Niveaux de réflexion et décodage long de Gemini 4 Argon : paramètres par défaut, coûts et quand utiliser chacun

Gemini 4 Argon est devenu généralement disponible le 13 octobre 2026, et avec lui, Google a documenté les deux paramètres qui déterminent le coût d'une requête Argon et le temps qu'elle prend : le niveau de réflexion et la limite de sortie. Argon propose trois niveaux de réflexion, bas, moyen et élevé, et par défaut, il est réglé sur moyen. Les réponses s'arrêtent à 64K tokens, sauf si vous activez le décodage long, qui permet à une seule réponse d'atteindre 1M tokens.

Il y a un piège dans les paramètres par défaut. Chaque référence Argon publiée a été exécutée à un niveau élevé : Google l'a évalué "avec les paramètres de réflexion les plus élevés", Artificial Analysis l'a testé à un niveau élevé, et Vals AI l'a exécuté à un niveau élevé. Une requête qui ne définit pas de niveau s'exécute à un niveau moyen, donc ce n'est pas la configuration que ces scores décrivent.

Ce post couvre les trois niveaux et les conseils de Google sur chacun, ce que coûte le niveau élevé en tokens et en temps, comment définir la limite de sortie afin que les réponses ne reviennent pas vides, et comment fonctionne le décodage long et comment il est facturé. Il se termine par du code pour AIHubMix.

La version courte

• Argon a trois niveaux de réflexion : bas, moyen (le par défaut) et élevé. La réflexion ne peut pas être désactivée.
• Toutes les références publiées ont utilisé le niveau élevé. Personne n'a publié de résultats au niveau moyen ou bas.
• max_output_tokens limite la réflexion et la réponse ensemble. Réglez-le à au moins 32 768, sinon un prompt difficile peut consommer tout le budget de réflexion et ne rien retourner.
• Sans décodage long, une réponse s'arrête à 65 536 tokens. Avec, une réponse peut atteindre 1 048 576 tokens moins votre entrée.
• Le décodage long facture chaque token de chaque "saut" de 64K, et chaque saut relit tout ce qui a été écrit jusqu'à présent comme entrée, avec une réduction de 95 % grâce à la mise en cache implicite.

Les trois niveaux

Le guide des nouveautés de Gemini 4 Argon de Google décrit les niveaux comme suit :

Google avertit qu'à un niveau bas, "la qualité peut diminuer sur des tâches difficiles", et ses conseils pour choisir sont directs : "Exécutez vos évaluations à tous les trois niveaux, puis choisissez le niveau le plus bas qui répond à vos critères de qualité."

Dans l'API native, le paramètre est thinking_level, documenté dans le guide de réflexion de Gemini. Via un point de terminaison compatible OpenAI, c'est reasoning_effort. Le guide de compatibilité OpenAI de Google associe les valeurs pour Argon : minimal et bas deviennent bas, moyen reste moyen, élevé reste élevé, et le laisser de côté donne le par défaut, moyen. Il n'y a pas de niveau qui désactive la réflexion.

Le par défaut est moyen. Les références sont élevées.

Google, Artificial Analysis et Vals rapportent tous Argon à un niveau élevé. Vals a également fixé une limite de sortie de 262 144 tokens. Ainsi, les scores que vous avez vus décrivent Argon à son niveau le plus élevé, et une requête sans niveau défini s'exécute un cran en dessous.

Ce n'est pas nécessairement un problème. Le niveau moyen est celui que Google recommande pour la plupart des travaux, y compris le code complexe et les agents, et il utilise moins de tokens que le niveau élevé. Mais personne n'a publié combien d'exactitude le niveau moyen ou bas abandonne, ni combien de tokens ils économisent. [TBD : exactitude et tokens par niveau de réflexion]

Un détail supplémentaire est important pour les comparaisons. GPT-6 Astra et GPT-6.1 Sol ont été testés à "max", un niveau au-dessus du niveau élevé. Un match entre "Argon (élevé)" et "Astra (max)" est chaque modèle à son plafond, et non à des paramètres correspondants.

Ce que coûte le niveau élevé

Les chiffres ici proviennent de Artificial Analysis, y compris ses tests de vitesse des fournisseurs, et de Vals AI. Tous les tests ont exécuté Argon à un niveau élevé.

Les tokens de réflexion sont facturés comme sortie : Google indique que le prix de sortie d'Argon "inclut les tokens de réflexion", et les données d'utilisation les rapportent comme total_thought_tokens. À ~62k tokens de sortie par tâche, une tâche coûte environ 0,62 $ en sortie seule au tarif d'introduction de 10 $ par million, et environ 1,24 $ à 20 $ par million, le prix à partir du 1er décembre.

Le temps suit les tokens. À 99,5 à 116,5 tokens par seconde, 62k tokens prennent environ 9 à 10 minutes à générer, après une attente d'environ 45 secondes pour le premier token de réponse. Les produits interactifs ont besoin de streaming et d'un indicateur de progression à un niveau élevé, ou d'un niveau inférieur.

