Gemini 4 Argon: Уровни мышления и длинное декодирование: настройки по умолчанию, затраты и когда использовать каждый из них

Gemini 4 Argon стал общедоступным 13 октября 2026 года, и вместе с ним Google задокументировал две настройки, которые определяют, сколько стоит запрос Argon и сколько времени он занимает: уровень мышления и лимит вывода. Argon предлагает три уровня мышления: низкий, средний и высокий, при этом по умолчанию установлен средний. Ответы останавливаются на 64K токенах, если вы не включите длинное декодирование, которое позволяет одному ответу достигать 1M токенов.

Есть один нюанс в настройках по умолчанию. Все опубликованные бенчмарки Argon работали на высоком уровне: Google оценивал его "с самыми высокими настройками мышления", Artificial Analysis тестировал его на высоком уровне, а Vals AI запускал его на высоком уровне. Запрос, который не устанавливает уровень, работает на среднем, поэтому это не конфигурация, которую описывают эти оценки.

В этом посте рассматриваются три уровня и советы Google по каждому из них, сколько стоит высокий уровень в токенах и времени, как установить лимит вывода, чтобы ответы не приходили пустыми, и как работает длинное декодирование и как оно тарифицируется. Завершает пост код для AIHubMix.

Краткая версия

• Argon имеет три уровня мышления: низкий, средний (по умолчанию) и высокий. Отключить мышление нельзя.
• Все опубликованные бенчмарки использовали высокий уровень. Никто не публиковал результаты на среднем или низком.
• max_output_tokens ограничивает мышление и ответ вместе. Установите его как минимум на 32,768, иначе жесткий запрос может потратить весь бюджет на мышление и не вернуть ничего.
• Без длинного декодирования ответ останавливается на 65,536 токенах. С ним ответ может достигать 1,048,576 токенов за вычетом вашего ввода.
• Длинное декодирование тарифицирует каждый токен каждого 64K "прыжка", и каждый прыжок повторно считывает все, что было написано до сих пор, как ввод, с 95% скидкой за счет неявного кэширования.

Три уровня

Руководство Google Что нового в Gemini 4 Argon описывает уровни следующим образом:

Google предупреждает, что на низком уровне "качество может упасть на сложных задачах", и его советы по выбору прямые: "Проведите свои оценки на всех трех уровнях, а затем выберите наименьший уровень, который соответствует вашему качественному стандарту".

В родном API настройка - это thinking_level, задокументированная в руководстве по мышлению Gemini. Через совместимый с OpenAI конечный пункт это reasoning_effort. Руководство Google по совместимости с OpenAI сопоставляет значения для Argon: минимальный и низкий становятся низким, средний остается средним, высокий остается высоким, а отсутствие настройки дает по умолчанию средний. Уровня, который отключает мышление, нет.

По умолчанию установлен средний уровень. Бенчмарки - высокие.

Google, Artificial Analysis и Vals все сообщают о Argon на высоком уровне. Vals также установил лимит вывода в 262,144 токена. Таким образом, оценки, которые вы видели, описывают Argon на его высшем уровне, а запрос без установленного уровня работает на одном шаге ниже.

Это не обязательно проблема. Средний уровень - это уровень, который Google рекомендует для большинства работ, включая сложный код и агентов, и он использует меньше токенов, чем высокий. Но никто не публиковал, сколько точности теряется на среднем или низком уровнях, или сколько токенов они экономят. [TBD: точность и токены по уровням мышления]

Еще одна деталь важна для сравнений. GPT-6 Astra и GPT-6.1 Sol были протестированы на "максимуме", уровне выше высокого. Ничья между "Argon (высокий)" и "Astra (максимум)" - это каждая модель на своем потолке, а не на совпадающих настройках.

Сколько стоит высокий уровень

Данные здесь взяты из Artificial Analysis, включая его тесты скорости провайдеров, и из Vals AI. Все они запускали Argon на высоком уровне.

Токены мышления тарифицируются как выходные: Google указывает цену вывода Argon "включая токены мышления", а данные о использовании сообщают их как total_thought_tokens. При ~62k выходных токенов на задачу, задача стоит около $0.62 только за вывод по вводной цене Google в $10 за миллион, и около $1.24 при $20 за миллион, цена с 1 декабря.

Время следует за токенами. При 99.5 до 116.5 токенов в секунду, 62k токенов требуют примерно 9-10 минут для генерации, после ожидания около 45 секунд для первого токена ответа. Интерактивные продукты нуждаются в потоковой передаче и индикаторе прогресса на высоком уровне или на более низком.

