# Gemini 4 Argon: il nuovo modello di Google per codice, lavoro e cybersicurezza

_Disponibile da oggi via API e app, con i benchmark dichiarati da Google_

Fonte: https://andreapirazzini.it/blog/gemini-4-argon-il-nuovo-modello-di-google-per-codice-lavoro-e-2 · 22 ottobre 2026

> Articolo redatto da un sistema di AI a partire da fonti ufficiali: https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/.

## In breve

- Gemini 4 Argon è disponibile da oggi tramite API con un prezzo introduttivo di 2 dollari per milione di token in input e 10 dollari in output.
- Il modello ha un limite di 1 milione di token in output, contro i 64.000 della versione precedente.
- Nel benchmark CWE-bench v1 di Google, Argon ottiene il 68%, a pari merito con Grok 4.7 e GPT-6 Astra.
- Nel test Gray Swan IPI sulle iniezioni di prompt, Argon registra lo 0,7% di attacchi riusciti su 15 tentativi, il valore più basso del grafico.
- Il primo accesso è stato riservato a difensori informatici fidati tramite il programma Fairwind, prima dell’uscita pubblica.

## Perché se ne parla

Il **30 settembre 2026** Google ha annunciato **Gemini 4 Argon**, il suo nuovo modello di frontiera, inizialmente disponibile per un gruppo ristretto di difensori informatici fidati attraverso il programma **Fairwind**. Il **13 ottobre 2026** il modello è diventato accessibile a tutti: sviluppatori e aziende lo usano via API, mentre gli abbonati Google AI Ultra e Pro lo trovano nell'app Gemini e in AI Mode di Search.

Google lo presenta come modello pensato per problemi complessi e di lunga durata, che richiedono ragionamento su più passaggi in ambiti come **codice**, lavoro professionale (finanza e legale), **cybersicurezza** e **scienza**. I risultati citati nell'annuncio sono dichiarati dal produttore: tra questi, il primo posto nel **Vals Index**, un indice che misura le prestazioni in settori economici come finanza, codice, legale e fiscale, e il punteggio di **87%** nel benchmark ERQA sul ragionamento fisico e spaziale.

Il tema conta soprattutto per chi lavora con software e dati. Google indica un prezzo introduttivo di **2 dollari** per milione di token in input e **10 dollari** per milione in output, e afferma che il modello può individuare, validare e correggere vulnerabilità software in modo autonomo. Sono affermazioni del fornitore, che non hanno ancora una verifica indipendente nelle fonti disponibili.

*Questo articolo è stato scritto con l'aiuto dell'intelligenza artificiale.*

## Ingegneria e lavoro aziendale

### Ingegneria del software

Secondo Google, Argon è stato usato su progetti reali:

- **Chrome**: refactoring di una cartella legacy di circa **6 milioni** di righe su una base da **40 milioni**, in settimane invece che in mesi.
- **ADK**: **-40%** di tempo di preparazione delle sessioni lunghe e import a freddo **21%** più veloci.
- **xTB**: fino a **2,3x** più veloce nella previsione delle strutture molecolari.
- **Gemma**: accelerazione end-to-end di **2,85x** su A100 con vLLM.

### Lavoro aziendale

Argon è primo nel **Vals Index**, che misura le prestazioni in finanza, programmazione, legale e fiscale. Su **DeepSWE v1.1** ottiene il **77,9%** e su **AutomationBench** il **51,3%**.

> **Nota:** Sono dichiarazioni di Google, non verifiche indipendenti.

### Glossario

- **Refactoring**: riscrittura del codice per migliorarne la struttura, senza cambiarne il comportamento.
- **Codebase legacy**: codice vecchio, ancora in uso ma difficile da modificare.
- **Import a freddo**: caricamento dei moduli software all'avvio.
- **Token**: unità di testo che il modello legge e produce.
- **Inferenza**: la fase in cui il modello genera le risposte.
- **Benchmark**: test standard per confrontare i modelli.

## Ricerca, cyber e robotica

### Calcolo quantistico e fusione

Argon ha trasformato una versione interna di **AlphaQubit**, decodificatore di errori quantistici basato sul machine learning, in un unico kernel hardware, raddoppiandone quasi la velocità. Sulla fusione ha contribuito a trovare controesempi alla congettura di Grad, ipotesi del **1967** sulle macchine stellarator, con il professor Matt Landreman dell'**Università del Maryland**.

