Gemini 4 Argon Denkstufen und Langzeitdekodierung: Voreinstellungen, Kosten und wann man jede verwenden sollte

Gemini 4 Argon wurde am 13. Oktober 2026 allgemein verfügbar und Google dokumentierte damit die beiden Einstellungen, die entscheiden, was eine Argon-Anfrage kostet und wie lange sie dauert: die Denkstufe und das Ausgabe-Limit. Argon bietet drei Denkstufen: niedrig, mittel und hoch, und standardmäßig wird mittel verwendet. Antworten enden bei 64K Tokens, es sei denn, Sie aktivieren die Langzeitdekodierung, die es einer einzelnen Antwort ermöglicht, bis zu 1M Tokens zu laufen.

Es gibt jedoch einen Haken bei den Voreinstellungen. Jeder veröffentlichte Argon-Benchmark lief auf hoch: Google bewertete es "mit den höchsten Denkeinstellungen", Artificial Analysis testete es auf hoch, und Vals AI führte es auf hoch aus. Eine Anfrage, die kein Level festlegt, läuft auf mittel, sodass es nicht die Konfiguration ist, die diese Werte beschreibt.

Dieser Beitrag behandelt die drei Stufen und Googles Ratschläge zu jeder, was hoch in Tokens und Zeit kostet, wie man das Ausgabe-Limit festlegt, damit Antworten nicht leer zurückkommen, und wie die Langzeitdekodierung funktioniert und abgerechnet wird. Er endet mit Code für AIHubMix.

Die kurze Version

• Argon hat drei Denkstufen: niedrig, mittel (die Voreinstellung) und hoch. Denken kann nicht deaktiviert werden.
• Jeder veröffentlichte Benchmark verwendete hoch. Niemand hat Ergebnisse bei mittel oder niedrig veröffentlicht.
• max_output_tokens begrenzt Denken und Antwort zusammen. Setzen Sie es auf mindestens 32.768, oder ein harter Prompt kann das gesamte Budget mit Denken ausgeben und nichts zurückgeben.
• Ohne Langzeitdekodierung stoppt eine Antwort bei 65.536 Tokens. Mit ihr kann eine Antwort bis zu 1.048.576 Tokens minus Ihrem Input laufen.
• Langzeitdekodierung berechnet jeden Token jedes 64K "Hops", und jeder Hop liest alles, was bisher als Input geschrieben wurde, erneut, mit einem Rabatt von 95 % durch implizites Caching.

Die drei Stufen

Googles Was gibt es Neues in Gemini 4 Argon Leitfaden beschreibt die Stufen wie folgt:

Google warnt, dass bei niedrig "die Qualität bei schwierigen Aufgaben sinken kann", und sein Rat zur Auswahl ist direkt: "Führen Sie Ihre Bewertungen auf allen drei Ebenen durch und wählen Sie dann die niedrigste Stufe, die Ihren Qualitätsanforderungen entspricht."

In der nativen API ist die Einstellung thinking_level, dokumentiert im Gemini Denk-Leitfaden. Über einen OpenAI-kompatiblen Endpunkt ist es reasoning_effort. Googles OpenAI-Kompatibilitätsleitfaden ordnet die Werte für Argon zu: minimal und niedrig werden beide zu niedrig, mittel bleibt mittel, hoch bleibt hoch, und das Weglassen ergibt die Voreinstellung, mittel. Es gibt kein Level, das das Denken deaktiviert.

Die Voreinstellung ist mittel. Die Benchmarks sind hoch.

Google, Artificial Analysis und Vals berichten alle von Argon auf hoch. Vals setzte auch ein Ausgabe-Limit von 262.144 Tokens. Die Werte, die Sie gesehen haben, beschreiben Argon auf seiner höchsten Stufe, und eine Anfrage ohne festgelegtes Level läuft eine Stufe niedriger.

Das ist nicht unbedingt ein Problem. Mittel ist die Stufe, die Google für die meisten Arbeiten empfiehlt, einschließlich komplexer Codes und Agenten, und sie verwendet weniger Tokens als hoch. Aber niemand hat veröffentlicht, wie viel Genauigkeit mittel oder niedrig aufgibt oder wie viele Tokens sie sparen. [TBD: Genauigkeit und Tokens nach Denkstufe]

Ein weiteres Detail ist für Vergleiche wichtig. GPT-6 Astra und GPT-6.1 Sol wurden auf "max" getestet, einer Stufe über hoch. Ein Gleichstand zwischen "Argon (hoch)" und "Astra (max)" ist jedes Modell an seiner Obergrenze, nicht bei übereinstimmenden Einstellungen.

