Tous les articles
IA & dev

Gemini 4 Argon : ce qui change pour un dev Java, de Copilot à Spring AI

Par Elouan Laurent
Lettres de Scrabble formant Google Gemini sur une table en bois, pour l'article sur Gemini 4 Argon

Gemini 4 Argon, c'est quoi et qui peut l'utiliser ?

Gemini 4 Argon est le modèle phare de Google, disponible pour tous depuis le 13 octobre 2026 sous l'identifiant gemini-4-argon. Il passe par l'API Gemini payante, Google AI Studio, Android Studio et Gemini Enterprise Agent Platform. Le même jour, GitHub l'a ajouté à Copilot. Son prix d'introduction est de 2 $ par million de tokens en entrée et 10 $ en sortie, jusqu'au 30 novembre 2026.

Google l'avait annoncé le 30 septembre, mais pour un cercle fermé : les équipes de cyberdéfense de son programme Fairwind. Beaucoup de pages encore bien classées décrivent cet accès restreint. Il n'est plus d'actualité.

Le changelog de l'API Gemini le présente comme le modèle le plus capable de Google. Il vise le code complexe, les agents, les maths et les sciences. Côté grand public, l'app Gemini l'ouvre aux abonnés Google AI Pro et Ultra.

La fiche technique retient trois points pour un développeur. Le contexte est unifié : entrée, réflexion et sortie partagent 1 048 576 tokens. Le niveau de réflexion se règle en low, medium (défaut) ou high. L'appel de fonctions et les sorties structurées sont pris en charge.

Les chiffres qui suivent viennent des pages de Google, de GitHub, de Vals et d'Artificial Analysis, relevées le 15 octobre 2026. Je n'ai testé ni le modèle, ni le code de cet article.

Le prix : 2 $ / 10 $ jusqu'au 30 novembre, puis le double

Le tarif de lancement est un prix d'introduction, et il a une date de fin. Voici la grille de la page de prix de l'API Gemini, en dollars par million de tokens :

Standard, jusqu'au 30 nov. Standard, dès le 1er déc. Batch, jusqu'au 30 nov. Batch, dès le 1er déc.
Entrée 2 4 1 2
Sortie (réflexion comprise) 10 20 5 10
Entrée en cache 0,10 0,20 0,05 0,10

Argon n'a pas de free tier. La même page l'exclut aussi du plan Google AI Pro côté API, alors que l'app Gemini l'ouvre aux abonnés Pro : ce sont deux produits distincts.

Le « 1 $ par million de tokens » repris par certains agrégateurs correspond au mode Batch (traitement asynchrone, résultats différés) ou au mode Flex. Ce n'est pas le prix d'un appel standard.

En chiffres, un appel de 20 000 tokens en entrée et 4 000 en sortie coûte 0,08 $ jusqu'au 30 novembre. Le même appel coûtera 0,16 $ dès le 1er décembre. Un budget calculé sur le tarif de lancement est donc à refaire pour décembre.

Dans IntelliJ ou Eclipse : Argon via GitHub Copilot

Le changelog de GitHub ouvre Argon aux plans Copilot Pro+, Max, Business et Enterprise. Le modèle apparaît dans le sélecteur de VS Code, Visual Studio, des IDE JetBrains, d'Eclipse, de Xcode et de Copilot CLI. Le déploiement est progressif.

Contrairement à ce qui circule, l'admin n'a rien à activer dans le cas par défaut. Sur Business et Enterprise, les nouveaux modèles sont activés automatiquement. L'exception : un admin qui a coupé cette activation par défaut, ou qui désactive Argon dans la politique des modèles.

Côté facturation, je n'ai trouvé aucun multiplicateur de requêtes premium pour Argon. GitHub le facture à l'usage, au prix de la liste du fournisseur, en crédits IA (1 crédit = 0,01 $). Sa grille reprend 2 $ en entrée, 0,10 $ en cache et 10 $ en sortie, en tarif promotionnel jusqu'au 1er décembre 2026. Au 15 octobre, GitHub ne publie pas le tarif qui suivra.

Faisons le calcul pour une requête de chat avec 50 000 tokens de contexte et 5 000 tokens de réponse. Elle coûte 0,10 $ d'entrée et 0,05 $ de sortie, soit 15 crédits. Un agent qui enchaîne des dizaines d'appels consomme donc vite les crédits inclus dans le plan.

Un détail pour IntelliJ et Eclipse : la doc GitHub ne fixe pas encore de version minimale du plugin pour Argon (« TBD »). Seul Visual Studio en a une. Si le modèle n'apparaît pas, je commence par mettre le plugin à jour.