Définir la limite de sortie

max_output_tokens est une limite stricte sur la réflexion et la réponse ensemble. Lorsque la réponse atteint cette limite, le statut est "incomplet" et le texte revient coupé ou vide, et les tokens de réflexion sont toujours facturés. Les conseils de Google :

• Si votre application fixe une limite en dessous de 32K, augmentez-la à au moins 32 768. Argon peut dépenser plus de la limite en réflexion que les modèles précédents.
• Pour dépenser moins, abaissez plutôt le niveau de réflexion que de définir une petite limite.
• Sans décodage long, le par défaut et le maximum est de 65 536 tokens. Demander plus sans décodage long renvoie une erreur 400.
• Les entrées, la réflexion et la sortie partagent une fenêtre de 1 048 576 tokens. Si votre entrée plus max_output_tokens dépasse cette limite, la limite de sortie se réduit pour s'adapter.

Deux autres changements par rapport à Gemini 3. La température, top_p et top_k sont ignorés sur Argon, donc les régler ne change rien. Et les prompts difficiles peuvent prendre plusieurs minutes, donc Google recommande des délais d'attente pour les clients HTTP d'au moins 15 minutes.

Décodage long : réponses dépassant 64K tokens

Le décodage long est ce que Google a annoncé au lancement comme Long Decode Continuation. Le guide de décodage long décrit deux façons de l'exécuter.

Exécution en arrière-plan (API Interactions). Créez l'interaction avec background=True et max_output_tokens supérieur à 65 536. L'exécution en arrière-plan nécessite store=true. Le serveur écrit la réponse par sauts de jusqu'à 64K tokens, chacun continuant là où le dernier s'est arrêté, pendant jusqu'à 24 heures. Chaque saut ajoute une étape model_output, donc rejoignez-les lorsque l'interaction est terminée. Réglez background=True sans augmenter max_output_tokens et cela s'arrête à 64K.

Continuation côté client (API generateContent). Chaque saut renvoie jusqu'à 64K tokens lors du streaming ou via le SDK, 32K pour un appel REST non streaming. Un saut qui atteint sa limite se termine par finish_reason: CONTINUATION et un continuation_token, et la prochaine requête envoie la même entrée plus le token. Les SDK récents font cela pour vous : Python google-genai 2.30.1 et JavaScript @google/genai 2.29.1 ou version ultérieure. Chaque requête a une limite de 20 minutes.

Lors du streaming d'un décodage long, enregistrez l'ID d'interaction et le dernier event_id, reconnectez-vous avec last_event_id lorsque le flux se coupe, et définissez des délais d'attente de lecture de 15 à 20 minutes. Après les premiers 64K tokens, le flux arrive par morceaux d'environ 5 000 tokens avec des pauses entre eux.

Google est clair sur le moment où cela en vaut la peine :

Une limite plus élevée donne au modèle de la place pour réfléchir ; cela ne rend pas les réponses normales plus longues. Le modèle décide combien écrire, et il ne suit pas les cibles de mots ou de tokens.

Comment le décodage long est facturé

Vous payez pour chaque token dans chaque saut, y compris les sauts qui contiennent uniquement de la réflexion. Chaque saut renvoie également votre prompt plus tout ce qui a été généré jusqu'à présent comme entrée, donc ces tokens comptent à nouveau. Exemple de Google : un prompt de 1 000 tokens qui produit 200 000 tokens de réflexion et de sortie nécessite quatre sauts.

Les données d'utilisation rapportent environ 397 000 tokens d'entrée, même si le contexte ne contient qu'environ 201 000. La mise en cache implicite réduit l'entrée répétée de 95 %, donc c'est peu coûteux : aux prix d'introduction, les 200 000 tokens de sortie coûtent 2,00 $, et environ 396 000 tokens d'entrée répétée à 0,10 $ par million ajoutent environ 0,04 $. La sortie domine toujours la facture.

Deux effets secondaires. N'utilisez pas total_input_tokens pour décider quand réduire ou résumer une conversation, car cela surestime le contexte ; ajoutez plutôt la taille de votre prompt aux totaux de sortie et de réflexion. Et les interactions annulées ou échouées facturent tout le travail effectué avant qu'elles ne s'arrêtent.

Où commencer, par charge de travail

Celles-ci suivent les conseils de niveau de Google ; aucune exactitude par niveau publié n'existe pour les affiner.

Ensuite, testez un niveau en dessous. Si le niveau moins cher répond à vos critères sur votre propre ensemble d'évaluation, conservez-le.

Gardez le niveau fixe au sein d'une session. Argon met en cache implicitement, réduisant l'entrée répétée de 95 % pour les prompts d'au moins 4 096 tokens, et le guide AIHubMix Gemini note qu'un hit de cache nécessite le même contenu, modèle et paramètres. Changer de niveau entre les tours peut transformer l'entrée mise en cache en entrée à plein tarif.