Was hoch kostet

Die Zahlen hier stammen von Artificial Analysis, einschließlich seiner Anbietergeschwindigkeitstests, und von Vals AI. Alle führten Argon auf hoch aus.

Denk-Tokens werden als Ausgabe abgerechnet: Google listet Argons Ausgabe-Preis "einschließlich Denk-Tokens", und die Nutzungsdaten berichten sie als total_thought_tokens. Bei ~62k Ausgabetokens pro Aufgabe kostet eine Aufgabe allein etwa 0,62 $ bei Googles Einführungspreis von 10 $ pro Million und etwa 1,24 $ bei 20 $ pro Million, dem Preis ab dem 1. Dezember.

Die Zeit folgt den Tokens. Bei 99,5 bis 116,5 Tokens pro Sekunde benötigen 62k Tokens etwa 9 bis 10 Minuten zur Generierung, nach einer Wartezeit von etwa 45 Sekunden für das erste Antworttoken. Interaktive Produkte benötigen Streaming und einen Fortschrittsindikator auf hoch oder eine niedrigere Stufe.

Festlegen des Ausgabe-Limits

max_output_tokens ist ein hartes Limit für Denken und Antwort zusammen. Wenn eine Antwort dieses erreicht, ist der Status "unvollständig" und der Text kommt abgeschnitten oder leer zurück, und die Denk-Tokens werden weiterhin abgerechnet. Googles Anleitung:

• Wenn Ihre App ein Limit unter 32K festlegt, erhöhen Sie es auf mindestens 32.768. Argon kann mehr von dem Limit für das Denken ausgeben als frühere Modelle.
• Um weniger auszugeben, senken Sie stattdessen die Denkstufe, anstatt ein kleines Limit festzulegen.
• Ohne Langzeitdekodierung beträgt die Voreinstellung und das Maximum 65.536 Tokens. Mehr zu verlangen ohne Langzeitdekodierung führt zu einem 400-Fehler.
• Input, Denken und Ausgabe teilen sich ein 1.048.576-Token-Fenster. Wenn Ihr Input plus max_output_tokens dieses überschreitet, schrumpft das Ausgabe-Limit, um zu passen.

Zwei weitere Änderungen von Gemini 3. Temperatur, top_p und top_k werden bei Argon ignoriert, sodass deren Anpassung nichts bewirkt. Und harte Prompts können mehrere Minuten dauern, daher empfiehlt Google HTTP-Client-Timeouts von mindestens 15 Minuten.

Langzeitdekodierung: Antworten über 64K Tokens

Langzeitdekodierung ist das, was Google bei der Einführung als Langzeitdekodierung Fortsetzung angekündigt hat. Der Langzeitdekodierungsleitfaden beschreibt zwei Möglichkeiten, sie auszuführen.

Hintergrundausführung (Interactions API). Erstellen Sie die Interaktion mit background=True und max_output_tokens über 65.536. Die Hintergrundausführung benötigt store=true. Der Server schreibt die Antwort in Hops von bis zu 64K Tokens, wobei jeder dort fortfährt, wo der letzte aufgehört hat, für bis zu 24 Stunden. Jeder Hop fügt einen model_output Schritt hinzu, also fügen Sie sie zusammen, wenn die Interaktion abgeschlossen ist. Setzen Sie background=True ohne max_output_tokens zu erhöhen, und es stoppt bei 64K.

Client-seitige Fortsetzung (generateContent API). Jeder Hop gibt bis zu 64K Tokens zurück, wenn er streamt oder über das SDK, 32K für einen nicht-streamenden REST-Aufruf. Ein Hop, der sein Limit erreicht, endet mit finish_reason: CONTINUATION und einem continuation_token, und die nächste Anfrage sendet denselben Input plus das Token. Neuere SDKs erledigen dies für Sie: Python google-genai 2.30.1 und JavaScript @google/genai 2.29.1 oder später. Jede Anfrage hat ein 20-Minuten-Limit.

