AI Tools

Gemini 4 Argon: Trạng thái phát hành, giá API và benchmark

Tìm hiểu Gemini 4 Argon: ai có thể dùng, giá mở đầu $2/$10 rồi tăng lên $4/$20, benchmark của Google và giới hạn 1 triệu token đầu ra.

Ảnh đại diện Long Nguyen

Long Nguyen

Lập trình viên Fullstack · Kỹ sư AI · Nhà nghiên cứu

• • 6 phút đọc •

Gemini 4 Argon là gì?

Gemini 4 Argon là model đầu tiên thuộc thế hệ Gemini 4 của Google, được Google DeepMind công bố vào . Model này đứng trên dòng Gemini 3.8 và là frontier model mới của Google, hướng đến các tác vụ kéo dài, gồm nhiều bước, thay vì trò chuyện nhanh: kỹ thuật phần mềm trong môi trường thực tế, công việc tri thức doanh nghiệp như pháp lý và tài chính, cùng an ninh mạng phòng thủ.

Theo thông báo chính thức của Google về Gemini 4 Argon, có ba điểm giúp model này khác biệt so với thế hệ trước:

  • Giới hạn 1 triệu token đầu ra, tăng từ 64K ở các model trước. Đây là giới hạn đầu ra, không phải context: model có thể tạo hàng trăm nghìn token trong một phản hồi.
  • Năng lực phòng thủ an ninh mạng thuộc nhóm tiên phong: model có thể tự tìm, xác thực và vá các lỗ hổng phần mềm, vì vậy quá trình phát hành được kiểm soát theo từng giai đoạn.
  • Giá API ưu đãi ban đầu là $2 / $10 cho mỗi triệu token đầu vào / đầu ra, sau đó tăng gấp đôi lên $4 / $20 khi hết thời gian ưu đãi.

Tóm lại, nếu bạn đang lên kế hoạch xây dựng công việc xoay quanh model này: Gemini 4 Argon đã được công bố, định giá và đánh giá benchmark, nhưng hiện bạn vẫn chưa thể gọi model qua public API.

Gemini 4 đã được cung cấp chưa?

Chưa, ít nhất là với phần lớn người dùng. Google đang phát hành Argon theo từng giai đoạn và chưa công bố thời điểm cung cấp rộng rãi. Tính đến , quyền truy cập hiện được phân bổ như sau:

Giai đoạn Ai được truy cập Trạng thái
1. Fairwind Program Một nhóm chuyên gia phòng thủ an ninh mạng đáng tin cậy, được sử dụng model không có các cyber guardrail Đang triển khai
2. Đánh giá trước phát hành của chính phủ Quy trình cho phép truy cập model trước phát hành tự nguyện của chính phủ Hoa Kỳ Đang tiến hành
3. Đợt đầu dành cho khách hàng trả phí Khách hàng trả phí của Gemini API và người đăng ký Google AI Ultra “Sớm nhất có thể”, chưa có ngày cụ thể
4. Phát hành rộng rãi Nhìn chung gồm nhà phát triển, doanh nghiệp và người dùng cá nhân Sau khi tiếp tục hoàn thiện guardrail, chưa có ngày cụ thể

Điều này dẫn đến hai hệ quả thực tế. Thứ nhất, thông báo chưa nêu model ID của API, vì vậy mọi đoạn mã trên mạng sử dụng một chuỗi model Gemini 4 cụ thể đều chỉ là phỏng đoán. Thứ hai, nếu bạn đang dùng gói miễn phí hoặc gói dành cho người dùng cá nhân không phải Ultra, hãy chuẩn bị tinh thần chờ sau các khách hàng API trả phí.

Giá API của Gemini 4 Argon

Google đã công bố giá trước khi model được cung cấp rộng rãi, giúp bạn dự toán ngân sách ngay từ bây giờ:

Loại token Giá ưu đãi ban đầu (mỗi 1 triệu) Sau thời gian ưu đãi (mỗi 1 triệu)
Đầu vào $2.00 $4.00
Đầu vào được cache $0.10 (giảm 95% so với đầu vào) Chưa công bố; $0.20 nếu mức giảm 95% tiếp tục được áp dụng
Đầu ra $10.00 $20.00

Google chưa cho biết thời gian ưu đãi kéo dài bao lâu. Hãy lập kế hoạch biên lợi nhuận dựa trên mức giá $4 / $20 và xem mức giá thấp hơn như một khoản giảm giá tạm thời, không phải chi phí thực tế lâu dài của model.

