Assalamu‘alaikum wr. wb.
Hello guys! Berjumpa lagi bersama Teknoblog dari Inzaghi's Blog! Jika sebelumnya kita sudah bisa menggunakan Nano Banana untuk membuat Gambar hingga Infografis dan Model Gemini 3. Sekarang, Google telah mengumumkannya Model AI terbaru yang bernama Gemini 4 Argon, yang pertama kalinya pada 30 September 2026 (18 Rabi'ul Akhir 1448 H). Sedangkan model AI ini baru saja tersedia secara publik pada Tanggal 13 Oktober 2026 (2 Jumadil Awal 1448 H).
Sumber Artikel : Blog.Google, Blog.Google (ID), Datacamp.com (Blog), Thenewstack.io, Techcrunch.com, dan IDN Times
Google resmi mengumumkan Gemini 4 Argon pada 30 September 2026 (18 Rabi'ul Akhir 1448 H), sebuah model AI terbaru yang difokuskan untuk menangani pekerjaan profesional dengan tingkat kerumitan tinggi. Model ini dibekali kemampuan penalaran mendalam yang mampu mengeksekusi tugas alur kerja bertahap secara berkesinambungan, seperti mengelola proyek rekayasa perangkat lunak, analisis keuangan, riset dokumen hukum, hingga mitigasi risiko keamanan siber. Sebagai bagian dari tahap awal, akses awal telah dibuka bagi para pakar melalui Fairwind Program.
Dirancang khusus untuk memenuhi kebutuhan analisis berkedalaman serta ketelitian tinggi, Gemini 4 Argon membawa peningkatan kapasitas keluaran (output limit) secara signifikan hingga 1 juta token—jauh melampaui generasi sebelumnya yang berada di angka 64 ribu token. Peningkatan ini didukung pencapaian performa tinggi pada pengujian standar industri seperti DeepSWE v1.1 dan Vals Index. Meskipun demikian, peluncuran dilakukan secara bertahap untuk memastikan sistem keamanan telah matang sebelum tersedia bagi publik secara luas.
Perubahan teknik yang paling utama adalah batas token keluaran, yang melonjak menjadi 1 juta token dari yang sebelumnya 64.000. Hal ini menetapkan rekor tertinggi baru (state of the art) pada DeepSWE v1.1 di angka 77,9% dan diluncurkan terlebih dahulu melalui Program Fairwind untuk sekelompok pembela siber (cyber defenders) terpercaya.
A. Pengertian Gemini 4 Argon
Gemini 4 Argon merupakan model frontier terbaru dari Google yang menduduki posisi puncak dalam lini keluarga Gemini, berada tepat di atas seri Gemini 3.8 yang diluncurkan hingga September 2026.
Google merancang model ini khusus untuk mempertahankan penalaran mendalam saat menangani alur kerja kompleks berdurasi panjang, dengan fokus utama pada tiga bidang strategis: rekayasa perangkat lunak, pekerjaan berbasis pengetahuan korporat seperti sektor hukum dan keuangan, serta sistem pertahanan keamanan siber.
Peningkatan antargenerasi yang paling menonjol terletak pada lonjakan batas token keluaran yang kini mencapai 1 juta token dari yang sebelumnya hanya 64 ribu token. Peningkatan kapasitas secara masif ini memungkinkan Argon untuk menghasilkan ratusan ribu token secara berkelanjutan dalam satu alur kerja tunggal tanpa perlu terhenti atau meminta input instruksi ulang.
 |
| Infografik Model AI Gemini 4 Argon [Sumber Gambar : ChatGPT] |
B. Fitur Utama Gemini 4 Argon
Fitur-fitur Argon dirancang khusus untuk menangani tugas-tugas berat yang membutuhkan proses selama berjam-jam, bukan lagi sekadar hitungan detik. Keunggulan ini tercermin jelas pada batas kapasitas keluaran, kinerja agen, hingga perangkat keamanan siber yang diusungnya. Berikut adalah empat kemampuan utama yang akan mengubah peta pengembangan teknologi :
1. Menghasilkan 1 Juta Token dalam Satu Proses Tunggal
Argon sanggat andal dalam memproduksi hingga 1 juta token keluaran dalam sekali proses pembuatan—melonjak drastis dibanding batas 64 ribu token pada generasi terdahulu.