### Malattie rare ed enzimi

Su valutazioni private di Gamow Labs, Argon ha ottenuto il **57%** su RareBench e il **52,2%** su LabBench, dati dichiarati dal produttore. Per gli enzimi ha proposto **cinque** progetti, confermati in laboratorio.

### Cybersicurezza e robotica

Nel programma Fairwind, Argon cerca vulnerabilità, anche quelle sconosciute al produttore. Nel benchmark ERQA, che misura il ragionamento spaziale, ottiene l'**87%**, secondo Google. Con il robot Apollo di Apptronik, dopo aver appreso il gesto da un video, centra **sette** tiri consecutivi.

Google offre a **10.000** scienziati l'accesso gratuito per **6 mesi** alla fascia d'uso più alta di Google Antigravity, con selezione.

- Kernel hardware: codice ottimizzato per girare direttamente sul chip.
- Stellarator: macchina per la fusione con campi magnetici tridimensionali complessi.
- Zero-day: vulnerabilità non ancora nota al produttore, quindi senza correzione.

## Sicurezza del modello

### Le difese dichiarate da Google

Secondo Google, il sistema di protezione a più livelli ha ridotto le violazioni su un test avversariale di **quasi due volte** rispetto ai modelli Gemini precedenti. Nel red teaming esterno sul fronte biologico, i tester sono riusciti a sbloccare **meno dell'1%** dei sotto-compiti testati.

Nei benchmark di coding, dove i modelli non hanno incentivi a fermarsi, i tentativi di scorciatoia sono scesi al **2%**. Un monitor automatico legge ragionamento e azioni dell'agente per bloccare aggiramenti in tempo reale. Nel benchmark Gray Swan sulle iniezioni indirette di prompt, il successo degli attacchi si ferma allo **0,7%** su **15** tentativi adattivi.

### Cosa non è ancora verificato

Tutte queste cifre sono affermazioni di Google, non valutazioni indipendenti. Google dice di aver coinvolto partner terzi in alcune misurazioni, ma le fonti non dicono quali né con quali esiti pubblici.

La versione senza guardrail cyber è riservata ai difensori del programma Fairwind e ai team interni di Google. Il rilascio generale avverrà solo dopo ulteriori iterazioni sulle protezioni.

> **Attenzione:** Cautela: i numeri derivano da test scelti dal produttore e non dicono come il modello reagisca a usi reali o ad attacchi nuovi. Prima di affidare ad Argon flussi con dati sensibili o azioni automatiche, verificate le protezioni nel vostro contesto specifico.

## Come accedere e prezzi

### Canali di accesso

Gemini 4 Argon è disponibile da oggi a livello globale su canali diversi a seconda del profilo. Sviluppatori e aziende lo usano tramite l'API in AI Studio e nella piattaforma Gemini ([fonte](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/)). Gli abbonati **Google AI Ultra** possono provarlo in Google Antigravity, mentre gli abbonati **Ultra** e **Pro** lo trovano nell'app Gemini e in AI Mode in Search.

### Prezzi introduttivi

Il lancio prevede un prezzo introduttivo di **2 dollari** per milione di token in input e **10 dollari** per milione di token in output. La fonte presenta questi valori come introduttivi e non indica per quanto tempo resteranno validi, quindi conviene verificarli nella documentazione ufficiale prima di pianificare un progetto ([dettagli](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/)).

I due video seguenti sono dimostrazioni prodotte da Google, non una verifica indipendente delle capacità del modello.

[Video: Dimostrazione di Google di Argon in Antigravity per la costruzione di un ambiente 3D, pubblicata nella pagina di lancio. Fonte: Google DeepMind.](https://www.youtube.com/watch?v=LVEfFyijQ2c)

[Video: Secondo video dimostrativo pubblicato da Google nella stessa pagina di lancio. Fonte: Google DeepMind.](https://www.youtube.com/watch?v=WwDApkotwy0)

## Il modello in cifre

![Immagine promozionale con sfondo sfumato in toni di blu, con la scritta «Gemini 4 Argon» sulla sinistra e un grande numero 4 bianco e sfocato sulla destra.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/581938bd-1df2-4610-899b-9b87bc5d278b.webp)
*L'immagine di presentazione di Gemini 4 Argon, il modello di cui questa sezione riassume i dati dichiarati da Google. Fonte: Google DeepMind.*