Một lần gọi agent điển hình tốn bao nhiêu?

Token đầu ra chiếm phần lớn hóa đơn trong các tác vụ có thời gian xử lý dài, và điều này càng đáng lưu ý ở một model có thể tạo tới 1 triệu token. Dưới đây là ví dụ cho một bước coding agentic với prompt 200K token, trong đó 150K là context repository được cache, tạo ra 40K token đầu ra:

Khoản mục Giá ưu đãi ban đầu Sau thời gian ưu đãi
50K đầu vào chưa cache $0.10 $0.20
150K đầu vào đã cache $0.015 $0.03
40K đầu ra $0.40 $0.80
Tổng mỗi lần gọi $0.515 $1.03

Đầu ra chiếm khoảng 78% tổng chi phí. Một lần gọi sử dụng toàn bộ giới hạn 1 triệu token đầu ra sẽ tốn $10 ở mức giá ưu đãi và $20 sau đó, chưa tính phần đầu vào. Prompt caching giúp giảm mạnh chi phí đầu vào, nhưng đầu ra không được giảm giá. Vì vậy, yếu tố thực sự kiểm soát chi phí là lượng nội dung bạn cho phép model tạo ra.

Benchmark của Gemini 4 Argon

Đây là các điểm số và thứ hạng Google công bố trong bài viết ra mắt. Khi Google chỉ nêu thứ hạng mà không đưa ra con số, bảng dưới đây cũng ghi rõ như vậy thay vì tự điền.

Benchmark Đo lường điều gì Kết quả của Argon (theo Google)
DeepSWE v1.1 Các tác vụ kỹ thuật phần mềm thực tế, kéo dài và gồm nhiều bước 77.9%, kỷ lục mới
Vals Index Tác động kinh tế trong các lĩnh vực tài chính, coding, pháp lý và thuế, tính theo tỷ trọng đóng góp vào GDP Hoa Kỳ #1 (bài viết không nêu điểm số)
AutomationBench (Zapier) Thực hiện đầu-cuối các chức năng kinh doanh cốt lõi 51.3%, xếp hạng #1
LVBench Khả năng hiểu video dài 91.7%, dẫn đầu
CWE-bench v1 Khắc phục các lỗ hổng bảo mật 68%, đồng hạng nhất
Vals Finance Agent v2 Nghiên cứu tài chính gồm nhiều bước Dẫn đầu (không nêu điểm số)
Harvey Legal Agent Benchmark Nghiên cứu và soạn thảo pháp lý Dẫn đầu (không nêu điểm số)
Gray Swan IPI Khả năng chống prompt injection gián tiếp Dẫn đầu (không nêu điểm số)

Nên xem trọng các con số này đến đâu?

Tất cả các kết quả trên đều do nhà cung cấp công bố, trên một model mà gần như không ai bên ngoài Google có thể kiểm thử vào lúc này. Điều đó không có nghĩa chúng sai, nhưng cho thấy chưa có đánh giá độc lập nào lặp lại các kết quả này. Bloomberg đưa tin về sự hoài nghi nội bộ tại Google đối với hiệu quả của model trong một số lĩnh vực như coding, dù model đang dẫn đầu benchmark. Cách hiểu hợp lý là: các con số về khả năng tạo đầu ra dài và workflow agentic cho thấy bước nhảy năng lực có thể là thật, nhưng việc tự đánh giá trên chính tác vụ của bạn vẫn là kết quả duy nhất nên quyết định có chuyển đổi hay không.

Giới hạn 1 triệu token đầu ra thực sự thay đổi điều gì?

Suốt nhiều năm, phần lớn nhà phát triển phải tìm cách xử lý giới hạn đầu ra: chia một lần refactor lớn thành hàng chục lần gọi, tạo báo cáo dài theo từng phần, ghép mọi thứ lại rồi sửa các điểm nối. Mức trần 1 triệu token đầu ra, cao hơn khoảng 15 lần so với 64K trước đây, giúp loại bỏ phần lớn công đoạn điều phối đó đối với các tác vụ chạy một lần.