Google menegaskan bahwa penambahan batas ini tidak hanya memperpanjang respons, tetapi juga meningkatkan kualitas penalaran. Saat model dapat berpikir dan memproses ratusan ribu token dalam satu alur kerja utuh, ia mampu menyelesaikan masalah yang jauh lebih rumit tanpa risiko kehilangan fokus atau bagian informasi terputus akibat pemisahan tugas.
Sebagai pembanding, model GPT-6 Astra membatasi keluaran hanya pada 128 ribu token dengan jendela konteks sebesar 1,05 juta token.
Bagi Anda yang pernah mengalami kegagalan agen AI saat melakukan perombakan kode (refactoring) besar-besaran karena terbentur batas keluaran dan harus memulai ulang dari awal, kendala inilah yang kini berhasil diatasi.
Namun, yang perlu dicermati tentu saja adalah faktor biaya. Proses pembuatan teks panjang dengan tarif $10 per satu juta token keluaran akan dengan cepat membengkak, dan Google sendiri belum merinci apakah token penalaran dipatok dengan skema tarif yang sama.
2. Memigrasikan Basis Kode Secara Menyeluruh (End-to-End)
Di internal Google, agen Argon telah dimanfaatkan untuk mengalihkan basis kode berorientasi C dan C++ ke bahasa Rust. Skalanya bervariasi, mulai dari puluhan ribu baris pada pustaka inti seperti re2 dan libgav1, hingga melampaui 800 ribu baris kode untuk kernel Zircon pada sistem operasi Fuchsia.
Jenis pekerjaan skala raksasa ini biasanya menyita waktu bertahun-tahun kerja teknisi. Google memastikan bahwa seluruh hasil penulisan ulang kode ini telah melalui audit otomatis maupun manual, uji emulasi, serta tinjauan ketat sebelum akhirnya diimplementasikan ke sistem produksi.
Pencapaian pada pustaka libgav1 menjadi salah satu pencapaian yang paling impresif.
Agen Argon mengambil proyek pengalihan Rust yang sudah ada dari pengurai kode (decoder) video sumber terbuka milik Google, lalu menggantikan 32 ribu baris kode SIMD manual. Proses ini dilakukan melalui eksperimen berbasis profil kinerja serta analisis keluaran kompilator hingga berhasil melakukan vektorisasi Rust yang aman secara otomatis.
Hasil akhirnya adalah pengurai kode yang aman dari kebocoran memori (memory-safe) dengan kecepatan 2,7 kali lebih tinggi dibandingkan versi porting Rust biasa, tanpa mengubah kualitas keluaran video sedikit pun.
3. Hasil Penerapan Secara Internal di Google
Terdapat dua data internal yang patut dicermati karena menjadi bukti paling mendekati kondisi penggunaan nyata dari seluruh pengumuman ini.
- Optimasi Pusat Data: Tim agen Argon menganalisis data telemetri penggunaan di seluruh jaringan server Google, lalu secara mandiri menerapkan optimasi memori di berbagai pusat data. Langkah ini berhasil membebaskan lebih dari 300 TiB memori, dengan potensi total penghematan diproyeksikan mencapai 500 TiB hingga 1 PiB.
- Riset Komputasi Kuantum: Argon membantu mengoptimalkan alokasi ruang-waktu (subrutin penggandaan qubit dan gate) yang selama ini menjadi hambatan utama dalam aplikasi kuantum. Pada satu kasus uji, model ini mampu melampaui standar acuan publik hingga 40% hanya dalam hitungan menit.
Meskipun kedua pencapaian ini belum diverifikasi oleh pihak luar, detail spesifik yang diberikan membuat klaim tersebut sangat mungkin untuk diuji kebenarannya di kemudian hari.
4. Otomatisasi Keuangan, Hukum, dan Bisnis Berbasis Konteks Visual
Argon ditujukan secara spesifik untuk pekerjaan berbasis pengetahuan yang sumber bukti dasarnya berasal dari grafik, dokumen resmi, dan video, ketimbang sekadar instruksi teks sederhana.
Google menyoroti analisis grafik profesional, pemrosesan detail dari video berdurasi panjang, serta eksekusi tindakan berantai pada kumpulan dokumen sebagai skenario penggunaan utama. Pada pengujian pemahaman video panjang (LVBench), Argon berhasil membukukan skor 91,7%.
Contoh penerapannya di dunia nyata mencakup tugas riset keuangan bertahap: model akan mempelajari berkas presentasi, mencocokkan data pada tabel, lalu mengeksekusi tindakan langsung pada sistem bisnis enterprise.
