Argon Gemini 4 đã trở nên khả dụng rộng rãi vào ngày 13 tháng 10 năm 2026, và cùng với nó, Google đã tài liệu hóa hai cài đặt quyết định chi phí của một yêu cầu Argon và thời gian xử lý: cấp độ tư duy và giới hạn đầu ra. Argon cung cấp ba cấp độ tư duy: thấp, trung bình và cao, và mặc định là trung bình. Các phản hồi dừng lại ở 64K token trừ khi bạn bật giải mã dài, cho phép một phản hồi đơn lẻ chạy đến 1M token.
Có một điều đáng lưu ý trong các mặc định. Mọi điểm chuẩn Argon đã công bố đều chạy ở mức cao: Google đã đánh giá nó "với các cài đặt tư duy cao nhất", Artificial Analysis đã thử nghiệm ở mức cao, và Vals AI cũng chạy ở mức cao. Một yêu cầu không đặt cấp độ sẽ chạy ở mức trung bình, vì vậy nó không phải là cấu hình mà những điểm số đó mô tả.
Bài viết này đề cập đến ba cấp độ và lời khuyên của Google về từng cấp độ, chi phí của mức cao về token và thời gian, cách đặt giới hạn đầu ra để câu trả lời không trở về trống rỗng, và cách giải mã dài hoạt động và được tính phí. Nó kết thúc với mã cho AIHubMix.
Phiên bản ngắn
- Argon có ba cấp độ tư duy: thấp, trung bình (mặc định) và cao. Tư duy không thể bị tắt.
- Mọi điểm chuẩn đã công bố đều sử dụng mức cao. Không ai đã công bố kết quả ở mức trung bình hoặc thấp.
max_output_tokensgiới hạn tư duy và câu trả lời cùng nhau. Đặt nó ít nhất là 32,768, hoặc một prompt cứng có thể tiêu tốn toàn bộ ngân sách cho tư duy và không trả về gì cả.- Không có giải mã dài, một phản hồi dừng lại ở 65,536 token. Với nó, một phản hồi có thể chạy đến 1,048,576 token trừ đi đầu vào của bạn.
- Giải mã dài tính phí cho mỗi token của mỗi "bước nhảy" 64K, và mỗi bước nhảy sẽ đọc lại tất cả những gì đã viết cho đến nay như đầu vào, được giảm giá 95% nhờ vào bộ nhớ cache ngầm.
Ba cấp độ
Hướng dẫn Những gì mới trong Argon Gemini 4 của Google mô tả các cấp độ như sau:
| Cấp độ | Sử dụng token | Google khuyến nghị cho |
|---|---|---|
| thấp | Ít token nhất, độ trễ thấp nhất | Công việc đơn giản và nhạy cảm về chi phí |
| trung bình (mặc định) | Cân bằng | Hầu hết các nhiệm vụ, bao gồm mã phức tạp và tác nhân |
| cao | Nhiều token nhất, token đầu tiên chậm nhất | Lý luận, toán học và mã phức tạp nhất |
Google cảnh báo rằng ở mức thấp, "chất lượng có thể giảm ở các nhiệm vụ khó", và lời khuyên của họ cho việc chọn lựa là trực tiếp: "Chạy các đánh giá của bạn ở cả ba cấp độ, sau đó chọn cấp độ thấp nhất đáp ứng tiêu chuẩn chất lượng của bạn."
Trên API gốc, cài đặt là thinking_level, được tài liệu hóa trong hướng dẫn tư duy Gemini. Thông qua một điểm cuối tương thích với OpenAI, nó là reasoning_effort. Hướng dẫn tương thích OpenAI của Google ánh xạ các giá trị cho Argon: tối thiểu và thấp đều trở thành thấp, trung bình giữ nguyên là trung bình, cao giữ nguyên là cao, và nếu không đặt gì thì mặc định là trung bình. Không có cấp độ nào tắt tư duy.
Mặc định là trung bình. Các điểm chuẩn là cao.