Установка лимита вывода

max_output_tokens - это жесткий лимит на мышление и ответ вместе. Когда ответ достигает его, статус "незавершенный", и текст возвращается обрезанным или пустым, а токены мышления все еще тарифицируются. Рекомендации Google:

• Если ваше приложение устанавливает лимит ниже 32K, увеличьте его как минимум до 32,768. Argon может потратить больше лимита на мышление, чем предыдущие модели.
• Чтобы потратить меньше, понизьте уровень мышления вместо установки маленького лимита.
• Без длинного декодирования, по умолчанию и максимум - 65,536 токенов. Запрос большего без длинного декодирования возвращает ошибку 400.
• Ввод, мышление и вывод делят одно окно в 1,048,576 токенов. Если ваш ввод плюс max_output_tokens превышает его, лимит вывода уменьшается, чтобы вписаться.

Два изменения от Gemini 3. Температура, top_p и top_k игнорируются в Argon, поэтому их настройка ничего не дает. И жесткие запросы могут занимать несколько минут, поэтому Google рекомендует таймауты HTTP-клиента не менее 15 минут.

Длинное декодирование: ответы более 64K токенов

Длинное декодирование - это то, что Google анонсировал при запуске как Длинное Декодирование Продолжение. Руководство по длинному декодированию описывает два способа его выполнения.

Фоновое выполнение (API взаимодействий). Создайте взаимодействие с background=True и max_output_tokens выше 65,536. Фоновое выполнение требует store=true. Сервер записывает ответ в прыжках до 64K токенов, каждый из которых продолжается с того места, где остановился последний, в течение до 24 часов. Каждый прыжок добавляет шаг model_output, поэтому объедините их, когда взаимодействие завершится. Установите background=True без повышения max_output_tokens, и оно остановится на 64K.

Продолжение на стороне клиента (API generateContent). Каждый прыжок возвращает до 64K токенов при потоковой передаче или через SDK, 32K для нестримингового REST-вызова. Прыжок, который достигает своего лимита, заканчивается с finish_reason: CONTINUATION и continuation_token, и следующий запрос отправляет тот же ввод плюс токен. Недавние SDK делают это за вас: Python google-genai 2.30.1 и JavaScript @google/genai 2.29.1 или новее. Каждый запрос имеет лимит в 20 минут.

При потоковой передаче длинного декодирования сохраните идентификатор взаимодействия и последний event_id, переподключитесь с last_event_id, когда поток прерывается, и установите таймауты чтения от 15 до 20 минут. После первых 64K токенов поток приходит порциями около 5,000 токенов с паузами между ними.

Google четко указывает, когда это стоит:

Более высокий лимит дает модели пространство для размышлений; это не делает обычные ответы длиннее. Модель решает, сколько писать, и не следует целям по словам или токенам.

Как тарифицируется длинное декодирование

Вы платите за каждый токен в каждом прыжке, включая прыжки, которые содержат только мышление. Каждый прыжок также отправляет ваш запрос плюс все, что было сгенерировано до сих пор, обратно в модель в качестве ввода, поэтому эти токены считаются снова. Пример Google: запрос из 1,000 токенов, который производит 200,000 токенов мышления и вывода, требует четырех прыжков.

Данные о использовании сообщают о примерно 397,000 токенах ввода, хотя контекст вмещает только около 201,000. Неявное кэширование снижает стоимость повторного ввода на 95%, поэтому это дешево: по вводным ценам 200,000 выходных токенов стоят $2.00, а около 396,000 повторных токенов ввода по $0.10 за миллион добавляют около $0.04. Вывод все еще доминирует в счете.

Два побочных эффекта. Не используйте total_input_tokens, чтобы решать, когда обрезать или резюмировать разговор, так как это завышает контекст; добавьте размер вашего запроса к итогам вывода и мышления. И отмененные или неудачные взаимодействия тарифицируют всю работу, выполненную до их остановки.

С чего начать, в зависимости от нагрузки

Эти рекомендации следуют указаниям Google по уровням; нет опубликованных данных по точности на уровне, чтобы уточнить их.

Затем протестируйте на одном уровне ниже. Если более дешевый уровень соответствует вашим требованиям на вашем собственном наборе оценок, оставьте его.