Các ví dụ nội bộ của Google cho thấy quy mô ứng dụng của khả năng này:

  • Di chuyển codebase: các agent Argon đang chuyển mã C/C++ sang Rust bên trong Google, từ những thư viện cốt lõi như re2 đến hơn 800K dòng mã cho kernel Fuchsia Zircon, kèm kiểm tra tự động và thủ công trước khi đưa bất cứ thứ gì vào production.
  • Tối ưu hiệu năng: trên libgav1, bộ giải mã video mã nguồn mở của Google, các agent đã thay thế 32K dòng mã SIMD trong một bản port Rust hiện có. Kết quả bảo đảm an toàn bộ nhớ và chạy nhanh hơn 2,7 lần so với bản port đó, trong khi đầu ra giống hệt.
  • Hạ tầng: các agent phân tích dữ liệu profiling trên toàn bộ fleet đã áp dụng các tối ưu bộ nhớ, giải phóng hơn 300 TiB trên các trung tâm dữ liệu của Google.

Những đánh đổi thường không được nhắc đến trong bài viết ra mắt

  • Một lần tạo nội dung dài thất bại sẽ rất tốn kém. Nếu phản hồi 600K token bị lỗi ở token thứ 500K do timeout hoặc mất kết nối, bạn đã trả tiền cho 500K token đầu ra nhưng không có sản phẩm nào dùng được. Hãy stream phản hồi và thiết kế tác vụ để có thể checkpoint hoặc tiếp tục từ phần đầu ra dang dở.
  • Độ trễ tăng theo độ dài đầu ra. Một phản hồi dài hàng trăm nghìn token sẽ mất vài phút thay vì vài giây. Điều này phù hợp với tác vụ batch và agent chạy nền, không phù hợp với những gì người dùng phải chờ trên giao diện.
  • Công sức kiểm duyệt cũng tăng theo. Một lần chạy tạo ra 800K dòng code đã được chuyển đổi chỉ hữu ích nếu bạn có thể xác minh chúng. Chính Google cũng thực hiện kiểm thử mô phỏng và đánh giá thủ công cho các lần viết lại này. Nếu pipeline của bạn không có test để phát hiện regression, giới hạn đầu ra lớn hơn chỉ tạo ra các diff lớn hơn nhưng chưa được kiểm chứng.
  • Luôn đặt giới hạn đầu ra rõ ràng. Mức trần là giới hạn tối đa, không phải mục tiêu. Hãy điều chỉnh max_output_tokens theo từng tác vụ để model lan man không biến một lần gọi $0.50 thành $10.

Vì sao quyền truy cập Gemini 4 bị hạn chế: năng lực an ninh mạng và biện pháp bảo vệ

Việc phát hành có kiểm soát là hệ quả trực tiếp từ những gì model có thể làm. Google đã huấn luyện Argon để tự động tìm, xác thực và vá các lỗ hổng nghiêm trọng, đồng thời cung cấp cho các chuyên gia phòng thủ đáng tin cậy và đội ngũ nội bộ một phiên bản không có cyber guardrail. Wiz hiện đã sử dụng model trong chương trình Scan for Good dành cho hạ tầng công cộng. Google cho biết model đã phát hiện một lỗ hổng nghiêm trọng làm lộ dữ liệu cá nhân trong phần mềm y tế được các bệnh viện sử dụng, dù các frontier model trước đó đã bỏ sót.

Trước khi phát hành rộng rãi, Google cho biết họ đang tăng cường bốn lĩnh vực:

Lĩnh vực Google đang làm gì Điều này quan trọng ra sao nếu bạn xây dựng sản phẩm trên model
Lạm dụng Từ chối các yêu cầu tấn công mạng và CBRN, đồng thời giám sát các activation bên trong model để phát hiện hành vi lạm dụng Công cụ bảo mật hợp pháp có thể gặp từ chối trên phiên bản công khai, trong khi người dùng Fairwind không gặp tình trạng này
Prompt injection Huấn luyện đối kháng và red team tự động; Google tuyên bố dẫn đầu benchmark IPI của Gray Swan Giảm rủi ro, nhưng không loại bỏ hoàn toàn rủi ro, đối với các agent đọc trang web, email hoặc tệp tải lên
Lệch mục tiêu Các hệ thống giám sát theo dõi chain-of-thought và hành động, đồng thời có thể dừng thực thi khi model vượt quá ý định của người dùng Các phiên chạy agent dài có thể bị dừng giữa chừng; hãy xem đây là một khả năng bình thường
Tăng cường hệ thống Các sandbox được tách biệt và niêm phong trước những lần huấn luyện hoặc đánh giá rủi ro cao Đây là lời nhắc rằng bạn cũng cần sandbox cho các agent tự chạy code hoặc truy cập production

Cách chuẩn bị ứng dụng cho Gemini 4 ngay từ bây giờ

Bạn chưa thể gọi Argon, nhưng có thể biến việc chuyển đổi thành một thay đổi cấu hình thay vì phải viết lại toàn bộ khi model xuất hiện.

  1. Đưa tên model vào phần cấu hình. Đừng hardcode tên model. Khi Google công bố model ID của Argon, bạn chỉ cần thay đổi một biến môi trường.
  2. Xây dựng một bộ đánh giá nhỏ từ các tác vụ thực tế. Hai mươi đến năm mươi input đại diện, đi kèm output chuẩn đã biết, là đủ để so sánh model hiện tại với Argon ngay ngày đầu tiên thay vì chỉ tin vào benchmark ra mắt.
  3. Tái cấu trúc prompt để tận dụng caching. Đặt phần ổn định ở đầu (system instruction, schema, context repository hoặc tài liệu) và phần biến động ở cuối. Với mức giảm 95% cho input được cache, đây là tối ưu hóa tiết kiệm nhất hiện có.
  4. Giới hạn đầu ra và thiết lập cảnh báo chi phí. Xác định output lớn nhất mà mỗi tác vụ thực sự cần và đặt cảnh báo ngân sách trước lần gọi Argon đầu tiên, không phải sau khi nhận hóa đơn đầu tiên.
  5. Định giá sản phẩm theo mức giá sau ưu đãi. Nếu một tính năng chỉ hoạt động ở mức $2 / $10 thì tính năng đó chưa thực sự khả thi.

Một lần gọi không phụ thuộc model với Google Gen AI Python SDK chính thức có thể trông như sau. Tên model được lấy từ môi trường và đầu ra được giới hạn theo từng tác vụ:

import os
from google import genai
from google.genai import types

client = genai.Client()  # reads GEMINI_API_KEY from the environment

MODEL = os.environ["GEMINI_MODEL"]  # set to the Argon ID once Google publishes it

def run_job(prompt: str, max_out: int = 32_000) -> str:
    response = client.models.generate_content(
        model=MODEL,
        contents=prompt,
        config=types.GenerateContentConfig(max_output_tokens=max_out),
    )
    return response.text

Nếu đội ngũ của bạn đang cân nhắc liệu Argon có đáng để xây dựng lại một chatbot, agent tạo báo cáo hay hệ thống tự động hóa nội bộ hay không, việc tách bạch phần model thay đổi và phần pipeline vốn vẫn cần thiết sẽ rất hữu ích. Đó là điểm khởi đầu trong dịch vụ phát triển AI agent và chatbot của chúng tôi: trước tiên đánh giá trên dữ liệu của bạn, sau đó mới chọn model.

Có nên chuyển sang Gemini 4 Argon không?

Khi được cung cấp, câu trả lời phụ thuộc vào đặc điểm workload của bạn nhiều hơn là bảng benchmark:

Workload của bạn Khuyến nghị Lý do
Refactor lớn, di chuyển code, các phiên coding agentic kéo dài Kiểm thử sớm Giới hạn đầu ra 1 triệu token và kết quả DeepSWE nhắm đúng nhóm tác vụ này
Báo cáo dài, phân tích hợp đồng hoặc tài chính từ nhiều tài liệu Kiểm thử sớm Đầu ra dài trong một lần chạy loại bỏ việc ghép từng phần; pháp lý và tài chính là những tuyên bố mạnh nhất của model
Hiểu video dài hoặc tài liệu nhiều biểu đồ Kiểm thử 91.7% trên LVBench là kết quả multimodal nổi bật nhất
Phản hồi ngắn với lưu lượng lớn (chat hỗ trợ, phân loại, trích xuất) Tiếp tục dùng model nhóm Flash Bạn phải trả mức giá frontier cho năng lực không sử dụng; độ trễ quan trọng hơn
Kiểm thử bảo mật và xử lý lỗ hổng Đăng ký qua Fairwind nếu đủ điều kiện Năng lực an ninh mạng không có guardrail chỉ được cung cấp ở đó
Bất kỳ tác vụ nào có thời hạn ra mắt trong vài tuần tới Không phụ thuộc vào model này Chưa có ngày cung cấp rộng rãi hoặc model ID công khai

Chiến lược mà phần lớn đội ngũ có thể áp dụng cuối cùng sẽ là định tuyến thay vì thay thế: dùng một model nhanh, rẻ cho phần lớn yêu cầu và Argon cho những tác vụ dài, khó, nơi một lần chạy chất lượng cao giúp tiết kiệm nhiều hơn chi phí bỏ ra.

Nếu bạn muốn có thêm ý kiến về vị trí phù hợp của Argon trong hệ thống công nghệ, hoặc cần hỗ trợ thiết lập đánh giá và định tuyến trước khi quyền truy cập mở, hãy yêu cầu báo giá miễn phí và mô tả workload của bạn. Bạn không mất phí và cũng không cần tài khoản để gửi yêu cầu.

CÂU HỎI THƯỜNG GẶP

Câu hỏi thường gặp

Gemini 4 được phát hành khi nào?

Google công bố Gemini 4 Argon vào ngày 30 tháng 9 năm 2026. Đây là đợt phát hành theo từng giai đoạn: model trước tiên được cung cấp cho các chuyên gia phòng thủ an ninh mạng đáng tin cậy thông qua Fairwind Program, và Google chưa đưa ra ngày phát hành rộng rãi.

Hiện tôi có thể sử dụng Gemini 4 Argon trong Gemini API không?

Chưa, ít nhất là với phần lớn người dùng. Google cho biết quyền truy cập rộng hơn sẽ bắt đầu với khách hàng Gemini API trả phí và người đăng ký Google AI Ultra, nhưng tính đến ngày 1 tháng 10 năm 2026 vẫn chưa có ngày cụ thể hoặc model ID công khai.

Gemini 4 Argon có giá bao nhiêu?

Giá API ưu đãi ban đầu là $2 cho mỗi triệu token đầu vào và $10 cho mỗi triệu token đầu ra, trong đó input được cache được giảm 95% so với giá đầu vào. Sau thời gian ưu đãi, giá tăng lên $4 cho mỗi triệu token đầu vào và $20 cho mỗi triệu token đầu ra. Google chưa cho biết thời gian ưu đãi kéo dài bao lâu.

Giới hạn token đầu ra của Gemini 4 là bao nhiêu?

Gemini 4 Argon có thể tạo tối đa 1 triệu token đầu ra trong một phản hồi, tăng từ 64K ở thế hệ trước. Đây là giới hạn đầu ra, tách biệt với lượng context đầu vào mà model có thể tiếp nhận.

Gemini 4 Argon giỏi nhất ở những việc gì?

Google định vị model cho kỹ thuật phần mềm với thời gian xử lý dài, công việc tri thức doanh nghiệp như nghiên cứu pháp lý và tài chính, khả năng hiểu video dài và an ninh mạng phòng thủ. Google công bố kết quả 77.9% trên DeepSWE v1.1 và vị trí dẫn đầu trên Vals Index, dù các kết quả này do chính Google báo cáo và chưa được kiểm chứng độc lập.

Fairwind Program là gì?

Fairwind là chương trình của Google DeepMind dành cho các chuyên gia phòng thủ an ninh mạng đáng tin cậy. Người tham gia là nhóm đầu tiên được sử dụng Gemini 4 Argon, trong một phiên bản không có cyber guardrail, để khai thác khả năng phát hiện và vá lỗ hổng của model.

Cập nhật cùng Netalith

Nhận kiến thức công nghệ, cập nhật sản phẩm và ưu đãi đặc biệt qua email.