Argon juga menduduki peringkat teratas pada AutomationBench milik Zapier dengan skor 51,3%—sebuah uji acuan yang mengukur eksekusi alur kerja akhir-ke-akhir (end-to-end) pada fungsi bisnis utama, bukan sekadar memberikan jawaban ringkas.
5. Deteksi dan Perbaikan Celah Keamanan Tanpa Pembatas (Guardrails)
Ini merupakan terobosan paling tidak biasa dari peluncuran kali ini.
Khusus bagi tim pakar pertahanan tepercaya di Fairwind Program dan tim internal Google, model Argon dihadirkan tanpa sistem pembatas (cyber guardrails). Hal ini memberikan akses kapasitas serang penuh (offensive-adjacent) untuk kebutuhan pertahanan siber: menemukan, memvalidasi, hingga menambal celah keamanan perangkat lunak secara mandiri.
Perusahaan keamanan Wiz telah memanfaatkan Argon melalui inisiatif Scan for Good untuk memulihkan paparan risiko tinggi pada infrastruktur publik secara gratis.
Dalam demonstrasi awal, Argon berhasil menemukan celah keamanan krusial yang mengancam kerahasiaan data pribadi pasien pada perangkat lunak kesehatan global—sebuah kerentanan yang gagal dideteksi oleh model frontier generasi sebelumnya.
Di saat bersamaan, Google mengklaim Argon sebagai model paling tangguh terhadap serangan Indirect Prompt Injection (IPI) serta memimpin pada tolok ukur Gray Swan. Sistem pemantau chain-of-thought dan tindakan akan langsung menghentikan proses eksekusi jika model terdeteksi menyimpang dari instruksi pengguna.
Google juga menegaskan bahwa data hasil pemantauan sengaja tidak dimasukkan ke dalam materi pelatihan. Langkah ini diambil agar alur penalaran Argon tidak terdistorsi untuk memanipulasi atau meloloskan diri dari sistem pengawasan—sebuah transparansi teknis yang sangat patut diapresiasi.
C. Benchmark Gemini 4 Argon
 |
| Adu Tolok Ukur Gemini 4 Argon [Sumber Gambar : ChatGPT] |
Untuk mendukung kemampuan Gemini 4 Argon dalam menangani berbagai kebutuhan yang lebih kompleks dan membutuhkan proses panjang, batas maksimum token output model ini ditingkatkan secara signifikan menjadi 1 juta token, menjadikannya salah satu yang terdepan di industri. Sebelumnya, batas tersebut hanya mencapai 64 ribu token. Dengan kapasitas yang lebih besar, model dapat melakukan penalaran secara mendalam dan menghasilkan ratusan ribu token dalam satu rangkaian proses. Hal ini membuka peluang untuk menyelesaikan permasalahan sulit secara menyeluruh dalam satu kali pengerjaan, dengan tingkat kedalaman penalaran yang lebih tinggi.
Berdasarkan 19 tolok ukur (benchmark) yang dipublikasikan Google, Argon berhasil unggul dalam 13 di antaranya ketika dibandingkan dengan GPT-6 Astra, Claude Fable 5.1, dan Claude Opus 5.5. Keunggulan tersebut terutama terlihat pada tugas-tugas berbasis pengetahuan, pemrosesan konteks panjang, serta perbaikan kerentanan keamanan.
Sementara itu, kekalahan Argon terkonsentrasi pada tugas-tugas ilmiah yang dijalankan melalui terminal dan salah satu dari dua rangkaian pengujian rekayasa perangkat lunak. Pola hasil seperti ini justru lebih menarik untuk dianalisis dibandingkan dengan jika Argon berhasil memenangkan seluruh pengujian tanpa terkecuali.
1. Agentic Coding
Argon meraih skor 77,9% pada DeepSWE v1.1, mengungguli Claude Opus 5.5 yang memperoleh 74,2%, GPT-6 Astra dengan 74,1%, serta Claude Fable 5.1 yang mencatatkan 67,4%.
DeepSWE mengukur kemampuan rekayasa perangkat lunak dalam tugas jangka panjang (long-horizon software engineering) menggunakan repositori kode nyata. Oleh karena itu, benchmark ini lebih mengutamakan model yang mampu mempertahankan rencana pengerjaan melalui banyak perubahan kode, bukan sekadar menghasilkan satu perubahan (diff) yang bagus.
Hasil tersebut menjadi semakin menarik jika turut mempertimbangkan biaya penggunaannya.