Google, Artificial Analysis và Vals đều báo cáo Argon ở mức cao. Vals cũng đặt giới hạn đầu ra là 262,144 token. Vì vậy, các điểm số bạn đã thấy mô tả Argon ở cấp độ cao nhất của nó, và một yêu cầu không đặt cấp độ sẽ chạy một bước thấp hơn.
Điều đó không nhất thiết là một vấn đề. Mức trung bình là cấp độ mà Google khuyến nghị cho hầu hết công việc, bao gồm mã phức tạp và tác nhân, và nó sử dụng ít token hơn mức cao. Nhưng không ai đã công bố mức độ chính xác mà trung bình hoặc thấp từ bỏ, hoặc họ tiết kiệm được bao nhiêu token. [TBD: độ chính xác và token theo cấp độ tư duy]
Một chi tiết nữa quan trọng cho các so sánh. GPT-6 Astra và GPT-6.1 Sol đã được thử nghiệm ở "max", một cấp độ cao hơn mức cao. Một sự so sánh giữa "Argon (cao)" và "Astra (max)" là mỗi mô hình ở mức trần của nó, không phải ở các cài đặt tương ứng.
Chi phí của mức cao
Các số liệu ở đây đến từ Artificial Analysis, bao gồm cả các bài kiểm tra tốc độ nhà cung cấp, và từ Vals AI. Tất cả họ đều chạy Argon ở mức cao.
| Đo lường | Argon Gemini 4 (cao) | Để so sánh |
|---|---|---|
| Token đầu ra cho mỗi nhiệm vụ AA | ~62k | GPT-6 Astra (max): ~27k |
| Token đầu ra cho chỉ số AA | 110M | Mô hình trung vị: 85M |
| Tốc độ đầu ra | 99.5–116.5 token/s | AI Studio / Vertex AI |
| Thời gian đến token câu trả lời đầu tiên | ~45 s | Bao gồm thời gian tư duy |
| Thời gian chỉ số Vals cho mỗi bài kiểm tra | 46 phút 33 giây | — |
Các token tư duy được tính phí như đầu ra: Google liệt kê giá đầu ra của Argon "bao gồm các token tư duy", và dữ liệu sử dụng báo cáo chúng như total_thought_tokens. Với ~62k token đầu ra cho mỗi nhiệm vụ, một nhiệm vụ tốn khoảng $0.62 chỉ cho đầu ra ở mức giá giới thiệu của Google là $10 mỗi triệu, và khoảng $1.24 ở mức $20 mỗi triệu, giá từ ngày 1 tháng 12.
Thời gian theo sau các token. Ở tốc độ 99.5 đến 116.5 token mỗi giây, 62k token mất khoảng 9 đến 10 phút để tạo ra, sau khi chờ khoảng 45 giây cho token câu trả lời đầu tiên. Các sản phẩm tương tác cần phát trực tiếp và chỉ báo tiến trình ở mức cao, hoặc một cấp độ thấp hơn.
Đặt giới hạn đầu ra
max_output_tokens là một giới hạn cứng cho tư duy và câu trả lời cùng nhau. Khi một phản hồi đạt đến nó, trạng thái là "không hoàn chỉnh" và văn bản trở về bị cắt ngắn hoặc trống rỗng, và các token tư duy vẫn bị tính phí. Hướng dẫn của Google:
- Nếu ứng dụng của bạn đặt giới hạn dưới 32K, hãy nâng nó lên ít nhất 32,768. Argon có thể tiêu tốn nhiều hơn giới hạn cho tư duy so với các mô hình trước đó.
- Để tiêu tốn ít hơn, hãy giảm cấp độ tư duy thay vì đặt một giới hạn nhỏ.
- Không có giải mã dài, mặc định và tối đa là 65,536 token. Yêu cầu nhiều hơn mà không có giải mã dài sẽ trả về lỗi 400.
- Đầu vào, tư duy và đầu ra chia sẻ một cửa sổ 1,048,576 token. Nếu đầu vào của bạn cộng với
max_output_tokensvượt quá, giới hạn đầu ra sẽ thu nhỏ để phù hợp.