Définir le niveau et la limite sur AIHubMix

Argon est sur AIHubMix sous gemini-4-argon, sur le point de terminaison compatible OpenAI et via le SDK Google GenAI natif. Pour la plupart des requêtes, définissez explicitement le niveau et la limite :

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
    timeout=900,  # les prompts difficiles peuvent prendre plusieurs minutes
)

resp = client.chat.completions.create(
    model="gemini-4-argon",
    reasoning_effort="medium",  # Par défaut d'Argon ; les références ont utilisé "élevé"
    max_tokens=32768,           # limite la réflexion et la réponse ensemble
    messages=[
        {"role": "user", "content": "Examinez ce service de paiement pour des conditions de course dans sa logique de réessai.\n\n<code source>"},
    ],
)
print(resp.choices[0].message.content)
print(resp.usage)

Pour le décodage long, utilisez le SDK natif pointé vers le point de terminaison Gemini d'AIHubMix. Le guide d'AIHubMix documente l'API Interactions là-bas, y compris le mode arrière-plan, avec google-genai 2.0.0 ou version ultérieure. Le modèle ci-dessous est celui documenté par Google ; il n'a pas encore été testé via AIHubMix. [TBD : décodage long via 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="Écrivez l'ensemble complet de tests pour ce module de paiement, avec un test pour chaque cas limite.\n\n<code source>",
    background=True,
    generation_config={"max_output_tokens": 262144, "thinking_level": "high"},
)
while interaction.status in ("in_progress", "queued"):
    time.sleep(5)
    interaction = client.interactions.get(id=interaction.id)

# Chaque saut ajoute une étape model_output ; rejoignez-les tous.
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)

La page modèle AIHubMix d'Argon liste ses entrées prises en charge, ses capacités et son prix actuel.

FAQ

Quels niveaux de réflexion prend en charge Gemini 4 Argon ?
Bas, moyen et élevé. Le par défaut est moyen, et la réflexion ne peut pas être désactivée.

À quel niveau les références d'Argon ont-elles été exécutées ?
Élevé. Google, Artificial Analysis et Vals AI rapportent tous Argon à un niveau élevé, et personne n'a publié de résultats au niveau moyen ou bas.

Comment définir le niveau via le SDK OpenAI ?
Utilisez reasoning_effort. Pour Argon, minimal et bas correspondent à bas, moyen à moyen et élevé à élevé. Laissez-le de côté pour obtenir moyen.

Pourquoi Argon a-t-il renvoyé une réponse vide ?
Il a probablement dépensé tout le budget de max_output_tokens en réflexion. La réponse revient incomplète et les tokens de réflexion sont toujours facturés. Augmentez la limite à au moins 32 768 ou abaissez le niveau de réflexion.

Comment obtenir plus de 64K tokens de sortie ?
Utilisez le décodage long. Sur l'API Interactions, définissez background sur true et max_output_tokens au-dessus de 65 536. Sur generateContent, utilisez un SDK récent, qui continue automatiquement à travers les sauts.

Comment le décodage long est-il facturé ?
Vous payez pour chaque token dans chaque saut. Chaque saut renvoie le prompt et tout ce qui a été généré jusqu'à présent comme entrée, et la mise en cache implicite réduit cette entrée répétée de 95 %. Les exécutions annulées ou échouées facturent le travail déjà effectué.

La température fonctionne-t-elle toujours sur Gemini 4 Argon ?
Non. La température, top_p et top_k sont ignorés, donc retirez-les et utilisez le niveau de réflexion pour contrôler le comportement.

Continuez à lire : la série Gemini 4 Argon

• Avant de régler les paramètres, vérifiez si Argon est le bon modèle pour votre charge de travail : Gemini 4 Argon : Scores de frontière, une limite de sortie de 1M tokens, et comment l'appeler maintenant
• Une réflexion élevée est ce qui rend les tâches d'Argon coûteuses. Coût mesuré par tâche, de deux testeurs indépendants : Gemini 4 Argon Tarification : Pas cher par token, pas par tâche
• Le paramètre par défaut de réflexion, la limite de sortie et les paramètres d'échantillonnage ignorés sont trois des changements sur la liste de migration : Passer à Gemini 4 Argon depuis Gemini 3.1 Pro ou 3.8 Flash : Ce qui casse et comment le réparer

Sources

• Quoi de neuf dans Gemini 4 Argon (Google AI pour les développeurs)
• Réflexion de Gemini (Google AI pour les développeurs)
• Décodage long (Google AI pour les développeurs)
• Gemini 4 Argon : Google est de retour parmi les trois meilleurs laboratoires en intelligence réalisée (Artificial Analysis)
• Gemini 4 Argon sur AIHubMix (AIHubMix)