- **1M** token in output (dai 64K della versione precedente)
- **77,9%** DeepSWE v1.1 (ingegneria del software su compiti lunghi)
- **91,7%** LVBench (comprensione di video lunghi)
- **Primo posto** Vals Index (impatto economico su finanza, coding, legale e fiscale)

_Fonte: Dichiarazioni di Google_

Secondo **Google**, il limite di output di Gemini 4 Argon sale a **1M** di token, dai **64K** precedenti, e l'azienda lo definisce il più alto del settore: lo spazio serve a sviluppare ragionamenti lunghi in un'unica traiettoria. Il **77,9%** su DeepSWE v1.1 e il primo posto nel Vals Index sono risultati che Google attribuisce al modello in ambito software e lavoro di conoscenza. Il **91,7%** su LVBench, che misura la comprensione di video lunghi, è il dato più specifico di questa sezione, perché riguarda l'analisi visiva e non il testo. Si tratta di dati dichiarati dal produttore; i dettagli sono in [Gemini 4 Argon: our next era of frontier intelligence](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/).

## CWE-bench: correggere le vulnerabilità

Il grafico mostra il punteggio su **CWE-bench v1**, il test che misura la capacità di un modello di correggere vulnerabilità di sicurezza. La metrica è il Pass@1, con i pari merito risolti dal Pass@4. Si tratta di un benchmark dichiarato da Google, quindi i punteggi vanno letti come dati forniti dal produttore.

Secondo Google, **Gemini 4 Argon** pareggia il primo posto con **Grok 4.7** e **GPT-6 Astra**, tutti fermi al **68%**. Seguono **Claude Opus 5.5** al **67%** e **Claude Fable 5.1** al **58%**. In fondo alla classifica c'è **Inkling** con il **37%**. Il testo ufficiale è disponibile [qui](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/).

**CWE-bench v1 leaderboard** — Pass@1 (parità spezzata da Pass@4): più alto è meglio

| Voce | CWE-bench v1 (Pass@1) |
| --- | --- |
| Grok 4.7 (opencode) | 68% |
| Gemini 4 Argon (Antigravity) | 68% |
| GPT-6 Astra (Codex) | 68% |
| Claude Opus 5.5 (Claude Code) | 67% |
| Claude Fable 5.1 (Claude Code) | 58% |
| Grok 4.6 (opencode) | 57% |
| DeepSeek-V4.1-Flash (opencode) | 55% |
| Muse Spark 1.3 (opencode) | 55% |
| Hy4 Preview (opencode) | 53% |
| GPT-6 Sol (Codex) | 52% |
| Inkling (opencode) | 37% |

_Fonte: Google DeepMind, valori letti dal grafico ufficiale_

![Grafico a barre della classifica CWE-bench v1: barre verticali con il punteggio di ciascun modello, da 68% di Grok 4.7, Gemini 4 Argon e GPT-6 Astra fino a 37% di Inkling](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/cbeae8d7-0866-4ff3-939a-e5df8999ca69.webp)
*Il grafico ufficiale di Google da cui sono stati letti i valori del grafico animato qui sopra. Fonte: Google DeepMind.*

## Scoprire vulnerabilità e test di penetrazione

Nel grafico ufficiale di Google, **Gemini 4 Argon** è confrontato con **Gemini 3.8 Flash Cyber** su due test di scoperta delle vulnerabilità, con punteggi Pass@1 in cui valori più alti indicano prestazioni migliori. Nel primo test, che analizza il codice sorgente di programmi scritti in 20 linguaggi, Argon raggiunge **85,8%** contro **71%** del modello precedente. Nel secondo, il Wiz Penetration Test Benchmark, il modello deve sfruttare vulnerabilità di sistemi web senza accesso al codice: qui Argon ottiene **70,9%** contro **58,2%**. La metodologia è indicata nella [pagina di Google DeepMind](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/).

**Scoperta di vulnerabilità e test di penetrazione** — Punteggio Pass@1, valori più alti = migliori

| Voce | Gemini 4 Argon | Gemini 3.8 Flash Cyber |
| --- | --- | --- |
| Real-world Vulnerability Discovery | 85,8% | 71% |
| Wiz Penetration Test Benchmark | 70,9% | 58,2% |

_Fonte: Google DeepMind, valori letti dal grafico ufficiale_

![Grafico con due coppie di barre blu sui test di scoperta delle vulnerabilità](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/5a9bb2db-45c4-4512-9a48-21550b188653.webp)
*Il grafico originale di Google mostra le due coppie di punteggi, con Argon in blu scuro e Gemini 3.8 Flash Cyber in blu chiaro. Fonte: Google DeepMind.*

Entrambi i test sono interni: il primo è di Google, il secondo è il benchmark black-box di Wiz. Non si tratta di valutazioni indipendenti, quindi i numeri vanno letti come dichiarazioni dei produttori.