Dalam pembahasan mengenai GPT-6.1 Sol, disebutkan bahwa Sol mampu menyamai skor Astra pada DeepSWE v1.1 dengan biaya sekitar seperlima dari biaya Astra, yaitu US$2 untuk setiap satu juta token input dan US$10 untuk setiap satu juta token output.
Tarif perkenalan Argon ternyata sama persis, yakni US$2 untuk input dan US$10 untuk output per satu juta token. Namun, Argon mampu mengungguli skor DeepSWE Astra sebesar 3,8 poin persentase.
Argon juga unggul pada Vibe Code Bench dengan skor 91,9%, dibandingkan 90,3% untuk kedua model Claude dan 89,6% untuk Astra. Meski demikian, selisih 1,6 poin persentase di antara empat model AI terdepan tersebut masih tergolong kecil, sehingga belum tentu menunjukkan perbedaan kemampuan yang signifikan.
2. Pemahaman Konteks Panjang dan Multimodal
Perbedaan kemampuan dalam menangani konteks panjang (long context) menjadi yang paling besar di antara seluruh hasil benchmark yang dibandingkan.
Pada pengujian GraphWalks BFS F1 dengan panjang konteks antara 256 ribu hingga 1 juta token, Argon memperoleh skor 84,2%. Angka ini jauh lebih tinggi dibandingkan GPT-6 Astra yang meraih 71,8%, Claude Opus 5.5 dengan 66,8%, dan Claude Fable 5.1 sebesar 65,0%.
Pada konteks hingga 128 ribu token, seluruh model menunjukkan performa yang tinggi. Namun, Argon tetap memimpin dengan skor 99,7%.
GraphWalks menguji kemampuan model dalam menelusuri sebuah graf yang dijelaskan melalui prompt. Performa model dapat menurun secara tajam ketika proses pengambilan informasi (retrieval) dari jendela konteks yang sangat panjang menjadi kurang andal.
Keunggulan Argon sebesar 12,4 poin persentase atas Astra pada konteks 1 juta token merupakan selisih yang cukup berarti. Perbedaan ini dapat menentukan apakah sebuah model mampu memproses seluruh repositori kode atau kumpulan lengkap dokumen deposisi hukum dalam satu kali permintaan (call).
Dalam tugas multimodal, Argon juga menunjukkan hasil yang kuat. Model ini meraih skor 91,7% pada LVBench, mengungguli Astra yang memperoleh 87,5% dan Fable 5.1 dengan 79,7%. Pada Chartography, Argon mencatatkan skor 71,6%, sedikit lebih tinggi daripada Astra yang memperoleh 71,0%.
Sebagai pembanding untuk benchmark Chartography, hasil pengujian Claude Sonnet 5.5 yang sebelumnya dibahas menunjukkan bahwa Sonnet 5.5 memperoleh skor 61,6%, sedangkan Opus 5.5 mencapai 64,4%.
3. Remediasi Keamanan Siber
Pada CWE-bench v1, yang mengukur kemampuan model dalam memperbaiki kerentanan keamanan perangkat lunak yang nyata (security vulnerability remediation), Argon menyamai GPT-6 Astra di posisi pertama dengan skor 68%. Sementara itu, Opus 5.5 memperoleh 67% dan Fable 5.1 mencatatkan 58%.
Hasil imbang tersebut tetap merupakan pencapaian yang baik. Namun, Google juga menekankan keunggulan Argon dari sisi penemuan kerentanan (vulnerability discovery).
Dalam pengujian internalnya, Google melaporkan bahwa Argon mampu menemukan celah keamanan pada berbagai basis kode yang mencakup 20 bahasa pemrograman, dengan menggunakan benchmark kerentanan internal. Pengujian ini membandingkan Argon dengan 3.8 Flash Cyber.
Google juga melaporkan bahwa Argon mengungguli 3.8 Flash Cyber pada benchmark pengujian penetrasi black-box milik Wiz. Keunggulan tersebut mencakup kemampuan memetakan permukaan serangan (attack surface), menemukan kerentanan, serta menghasilkan bukti berupa proof of concept (PoC) yang menunjukkan bagaimana kerentanan dapat dieksploitasi.
Istilah black-box berarti pengujian dilakukan tanpa akses ke kode sumber (source code). Pendekatan ini lebih menyerupai kondisi yang dihadapi penyerang eksternal ketika memeriksa dan menguji sistem web yang sedang beroperasi secara langsung.
4. Kelemahan Gemini Argon dibandingkan Model Lain
Google juga memublikasikan hasil pengujian yang menunjukkan kelemahan Argon, dan transparansi ini patut diapresiasi.