Par API : ce qui change par rapport aux Gemini précédents

Changer l'identifiant du modèle ne suffit pas. La page de migration de l'API Gemini et le guide Argon de l'Agent Platform listent ces changements :

  • Plus de cache explicite. Les appels qui créent ou référencent un cached_content sont à retirer. Seul reste le cache implicite : il s'applique dès 4 096 tokens de préfixe commun sur l'API Gemini, 6 144 sur l'Agent Platform. Le contenu stable va donc en tête du prompt.
  • temperature, top_p et top_k sont ignorés. Pas d'erreur, juste aucun effet. Le format de sortie se contrôle par un schéma de réponse.
  • Des erreurs 400 nouvelles. L'Agent Platform refuse thinking_budget, le niveau MINIMAL, frequency_penalty, presence_penalty et candidate_count. Le guide indique aussi que le prefill (un dernier tour « modèle » que l'API compléterait) n'est pas pris en charge, sans préciser le code d'erreur.
  • Une sortie synchrone plafonnée. Selon la doc de l'API Gemini, une réponse synchrone s'arrête à 65 536 tokens, et demander plus renvoie une 400. Au-delà, il faut l'exécution en arrière-plan. Sur l'Agent Platform, une requête HTTP directe non streamée s'arrête même à 32 768 tokens.
  • Un max_output_tokens plus haut. Le défaut est de 65 536. Si votre code fixe une limite sous 32K, Google conseille au moins 32 768. Argon consomme en effet plus de ce plafond en réflexion. Une limite trop basse coupe la réponse, et la réflexion déjà produite reste facturée.
  • Des timeouts longs. Google conseille au moins 15 minutes de timeout HTTP pour les prompts difficiles.

Spring AI et LangChain4j : ce que le code permet au 15 octobre

Aucun des deux frameworks n'a encore publié de version qui cite Argon. J'ai lu leur code pour voir ce qui passe déjà.

Spring AI 2.0.1 (module Google GenAI) accepte n'importe quel nom de modèle, et son enum de réflexion contient MEDIUM. Il ne valide pas les niveaux pour un modèle absent de sa liste : c'est l'API qui tranche. temperature et candidate-count ne partent que si vous les configurez.

Deux réserves. Spring AI 2.0.1 et le jalon 2.1.0-M1 embarquent le SDK Java de Google en version 1.65.0. Or Google recommande la 1.77.0 ou plus, sortie le 13 octobre avec la continuation automatique des longues réponses. Ensuite, le cache explicite et l'option auto-cache-threshold sont à laisser éteints avec Argon.

LangChain4j 1.22.0 (module langchain4j-google-ai-gemini) expose thinkingConfig et un niveau MEDIUM. Son timeout de lecture par défaut est de 60 secondes, loin des 15 minutes conseillées. Voici un réglage plausible, ni compilé ni exécuté :

ChatModel model = GoogleAiGeminiChatModel.builder()
    .apiKey(System.getenv("GEMINI_API_KEY"))
    .modelName("gemini-4-argon")
    .thinkingConfig(GeminiThinkingConfig.builder()
        .thinkingLevel(GeminiThinkingConfig.GeminiThinkingLevel.MEDIUM)
        .build())
    .maxOutputTokens(32_768)
    .timeout(Duration.ofMinutes(15))
    .build();

Au 15 octobre, aucune version publiée des deux frameworks ne gère la continuation (réponses de plus de 64K tokens). Pour ce cas, le SDK Java de Google reste le chemin direct.

La continuation arrive chez LangChain4j. Le 13 octobre, sa branche principale a mis le SDK 1.77.0 dans son autre module Gemini, langchain4j-google-genai (bêta, bâti sur le SDK de Google). La continuation automatique vient avec, et chaque requête de continuation est facturée. Aucune version publiée ne l'embarque encore.

Côté Spring, le jalon Spring AI 2.1 ne change pas la version du SDK.

Que valent les benchmarks ?

Google annonce 77,9 % sur DeepSWE v1.1, un banc d'ingénierie logicielle sur des tâches longues. C'est un chiffre de l'éditeur.

Un évaluateur tiers confirme une partie du tableau. Le Vals Index classe Argon premier au 13 octobre, avec 68,90 %, devant Claude Sonnet 5.5 (67,04 %). L'indice pèse d'abord la finance, et Argon y mène le banc Finance Agent v2. Sur ses trois bancs de code, ce sont Sonnet 5.5 ou Opus 5.5 qui restent devant.

Artificial Analysis donne 53 sur son indice à Argon en réflexion high, contre une médiane de 27 pour les modèles comparables. Il le juge aussi « assez verbeux » : 110 millions de tokens générés pour l'évaluation. La médiane des modèles de sa gamme de prix est de 85 millions. Pour le coût, ce volume compte autant que le prix unitaire.

Que faire cette semaine ?

Mon avis : Argon mérite un essai sur du vrai code, mais le tarif d'introduction ne doit pas servir de base à un budget. Sur l'API, il double le 1er décembre.

Trois actions selon votre rôle :

  1. Admin Copilot (Business ou Enterprise) : vérifier la politique des modèles. Argon est actif par défaut. Si vous voulez cadrer la consommation de crédits, décidez-le maintenant.
  2. Dev Java sous IntelliJ ou Eclipse : mettre le plugin Copilot à jour, puis comparer Argon à votre modèle habituel sur trois tickets réels déjà résolus.
  3. CTO avec une intégration Gemini en production : chercher les cached_content, thinking_budget, candidate_count et timeouts courts dans le code avant de changer l'identifiant. Recalculer le coût mensuel au tarif du 1er décembre.

Pour comparer avec un modèle bien moins cher sur les tâches répétitives, j'ai chiffré Claude Haiku 5.5 sur un RAG Java.

Vous voulez migrer une intégration Gemini en Java / Spring Boot vers Argon sans casser la production ? Je développe sur cette stack depuis 2015. Réserver un appel découverte de 30 minutes pour passer votre code en revue.

À lire ensuite