Держите уровень фиксированным в рамках одной сессии. Argon кэширует неявно, снижая стоимость повторного ввода на 95% для запросов не менее 4,096 токенов, и руководство AIHubMix Gemini отмечает, что попадание в кэш требует того же содержимого, модели и параметров. Переключение уровней между поворотами может вернуть кэшированный ввод обратно в полный ценовой ввод.

Установка уровня и лимита на AIHubMix

Argon доступен на AIHubMix как gemini-4-argon, на совместимом с OpenAI конечном пункте и через родной SDK Google GenAI. Для большинства запросов установите уровень и лимит явно:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key=os.environ["AIHUBMIX_API_KEY"],
    timeout=900,  # жесткие запросы могут занимать несколько минут
)

resp = client.chat.completions.create(
    model="gemini-4-argon",
    reasoning_effort="medium",  # По умолчанию Argon; бенчмарки использовали "высокий"
    max_tokens=32768,           # ограничивает мышление и ответ вместе
    messages=[
        {"role": "user", "content": "Просмотрите этот платежный сервис на предмет условий гонки в его логике повторных попыток.\n\n<source code>"},
    ],
)
print(resp.choices[0].message.content)
print(resp.usage)

Для длинного декодирования используйте родной SDK, нацеленный на конечный пункт Gemini AIHubMix. Руководство AIHubMix документирует API взаимодействий, включая фоновый режим, с google-genai 2.0.0 или новее. Шаблон ниже - это документированный Google шаблон; он еще не был протестирован через AIHubMix. [TBD: длинное декодирование через 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="Напишите полный набор тестов для этого платежного модуля, с тестом для каждого крайнего случая.\n\n<source code>",
    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)

# Каждый прыжок добавляет шаг model_output; объедините их все.
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)

Страница модели Argon на AIHubMix перечисляет его поддерживаемые входы, возможности и текущую цену.

Часто задаваемые вопросы

Какие уровни мышления поддерживает Gemini 4 Argon?
Низкий, средний и высокий. По умолчанию установлен средний, и отключить мышление нельзя.

На каком уровне проводились бенчмарки Argon?
На высоком. Google, Artificial Analysis и Vals AI все сообщают о Argon на высоком уровне, и никто не публиковал результаты на среднем или низком.

Как установить уровень через SDK OpenAI?
Используйте reasoning_effort. Для Argon минимальный и низкий соответствуют низкому, средний - среднему, а высокий - высокому. Оставьте его пустым, чтобы получить средний.

Почему Argon вернул пустой ответ?
Вероятно, он потратил весь бюджет max_output_tokens на мышление. Ответ возвращается незавершенным, и токены мышления все еще тарифицируются. Увеличьте лимит как минимум до 32,768 или понизьте уровень мышления.

Как получить более 64K выходных токенов?
Используйте длинное декодирование. В API взаимодействий установите background на true и max_output_tokens выше 65,536. В generateContent используйте недавний SDK, который продолжает через прыжки автоматически.

Как тарифицируется длинное декодирование?
Вы платите за каждый токен в каждом прыжке. Каждый прыжок повторно отправляет запрос и все, что было сгенерировано до сих пор, в качестве ввода, и неявное кэширование снижает стоимость этого повторного ввода на 95%. Отмененные или неудачные запуски тарифицируют уже выполненную работу.

Температура все еще работает на Gemini 4 Argon?
Нет. Температура, top_p и top_k игнорируются, поэтому удалите их и используйте уровень мышления для управления поведением.

Продолжайте читать: серия Gemini 4 Argon

• Перед настройкой параметров проверьте, является ли Argon правильной моделью для вашей нагрузки: Gemini 4 Argon: Frontier Scores, лимит вывода в 1M токенов и как его вызвать сейчас
• Высокое мышление - это то, что делает задачи Argon дорогими. Измеренная стоимость за задачу от двух независимых тестировщиков: Gemini 4 Argon Pricing: Дешево за токен, но не за задачу
• Настройка по умолчанию, лимит вывода и игнорируемые параметры выборки - это три изменения в контрольном списке миграции: Переход на Gemini 4 Argon с Gemini 3.1 Pro или 3.8 Flash: что ломается и как это исправить

Источники

• Что нового в Gemini 4 Argon (Google AI для разработчиков)
• Мышление Gemini (Google AI для разработчиков)
• Длинное декодирование (Google AI для разработчиков)
• Gemini 4 Argon: Google вернулся в тройку лучших лабораторий по достигнутому интеллекту (Artificial Analysis)
• Gemini 4 Argon на AIHubMix (AIHubMix)