Hai thay đổi nữa từ Gemini 3. Nhiệt độ, top_p và top_k bị bỏ qua trên Argon, vì vậy việc điều chỉnh chúng không có tác dụng gì. Và các prompt cứng có thể mất vài phút, vì vậy Google khuyến nghị thời gian chờ HTTP của khách hàng ít nhất là 15 phút.
Giải mã dài: phản hồi vượt quá 64K token
Giải mã dài là điều mà Google đã công bố khi ra mắt như Giải mã Dài Tiếp tục. Hướng dẫn giải mã dài mô tả hai cách để chạy nó.
Thực thi nền (API Tương tác). Tạo tương tác với background=True và max_output_tokens trên 65,536. Thực thi nền cần store=true. Máy chủ viết phản hồi trong các bước nhảy lên đến 64K token, mỗi bước tiếp tục từ nơi bước trước dừng lại, trong tối đa 24 giờ. Mỗi bước nhảy thêm một bước model_output, vì vậy hãy kết hợp chúng khi tương tác hoàn tất. Đặt background=True mà không nâng max_output_tokens và nó sẽ dừng lại ở 64K.
Tiếp tục phía khách hàng (API generateContent). Mỗi bước nhảy trả về tối đa 64K token khi phát trực tiếp hoặc qua SDK, 32K cho một cuộc gọi REST không phát trực tiếp. Một bước nhảy đạt đến giới hạn của nó kết thúc với finish_reason: CONTINUATION và một continuation_token, và yêu cầu tiếp theo gửi cùng đầu vào cộng với token. Các SDK gần đây làm điều này cho bạn: Python google-genai 2.30.1 và JavaScript @google/genai 2.29.1 hoặc mới hơn. Mỗi yêu cầu có giới hạn 20 phút.
Khi phát trực tiếp một giải mã dài, hãy lưu ID tương tác và event_id mới nhất, kết nối lại với last_event_id khi luồng bị ngắt, và đặt thời gian chờ đọc từ 15 đến 20 phút. Sau 64K token đầu tiên, luồng đến trong các khối khoảng 5,000 token với các khoảng dừng giữa chúng.
Google rõ ràng về khi nào thì điều đó đáng giá:
| Khối lượng công việc | Giải mã dài? |
|---|---|
| Toán học khó, khoa học và chứng minh | Có |
| Các nhiệm vụ lập trình và tác nhân khó nhất | Có |
| Các bộ đánh giá dừng lại ở giới hạn | Có |
| Chat, Q&A, tóm tắt, trích xuất | Không, chúng hoàn thành dưới 32K |
| Yêu cầu độ dài cố định | Không, các mục tiêu độ dài bị bỏ qua |
| Tác nhân với nhiều lượt công cụ ngắn | Không |
| Các prompt gần giới hạn đầu vào 1M | Không |
| Các cuộc gọi nhạy cảm về độ trễ | Không |
Một giới hạn cao hơn cho phép mô hình có không gian để tư duy; nó không làm cho các câu trả lời bình thường dài hơn. Mô hình quyết định bao nhiêu để viết, và nó không tuân theo các mục tiêu từ hoặc token.
Cách tính phí giải mã dài
Bạn phải trả cho mỗi token trong mỗi bước nhảy, bao gồm cả các bước nhảy chỉ chứa tư duy. Mỗi bước nhảy cũng gửi prompt của bạn cộng với mọi thứ đã được tạo ra cho đến nay trở lại mô hình như đầu vào, vì vậy những token đó lại được tính. Ví dụ của Google: một prompt 1,000 token tạo ra 200,000 token tư duy và đầu ra mất bốn bước nhảy.
