dengan keunggulan signifikan pada konteks panjang (84,2% pada GraphWalks 256K hingga 1M, dibandingkan 71,8% untuk Astra) serta keunggulannya di DeepSWE. Google secara internal menggunakan Argon untuk migrasi C/C++ ke Rust hingga lebih dari 800 ribu baris, dan tetap mengaudit serta meninjau penulisan ulang tersebut sebelum dirilis ke produksi. Batasi cakupan Task agar hasilnya dapat ditinjau oleh manusia secara realistis. Eksekusi sejuta token adalah tantangan peninjauan sebelum menjadi kemenangan kecepatan.

Tetap gunakan Flash atau Runtime lain untuk Task saat pekerjaan banyak berinteraksi dengan terminal (Opus 5.5 memimpin Terminal-bench 4.0 dengan selisih sembilan poin), menyerupai karakteristik FrontierSWE (Astra unggul lebih dari sepuluh poin), mengendalikan GUI (Astra memimpin OSWorld-2.0), atau sekadar perbaikan rutin. Biaya per token Argon sekitar 2,7 kali lipat harga Flash hingga 30 November, dan melonjak lebih dari lima kali lipat pada bulan Desember karena harga Argon berlipat ganda sebulan lebih awal dibanding Flash. Mengalihkan tugas ke Claude Code atau Agent Codex di board yang sama hanya perlu satu langkah penugasan ulang. Panduan Mencocokkan model dengan tugas menjelaskan cara mendokumentasikan aturan ini agar rekan tim berikutnya dapat melakukan routing dengan cara yang sama.

Tidak ada aturan yang mutlak sebelum Anda menguji Argon langsung di repositori Anda sendiri.

Pertahankan Konfigurasi, Cukup Ganti Modelnya

Pola dasar di balik pendekatan ini adalah netralitas penyedia (provider neutrality). Model frontier baru akan terus bermunculan dengan keunggulannya masing-masing, dan tim yang merombak alur kerjanya setiap kali ada model baru akan terjebak merombaknya setiap bulan. Pertahankan penugasan, konteks, progres, hambatan, hasil, dan tinjauan manusia di satu tempat terpusat, sehingga model hanyalah sebuah nilai konfigurasi pada Computer. Agent bertugas meriset, mengeksekusi, menguji, dan melaporkan. Manusialah yang menentukan arah, memberikan kewenangan, dan menyetujui hasilnya.

Untuk menjalankan beberapa sesi Gemini secara berdampingan, penggunaan satu worktree per Task sangat efektif untuk skala kecil; panduan Gemini CLI paralel kami memperlihatkan polanya. Anda dapat menerapkannya secara manual menggunakan worktree, atau memanfaatkan Sharkly untuk mengelola alur kerja tersebut.