Beim Streaming einer Langzeitdekodierung speichern Sie die Interaktions-ID und die neueste event_id, stellen Sie die Verbindung mit last_event_id wieder her, wenn der Stream abbricht, und setzen Sie Lese-Timeouts von 15 bis 20 Minuten. Nach den ersten 64K Tokens kommt der Stream in Stücken von etwa 5.000 Tokens mit Pausen dazwischen an.

Google ist sich klar, wann es sich lohnt:

Ein höheres Limit gibt dem Modell Raum zum Denken; es macht normale Antworten nicht länger. Das Modell entscheidet, wie viel es schreiben möchte, und es folgt nicht den Wort- oder Token-Zielen.

Wie die Langzeitdekodierung abgerechnet wird

Sie zahlen für jeden Token in jedem Hop, einschließlich Hops, die nur Denken enthalten. Jeder Hop sendet auch Ihr Prompt plus alles, was bisher generiert wurde, als Input zurück an das Modell, sodass diese Tokens erneut zählen. Googles Beispiel: Ein 1.000-Token-Prompt, das 200.000 Tokens Denken und Ausgabe produziert, benötigt vier Hops.

Die Nutzungsdaten berichten von etwa 397.000 Input-Tokens, obwohl der Kontext nur etwa 201.000 hält. Implizites Caching reduziert den wiederholten Input um 95 %, sodass es günstig ist: zu den Einführungspreisen kosten die 200.000 Ausgabetokens 2,00 $, und etwa 396.000 wiederholte Input-Tokens zu 0,10 $ pro Million addieren etwa 0,04 $. Die Ausgabe dominiert weiterhin die Rechnung.

Zwei Nebeneffekte. Verwenden Sie total_input_tokens nicht, um zu entscheiden, wann Sie ein Gespräch kürzen oder zusammenfassen, da es den Kontext überbewertet; addieren Sie stattdessen Ihre Prompt-Größe zu den Ausgabe- und Denk-Gesamten. Und abgebrochene oder fehlgeschlagene Interaktionen berechnen die gesamte Arbeit, die vor dem Stopp erledigt wurde.

Wo man anfangen sollte, nach Arbeitslast

Diese folgen Googles Level-Richtlinien; es gibt keine veröffentlichten Genauigkeiten pro Level, um sie zu verfeinern.

Testen Sie dann eine Stufe darunter. Wenn die günstigere Stufe Ihre Anforderungen in Ihrem eigenen Bewertungssatz erfüllt, behalten Sie sie bei.

Halten Sie die Stufe innerhalb einer Sitzung fest. Argon speichert implizit, indem es wiederholte Eingaben um 95 % für Prompts von mindestens 4.096 Tokens reduziert, und der AIHubMix Gemini-Leitfaden weist darauf hin, dass ein Cache-Treffer denselben Inhalt, dasselbe Modell und dieselben Parameter benötigt. Das Wechseln der Stufen zwischen den Durchgängen kann gespeicherte Eingaben wieder in Vollpreis-Eingaben umwandeln.

Festlegen der Stufe und des Limits auf AIHubMix

Argon ist auf AIHubMix als gemini-4-argon verfügbar, über den OpenAI-kompatiblen Endpunkt und durch das native Google GenAI SDK. Für die meisten Anfragen setzen Sie die Stufe und das Limit explizit:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
    timeout=900,  # harte Prompts können mehrere Minuten dauern
)

resp = client.chat.completions.create(
    model="gemini-4-argon",
    reasoning_effort="medium",  # Argons Standard; die Benchmarks verwendeten "hoch"
    max_tokens=32768,           # begrenzt Denken und Antwort zusammen
    messages=[
        {"role": "user", "content": "Überprüfen Sie diesen Zahlungsdienst auf Rennbedingungen in seiner Wiederholungslogik.\n\n<Quellcode>"},
    ],
)
print(resp.choices[0].message.content)
print(resp.usage)