Menurut saya, ada 4 (Empat) hasil benchmark yang layak mendapat perhatian khusus :
- FrontierSWE v2: Argon mencatatkan skor 55,0%, tertinggal 10,5 poin dari GPT-6 Astra (65,5%) dan Opus 5.5 (62,3%) pada paket pengujian rekayasa perangkat lunak yang lebih berat ini.
- Terminal-bench 4.0: Argon meraih 57,4%, berada di bawah Opus 5.5 yang mencapai 66,4%. Pengujian kami pada Claude Sonnet 5.5 menunjukkan bahwa model kelas menengah tersebut justru mampu menyentuh angka 70,6% pada tolok ukur yang sama. Ini berarti Argon masih tertinggal dari model yang harganya jauh lebih murah dalam hal pekerjaan agen berbasis terminal.
- Terminal-Bench Science 0.1: Argon membukukan 57,6% dibanding Astra di angka 68,1%—terdapat selisih 10,5 poin untuk tugas-tugas ilmiah yang dieksekusi melalui shell.
- PostTrainBench dan OSWorld-2.0: Pada spesialisasi rekayasa machine learning, Argon meraih 45,3% (kalah dari Opus 5.5 di angka 49,3%). Sementara pada subset luring OSWorld-2.0, Argon memperoleh 69,2% (tertinggal dari Astra yang mencapai 72,6%).
Di sisi lain, Argon tetap menunjukkan keunggulan dalam beberapa pengujian sains dan matematika. Pada LABBench 2, Argon meraih skor 88,8%, mengungguli Astra dengan 85,4% dan Fable 5.1 dengan 68,6%. Pada RiemannBench, Argon juga memimpin dengan skor 76,0%, dibandingkan dengan Astra yang memperoleh 72,0%.
Berdasarkan pola hasil tersebut, Argon tampaknya lebih unggul dalam menyusun rencana dan memahami informasi dalam konteks panjang. Sebaliknya, Astra dan Opus 5.5 masih lebih baik dalam menjalankan tugas melalui terminal, terutama pekerjaan yang membutuhkan interaksi langsung dengan lingkungan eksekusi dan penggunaan alat berbasis shell.
Berikut adalah keseluruhan rangkaian yang telah diterbitkan, sehingga Anda dapat menemukan beban kerja Anda sendiri di dalamnya.
 |
| Sumber Tabel : Google Blog |
D. Ketersediaan API Gemini 4 Argon
Google menerapkan strategi peluncuran bertahap untuk Gemini 4 Argon. Tahap awal difokuskan pada pengumpulan masukan dari pakar keamanan siber melalui Fairwind Program guna memperkuat sistem perlindungan. Setelahnya, akses didistribusikan secara lebih luas kepada pengembang, lini bisnis, dan konsumen—dengan prioritas utama bagi pengguna API berbayar serta pelanggan Google AI Ultra.
Selama periode pengenalan, Google menetapkan skema tarif sebesar 2 dolar AS per satu juta token masukan (input) dan 10 dolar AS per satu juta token keluaran (output), lengkap dengan diskon 95% untuk token masukan yang memanfaatkan fitur caching. Setelah masa promo berakhir, harga normal akan disesuaikan menjadi 4 dolar AS per satu juta token masukan dan 20 dolar AS per satu juta token keluaran.
Per 13 Oktober 2026 (2 Jumadil Awal 1448 H), Gemini 4 Argon resmi dirilis secara global. Para pengembang dan perusahaan kini dapat mengaksesnya melalui Gemini API, sementara pelanggan Google AI Pro dan Ultra bisa memanfaatkannya lewat aplikasi Gemini serta AI Mode di Google Search (khusus pengguna Ultra juga mendapatkan akses via Google Antigravity). Perluasan ini menandai transisi Gemini 4 Argon dari tahap pengujian terbatas menjadi alat AI berkinerja tinggi yang siap mendukung berbagai kebutuhan profesional maupun konsumen.
VIDEO
Untuk selengkapnya mengenai Gemini 4 Argon, silakan lihat Video YouTube ini.
Itulah Pembahasan mengenai Google Gemini 4 Argon. Sekilas dari namanya, memang Model AI Google Gemini ini diambil dari salah satu Unsur Kimia, dengan Nomor Atom yang ke-18 dan termasuk Gas Mulia. Tapi Nama Google Gemini 4 ini sebenarnya lebih mirip seperti nama Ayah saya.
Terima Kasih 😄😊👌👍 :)
Wassalammu‘alaikum wr. wb.