## Iniezioni di prompt: il test Gray Swan IPI

Google usa il benchmark Gray Swan Indirect Prompt Injection per misurare la resistenza alle iniezioni di prompt indirette, cioè istruzioni malevole nascoste in documenti o pagine web che cercano di dirottare il comportamento del modello. La metrica è la percentuale di attacchi riusciti su **15** tentativi adattivi: più il valore è basso, più il modello resiste. Secondo il produttore, Argon è in testa a questo test, un risultato che [Google](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/) presenta come proprio.

**Gray Swan IPI** — Attacchi riusciti su 15 tentativi, più basso è meglio

| Voce | Gray Swan IPI |
| --- | --- |
| Gemini 4 Argon | 0,7% |
| Claude Opus 5.5 | 1% |
| Claude Fable 5.1 | 1% |
| Claude Opus 5 | 4,6% |
| Gemini 3.8 Flash | 5,5% |
| Gemini 3.8 Flash Cyber | 6% |
| GPT-6 Astra | 8,5% |
| GPT-6 Sol | 10,1% |
| Muse Spark 1.3 | 15,9% |
| GPT-5.6 Sol | 27% |
| GLM 5.3 | 31,5% |
| Grok 4.6 | 51,8% |

_Fonte: Google DeepMind, valori letti dal grafico ufficiale_

![Grafico a barre intitolato Gray Swan IPI, con la percentuale di attacchi riusciti per ciascun modello, ordinati dal valore più basso al più alto](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/cbe13f5d-4c63-4559-8333-3d8abdf349e7.webp)
*Il grafico ufficiale di Google mostra le stesse percentuali a 15 tentativi, con le barre divise per numero di tentativi. Fonte: Google DeepMind.*

Il grafico ufficiale mostra **Gemini 4 Argon** allo **0,7%**, seguito da **Claude Opus 5.5** e **Claude Fable 5.1** all'**1,0%**, poi **Gemini 3.8 Flash** al **5,5%** e **GPT-6 Astra** all'**8,5%**. Agli estremi opposti **Grok 4.6** arriva al **51,8%** e **Kimi K3** al **52,7%**. Chi usa agenti che leggono email o pagine web deve considerare che questo test misura proprio questo rischio.

## AlphaQubit: correggere gli errori quantistici

**Qubit e processore**

- [Una griglia di sfere blu con una sfera rosa al centro, attraversata da frecce colorate che partono dal suo centro](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/20a4615c-a5d5-4941-b40f-1fa94be4b466.webp) — Il qubit è rappresentato come una sfera: la sfera evidenziata mostra il singolo qubit, e le frecce ne indicano l'orientamento. Fonte: Google DeepMind.
- [Una ricercatrice con guanti bianchi collega dei cavi a un processore Google montato sotto un apparato dorato pieno di ca](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/2eba81bc-0d72-49ae-b919-8664a8f373ea.webp) — Il processore Google è montato nell'apparecchiatura di laboratorio: su questo tipo di hardware si raccolgono i dati degli errori su cui lavora il decoder. Fonte: Google DeepMind.

*Immagini: Google DeepMind.*

Il paper pubblicato su Nature il 20 novembre 2024 presenta [AlphaQubit](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphaqubit-quantum-error-correction/), un decoder basato su rete neurale. Il decoder usa i controlli di coerenza sui gruppi di qubit per stabilire quali errori si sono verificati, così che possano essere corretti.

- **Qubit**: unità di informazione quantistica, fragile e sensibile a disturbi come calore e vibrazioni.
- **Decoder**: sistema che, a partire dai controlli di coerenza, individua gli errori avvenuti.

### Risultati su 49 qubit

Addestrato con simulazioni e rifinito su dati reali del processore Sycamore, AlphaQubit ha lavorato su **49 qubit**. Secondo Google DeepMind, nei più grandi esperimenti su Sycamore commette il **6%** di errori in meno rispetto ai metodi a reti tensoriali e il **30%** in meno rispetto alla correlated matching, un decoder abbastanza veloce da scalare.