| Bước nhảy | Đầu vào gửi đến mô hình | Token đầu vào |
|---|---|---|
| 1 | Prompt | 1,000 |
| 2 | Prompt + bước nhảy 1 | 66,536 |
| 3 | Prompt + bước nhảy 1–2 | 132,072 |
| 4 | Prompt + bước nhảy 1–3 | 197,608 |
| Tổng | 397,216 |
Dữ liệu sử dụng báo cáo khoảng 397,000 token đầu vào, mặc dù ngữ cảnh chỉ chứa khoảng 201,000. Bộ nhớ cache ngầm giảm giá cho đầu vào lặp lại 95%, vì vậy nó rẻ: ở mức giá giới thiệu, 200,000 token đầu ra tốn $2.00, và khoảng 396,000 token đầu vào lặp lại ở mức $0.10 mỗi triệu thêm khoảng $0.04. Đầu ra vẫn chiếm ưu thế trong hóa đơn.
Hai tác dụng phụ. Đừng sử dụng total_input_tokens để quyết định khi nào nên cắt bớt hoặc tóm tắt một cuộc trò chuyện, vì nó phóng đại ngữ cảnh; hãy thêm kích thước prompt của bạn vào tổng đầu ra và tư duy thay vào đó. Và các tương tác bị hủy hoặc thất bại sẽ tính phí cho tất cả công việc đã thực hiện trước khi chúng dừng lại.
Nơi bắt đầu, theo khối lượng công việc
Những điều này theo hướng dẫn cấp độ của Google; không có độ chính xác theo cấp độ nào đã được công bố để tinh chỉnh chúng.
| Khối lượng công việc | Bắt đầu tại | Tại sao |
|---|---|---|
| Toán học, khoa học và mã khó nhất | Cao | Khớp với các điểm chuẩn đã công bố |
| Mã phức tạp và tác nhân | Trung bình | Mặc định được Google khuyến nghị |
| Phân tích pháp lý và tài chính | Cao | Các kết quả đã công bố ở mức cao |
| Trích xuất và phân loại | Thấp | Công việc đơn giản, nhạy cảm về chi phí |
| Chat và hỗ trợ | Thấp | Độ trễ thấp nhất |
Rồi thử nghiệm một cấp độ thấp hơn. Nếu cấp độ rẻ hơn đáp ứng tiêu chuẩn của bạn trên bộ đánh giá của riêng bạn, hãy giữ nó.
Giữ cấp độ cố định trong một phiên. Argon lưu trữ ngầm, giảm giá cho đầu vào lặp lại 95% cho các prompt ít nhất 4,096 token, và hướng dẫn AIHubMix Gemini lưu ý rằng một lần trúng cache cần cùng nội dung, mô hình và tham số. Chuyển đổi cấp độ giữa các lượt có thể biến đầu vào đã lưu thành đầu vào tính phí đầy đủ.
Đặt cấp độ và giới hạn trên AIHubMix
Argon có trên AIHubMix dưới dạng gemini-4-argon, trên điểm cuối tương thích với OpenAI và thông qua SDK Google GenAI gốc. Đối với hầu hết các yêu cầu, hãy đặt cấp độ và giới hạn một cách rõ ràng:
import os
from openai import OpenAI
client = OpenAI(
base_url="https://aihubmix.com/v1",
api_key=os.environ["AIHUBMIX_API_KEY"],
timeout=900, # các prompt cứng có thể mất vài phút
)
resp = client.chat.completions.create(
model="gemini-4-argon",
reasoning_effort="medium", # Mặc định của Argon; các điểm chuẩn đã sử dụng "cao"
max_tokens=32768, # giới hạn tư duy và câu trả lời cùng nhau
messages=[
{"role": "user", "content": "Xem xét dịch vụ thanh toán này cho các điều kiện đua trong logic thử lại của nó.\n\n<source code>"},
],
)
print(resp.choices[0].message.content)
print(resp.usage)
Đối với giải mã dài, hãy sử dụng SDK gốc được chỉ định đến điểm cuối Gemini của AIHubMix. Hướng dẫn của AIHubMix tài liệu hóa API Tương tác ở đó, bao gồm chế độ nền, với google-genai 2.0.0 hoặc mới hơn. Mẫu dưới đây là mẫu được Google tài liệu hóa; nó chưa được thử nghiệm qua AIHubMix. [TBD: giải mã dài qua 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="Viết bộ thử nghiệm đầy đủ cho mô-đun thanh toán này, với một thử nghiệm cho mỗi trường hợp biên.\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)
# Mỗi bước nhảy thêm một bước model_output; hãy kết hợp tất cả chúng.
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)
Trang mô hình AIHubMix của Argon liệt kê các đầu vào, khả năng và giá hiện tại mà nó hỗ trợ.