Für die Langzeitdekodierung verwenden Sie das native SDK, das auf den Gemini-Endpunkt von AIHubMix verweist. Der Leitfaden von AIHubMix dokumentiert die Interactions API dort, einschließlich des Hintergrundmodus, mit google-genai 2.0.0 oder später. Das Muster unten ist das von Google dokumentierte; es wurde noch nicht über AIHubMix getestet. [TBD: Langzeitdekodierung über AIHubMix]

import os
import time
from google import genai

client = genai.Client(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    http_options={"base_url": "https://aihubmix.com/gemini"},
)

interaction = client.interactions.create(
    model="gemini-4-argon",
    input="Schreiben Sie die vollständige Testreihe für dieses Zahlungsmodul, mit einem Test für jeden Randfall.\n\n<Quellcode>",
    background=True,
    generation_config={"max_output_tokens": 262144, "thinking_level": "hoch"},
)
while interaction.status in ("in_progress", "queued"):
    time.sleep(5)
    interaction = client.interactions.get(id=interaction.id)

# Jeder Hop fügt einen model_output Schritt hinzu; fügen Sie sie alle zusammen.
text = "".join(
    part.text
    for step in interaction.steps
    if step.type == "model_output"
    for part in step.content
    if part.type == "text"
)
print(interaction.status, interaction.usage)

Argons AIHubMix-Modellseite listet seine unterstützten Eingaben, Fähigkeiten und aktuellen Preis auf.

FAQ

Welche Denkstufen unterstützt Gemini 4 Argon?
Niedrig, mittel und hoch. Die Voreinstellung ist mittel, und Denken kann nicht deaktiviert werden.

Auf welcher Stufe wurden die Benchmarks von Argon durchgeführt?
Hoch. Google, Artificial Analysis und Vals AI berichten alle von Argon auf hoch, und niemand hat Ergebnisse bei mittel oder niedrig veröffentlicht.

Wie setze ich die Stufe über das OpenAI SDK?
Verwenden Sie reasoning_effort. Für Argon werden minimal und niedrig auf niedrig, mittel auf mittel und hoch auf hoch abgebildet. Lassen Sie es weg, um mittel zu erhalten.

Warum hat Argon eine leere Antwort zurückgegeben?
Es hat wahrscheinlich das gesamte Budget von max_output_tokens für das Denken ausgegeben. Die Antwort kommt unvollständig zurück und die Denk-Tokens werden weiterhin abgerechnet. Erhöhen Sie das Limit auf mindestens 32.768 oder senken Sie die Denkstufe.

Wie erhalte ich mehr als 64K Ausgabetokens?
Verwenden Sie die Langzeitdekodierung. Setzen Sie in der Interactions API background auf true und max_output_tokens über 65.536. Bei generateContent verwenden Sie ein aktuelles SDK, das automatisch über Hops fortsetzt.

Wie wird die Langzeitdekodierung abgerechnet?
Sie zahlen für jeden Token in jedem Hop. Jeder Hop sendet das Prompt und alles, was bisher generiert wurde, als Input zurück, und implizites Caching reduziert diesen wiederholten Input um 95 %. Abgebrochene oder fehlgeschlagene Ausführungen berechnen die bereits geleistete Arbeit.

Funktioniert die Temperatur noch bei Gemini 4 Argon?
Nein. Temperatur, top_p und top_k werden ignoriert, also entfernen Sie sie und verwenden Sie die Denkstufe zur Steuerung des Verhaltens.

Weiterlesen: die Gemini 4 Argon-Serie

• Überprüfen Sie, ob Argon überhaupt das richtige Modell für Ihre Arbeitslast ist, bevor Sie die Einstellungen anpassen: Gemini 4 Argon: Grenzwertwerte, ein 1M-Token-Ausgabelimit und wie man es jetzt aufruft
• Hohe Denkstufen machen Argons Aufgaben teuer. Gemessene Kosten pro Aufgabe, von zwei unabhängigen Testern: Gemini 4 Argon Preisgestaltung: Günstig pro Token, nicht pro Aufgabe
• Die Denk-Voreinstellung, das Ausgabe-Limit und ignorierte Sampling-Parameter sind drei der Änderungen auf der Migrationscheckliste: Wechsel zu Gemini 4 Argon von Gemini 3.1 Pro oder 3.8 Flash: Was bricht und wie man es repariert

Quellen

• Was gibt es Neues in Gemini 4 Argon (Google AI für Entwickler)
• Gemini Denken (Google AI für Entwickler)
• Langzeitdekodierung (Google AI für Entwickler)
• Gemini 4 Argon: Google ist wieder eines der drei besten Labore in erreichter Intelligenz (Artificial Analysis)
• Gemini 4 Argon auf AIHubMix (AIHubMix)