### Il limite della velocità

Su un processore superconduttivo veloce, ogni controllo di coerenza viene misurato **un milione di volte al secondo**. Il paper ammette che AlphaQubit è ancora troppo lento per correggere gli errori in tempo reale su questo tipo di processore.

### Il contributo di Argon

Argon ha tradotto una versione interna del decoder in un unico kernel hardware, con un throughput di inferenza quasi raddoppiato. Per voi il punto chiave è che la correzione degli errori resta il collo di bottiglia, e la velocità di esecuzione è il terreno su cui si lavora.

## Quadro di sicurezza della frontiera

### Che cos'è il Frontier Safety Framework

Il **Frontier Safety Framework** (FSF) è il documento con cui **Google DeepMind** descrive come individua e riduce i rischi gravi dei modelli più avanzati. La sua terza versione è stata pubblicata il **22 settembre 2025**. Il testo completo e aggiornato è disponibile nel [FSF](https://deepmind.google/blog/strengthening-our-frontier-safety-framework/).

### Le novità principali

Il framework introduce una soglia dedicata alla **manipolazione dannosa**, riferita a modelli che potrebbero cambiare in modo sistematico convinzioni e comportamenti delle persone. Aggiunge inoltre procedure per i modelli che potrebbero accelerare la ricerca sull'AI, includendo le **distribuzioni interne su larga scala**, prima coperte solo dai lanci esterni.

Il **17 aprile 2026** arriva la versione **FSF 3.1**, con i Tracked Capability Levels, introdotti per segnalare prima rischi meno estremi.

### Glossario essenziale

- **CCL** (Critical Capability Level): livello di capacità oltre il quale, senza misure di mitigazione, un modello può comportare un rischio elevato di danni gravi.
- **TCL** (Tracked Capability Level): livello monitorato per individuare in anticipo rischi meno estremi.
- **Disallineamento** (misalignment): situazione in cui un modello potrebbe ostacolare la capacità di chi lo gestisce di dirigerlo, modificarlo o spegnerlo.
- **Safety case review**: verifica che documenta come i rischi siano stati ridotti a livelli gestibili prima del lancio.

**Immagini decorative**

- [Struttura astratta curva fatta di dischi trasparenti sovrapposti in sfumature di blu e verde, su uno sfondo azzurro.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/cb4326e3-e64c-4fed-bf24-f18e3cdc3c06.webp) — Immagine decorativa: una forma astratta a tubo, scelta come elemento visivo senza legami con i contenuti tecnici del framework. Fonte: Google DeepMind.
- [Illustrazione astratta 3D di un tubo flessibile curvo composto da dischi translucidi sovrapposti in sfumature di blu e v](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/86f27e45-89d7-494d-8b0e-e595c7bd0a55.jpg) — Immagine decorativa: una variante della stessa forma a tubo, con gli stessi toni cromatici. Fonte: Google DeepMind.
- [Dettaglio ravvicinato di una superficie formata da sottili strisce trasparenti in toni azzurri e verdi.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/542918a4-0154-40ed-ab69-e82770565ec4.webp) — Immagine decorativa: un dettaglio ravvicinato di strisce trasparenti, usato solo come elemento grafico. Fonte: Google DeepMind.
- [Versione molto simile del dettaglio precedente, con sottili strisce trasparenti in toni azzurri e verdi.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b3aba8f5-7795-4306-97b4-5f3046db76a2/464d12f5-35e3-4e33-8502-39ac33a82e65.png) — Immagine decorativa: una seconda inquadratura dello stesso dettaglio grafico. Fonte: Google DeepMind.

*Immagini: Google DeepMind.*

## Come leggere questi numeri

I numeri dell'articolo provengono da misurazioni fatte da **Google** o da partner come **Wiz**, **Gray Swan**, **Vals**, **Zapier** e **Harvey**. Ogni benchmark misura un compito diverso: **DeepSWE v1.1** l'ingegneria del software su compiti lunghi, **AutomationBench** l'esecuzione di processi aziendali, **LVBench** la comprensione di video lunghi, **CWE-bench v1** la correzione di vulnerabilità. Non sommate né fate la media di punteggi di benchmark diversi.

Le barre dei grafici ufficiali sono state lette e confermate da due letture indipendenti. Su **CWE-bench** alcuni pareggi dipendono dal criterio **Pass@4**, quindi un primo posto condiviso va letto con questa cautela.