Câu hỏi thường gặp
Các cấp độ tư duy nào mà Argon Gemini 4 hỗ trợ?
Thấp, trung bình và cao. Mặc định là trung bình, và tư duy không thể bị tắt.
Cấp độ nào mà các điểm chuẩn của Argon đã được chạy?
Cao. Google, Artificial Analysis và Vals AI đều báo cáo Argon ở mức cao, và không ai đã công bố kết quả ở mức trung bình hoặc thấp.
Làm thế nào để tôi đặt cấp độ thông qua SDK OpenAI?
Sử dụng reasoning_effort. Đối với Argon, tối thiểu và thấp ánh xạ thành thấp, trung bình thành trung bình và cao thành cao. Để trống để nhận được trung bình.
Tại sao Argon lại trả về một câu trả lời trống rỗng?
Nó có thể đã tiêu tốn toàn bộ ngân sách max_output_tokens cho tư duy. Phản hồi trở về không hoàn chỉnh và các token tư duy vẫn bị tính phí. Tăng giới hạn lên ít nhất 32,768 hoặc giảm cấp độ tư duy.
Làm thế nào để tôi có được nhiều hơn 64K token đầu ra?
Sử dụng giải mã dài. Trên API Tương tác, đặt background thành true và max_output_tokens trên 65,536. Trên generateContent, sử dụng một SDK gần đây, tự động tiếp tục qua các bước nhảy.
Giải mã dài được tính phí như thế nào?
Bạn phải trả cho mỗi token trong mỗi bước nhảy. Mỗi bước nhảy gửi lại prompt và mọi thứ đã được tạo ra cho đến nay như đầu vào, và bộ nhớ cache ngầm giảm giá cho đầu vào lặp lại 95%. Các lần chạy bị hủy hoặc thất bại sẽ tính phí cho công việc đã thực hiện.
Nhiệt độ có còn hoạt động trên Argon Gemini 4 không?
Không. Nhiệt độ, top_p và top_k bị bỏ qua, vì vậy hãy loại bỏ chúng và sử dụng cấp độ tư duy để kiểm soát hành vi.
Tiếp tục đọc: chuỗi Argon Gemini 4
- Trước khi điều chỉnh cài đặt, hãy kiểm tra xem Argon có phải là mô hình phù hợp cho khối lượng công việc của bạn hay không: Argon Gemini 4: Điểm biên giới, giới hạn đầu ra 1M token và cách gọi nó ngay bây giờ
- Cấp độ tư duy cao là điều làm cho các nhiệm vụ của Argon trở nên đắt đỏ. Chi phí đo được cho mỗi nhiệm vụ, từ hai người thử nghiệm độc lập: Giá Argon Gemini 4: Rẻ theo token, không theo nhiệm vụ
- Mặc định tư duy, giới hạn đầu ra và các tham số lấy mẫu bị bỏ qua là ba trong số các thay đổi trong danh sách kiểm tra di chuyển: Chuyển sang Argon Gemini 4 từ Gemini 3.1 Pro hoặc 3.8 Flash: Những gì bị hỏng và cách khắc phục
Nguồn
- Những gì mới trong Argon Gemini 4 (Google AI cho Nhà phát triển)
- Tư duy Gemini (Google AI cho Nhà phát triển)
- Giải mã dài (Google AI cho Nhà phát triển)
- Argon Gemini 4: Google trở lại như một trong ba phòng thí nghiệm hàng đầu về trí tuệ đạt được (Artificial Analysis)
- Argon Gemini 4 trên AIHubMix (AIHubMix)
