13 października 2026 r. Google opisało test, w którym dwie z sześciu zmian zaproponowanych przez Gemini 4 Argon przeszły ludzką weryfikację. Firma podała, że narzut przygotowania długich sesji w pamięci spadł o około 40%, a czas zimnego importu google.adk — o 21%. To pomiary pracy frameworka Agent Development Kit (ADK), a nie szybkości odpowiedzi modelu ani ogólnej jakości generowanego kodu. Google opisało test i jego wyniki na swoim blogu dla deweloperów.
Wcześniej opisywaliśmy relacje o trudnościach z kodowaniem i wyniki Google dotyczące Gemini 4 Argon. Nowy wpis techniczny przedstawia konkretny pomiar narzutu ADK.
Co zmierzyło Google w ADK
Google podaje, że w testach kontrolnych użyło natychmiastowych odpowiedzi modelu i narzędzi, identycznych żądań do modelu przed zmianami i po nich oraz median z 6–12 uruchomień. Dzięki temu test mierzył przede wszystkim narzut frameworka. Wyniki dotyczą różnych obciążeń i nie składają się na jeden wspólny pomiar.
| Obciążenie i warunki | Przed | Po | Zmiana |
| Pierwsze żądanie modelu po 50 wcześniejszych turach; sesja w pamięci, wyłączone odśmiecanie pamięci | 64 ms | 36 ms | o 28 ms mniej |
| Pierwsze żądanie modelu po 150 wcześniejszych turach; sesja w pamięci, wyłączone odśmiecanie pamięci | 200 ms | 122 ms | o 78 ms mniej |
Zimny import google.adk w nowym procesie Pythona | 1,22 s | 0,97 s | o 0,25 s mniej |
| Nowy proces aż do pierwszego żądania modelu, z zimnym importem i przygotowaniem pierwszej tury | 3,07 s | 3,09 s | o 0,02 s więcej; wynik praktycznie bez zmian |
| Cały przebieg 158 tur; trzy rundy po cztery wywołania narzędzi na turę, odśmiecanie pamięci włączone | 65,6 s | 56,1 s | o 9,5 s mniej |
Krótszy czas przygotowania długiej sesji oznacza mniej pracy po stronie ADK przed wysłaniem żądania do modelu. Nie oznacza szybszego generowania odpowiedzi przez sam model. Z kolei import pakietu skrócił się, ale czas od uruchomienia nowego procesu do pierwszego żądania pozostał praktycznie taki sam: Google podaje, że wybrane moduły ładują się dopiero przy pierwszej turze.
Dwie zaakceptowane zmiany w ADK
Test dotyczył repozytorium google/adk-python, zawierającego około 205 tys. linii kodu i niemal 800 plików źródłowych. Google podaje, że druga, 11-godzinna praca Gemini 4 Argon odbywała się w Google Antigravity w trybie /goal, po dodaniu wskazówek dla repozytorium. Data kalendarzowa tej pracy nie została podana.
Spośród sześciu zaproponowanych zmian recenzenci zaakceptowali dwie. Pierwsza filtruje zdarzenia historii sesji w pamięci przed ich kopiowaniem. Druga opóźnia ładowanie wybranych cięższych pakietów do chwili, gdy są potrzebne, zachowując publiczne atrybuty, które można podmieniać w testach. Google podaje też, że po zmianach ponownie uruchomiono wszystkie 16 892 testy projektu.
Recenzja odrzuciła pozostałe cztery propozycje. Jedna z nich przyspieszała syntetyczny test o 17%, ale wiązała się z ryzykiem użycia nieaktualnych danych; inna nie skróciła czasu całego przebiegu w teście kontrolnym. W tym przypadku wynik nie sprowadzał się więc do liczby propozycji wygenerowanych przez model — znaczenie miała też ocena zmian przez ludzi.
Wyniki kodowania zależą od benchmarku
W ogłoszeniu z 30 września 2026 r. Google podało wynik 77,9% dla Gemini 4 Argon w DeepSWE v1.1 (ogłoszenie modelu). Porównanie MindStudio przypisuje Argonowi 55% w Frontier SWE v2, wobec 65,5% dla GPT-6 Astra i 62,3% dla Claude Opus 5.5. W zestawieniu Terminal-Bench MindStudio podaje 57,4% dla Argon i 66,4% dla Claude Opus 5.5. Autorzy analizy zaznaczają też, że wynik Argona w DeepSWE pochodzi z harnessu Google, a wyniki porównywanych modeli — z osobnych rankingów i kart systemowych (analiza MindStudio).
Inne wyniki również zależą od rodzaju zadania. Vals AI podaje dla Argona 68,17% ± 4,35 w Code Migration i 91,91% ± 1,90 w Vibe Code Bench v1.1. W tych zestawieniach Claude Sonnet 5.5 uzyskuje odpowiednio 69,83% oraz 92,39% (wyniki Vals AI). Te testy mierzą różne zadania, więc nie tworzą jednego rankingu ogólnej sprawności programistycznej. Wysoki wynik w DeepSWE v1.1 sam w sobie nie rozstrzyga, jak Argon wypada w innych rodzajach pracy z kodem.
Projekt z wczesnego dostępu opisany przez Navina Reddy’ego
Twórca Telusko Navin Reddy opisał korzystanie z Gemini 4 Argon we wczesnym dostępie podczas pracy nad aplikacją CamStudio Recorder, liczącą według niego około 20 tys. linii kodu i napisaną w Rust, React oraz WebGL. To relacja z pojedynczego projektu, a nie standaryzowany benchmark.