I benchmark non dicono quanto il modello sia affidabile nei vostri processi, né come si comporti con i vostri dati. Il materiale di partenza non riporta un link alla metodologia ufficiale dei test: per verificare condizioni e criteri, serve consultare la documentazione pubblicata da Google.

> **Attenzione:** Le percentuali citate, come il **68%** su CWE-bench e il **91,7%** su LVBench, sono dichiarazioni del produttore e dei partner, non verifiche indipendenti. Argon è in rilascio graduale a un gruppo ristretto di difensori informatici, quindi questi risultati non sono ancora verificabili da chi lo usa.

## Cosa significa per un’azienda

1. **Limite di 1 milione di token**: se il vostro lavoro riguarda codice o documenti lunghi, verificate che il contesto rientri nel limite unificato di input e output di **1 milione** di token dell'API Gemini. Leggete anche il nuovo protocollo di continuazione nella documentazione.
2. **Calcolo dei costi**: il prezzo introduttivo è di **2 dollari** per milione di token di input e **10 dollari** per milione di output. Esempio: un milione di token di input costa 2 dollari; se quegli stessi token sono in cache, con lo sconto del **95%** costano 10 centesimi di dollaro.
3. **Cybersicurezza**: se svolgete attività di difesa informatica, richiedete l'accesso tramite il **Fairwind Program**, a cui Google sta aggiungendo **centinaia** di partner. Per i difensori l'accesso avviene senza protezioni cyber, su base progressiva.
4. **Benchmark come indicazione**: risultati come il primo posto nel **Vals Index** o il **77,9%** su DeepSWE v1.1 sono dati dichiarati dal produttore. Prima di scegliere il modello, provatelo sui vostri compiti reali.
5. **Verifica umana sugli agenti**: Google afferma di aver addestrato Argon a chiedere conferma umana prima di passaggi irreversibili, e di aver ridotto al **2%** i tentativi di scorciatoia nei benchmark di programmazione. Mantenete comunque una revisione umana dei risultati degli agenti.

## Domande frequenti

**Chi può usare Argon oggi?**

Gli sviluppatori e le aziende possono usarlo via **API** in AI Studio e nella piattaforma Gemini. Gli abbonati **Google AI Ultra** possono provarlo in Google Antigravity, mentre gli abbonati **Google AI Ultra** e **Pro** lo trovano nell'app Gemini e in AI Mode in Search. La versione senza guardrail cyber è riservata ai partner del **Fairwind Program**, a cui potete candidarvi.

**Quanto costa?**

Il prezzo di lancio è di **2 dollari** per milione di token di input e **10 dollari** per milione di token di output. I token di input in cache costano il **95% in meno**. Il prezzo è introduttivo, quindi conviene verificarlo nella documentazione prima di pianificare un budget.

**Cosa significa il limite di 1 milione di token?**

Argon ha un limite unificato di **1 milione** di token tra input e output tramite la Gemini API. Il limite di output è stato portato a **1 milione**, dai precedenti **64K** token. Per le attività più lunghe, la documentazione descrive il nuovo continuation protocol, che vi conviene leggere prima di configurare il progetto.

**Dove trovo la model card?**

L'annuncio di Google rimanda alla **Gemini 4 Argon Model Card** per le informazioni complete sul modello, comprese le sue misure di sicurezza. La documentazione per sviluppatori e aziende descrive invece il setup.

## Come è stato calcolato il voto

Il voto della valutazione è la media di questi criteri, ciascuno motivato con un fatto delle fonti ufficiali.

| Criterio | Voto | Motivo |
| --- | --- | --- |
| Prestazioni dichiarate | 7/10 | Su CWE-bench v1 Argon ottiene 68%, a pari merito con Grok 4.7 e GPT-6 Astra, ma è un dato fornito dal produttore e letto da un grafico. |
| Prezzo e disponibilità | 6/10 | Il prezzo è di $2 per million input tokens e $10 per million output tokens, ma è introduttivo; le fonti non indicano il prezzo successivo. |
| Sicurezza contro le iniezioni di prompt | 7/10 | Nel test Gray Swan IPI Argon registra 0.7% di attacchi riusciti su 15 tentativi adattivi, mentre Claude Opus 5.5 e Claude Fable 5.1 risultano a 1 nel grafico ufficiale. |
| Trasparenza e verifica indipendente | 5/10 | La maggior parte dei benchmark è riportata da Google, mentre gli eval di Gamow Labs sono privati e non verificabili dalle fonti. |