Gemini 4 Argon в бою: реактивная скорость, жор токенов и почему тарифа Ultra больше не хватает на 5 часов
Google выкатил обновление флагманской модели до версии Gemini 4 Argon. Первые боевые замеры на реальных проектах показали парадоксальную картину: задачи решаются молниеносно и на порядок чище с первого прохода, но квота сгорает с такой скоростью, что даже максимального тарифа Google AI Ultra не хватает на стандартное 5-часовое окно. Разбираем, почему так происходит и как настроить Model Routing.
Главная суть обновления и замеров в 5 тезисах:
- Релиз Gemini 4 Argon (High): Google обновил флагманский стек моделей в среде агентной разработки (Antigravity IDE и экосистема Google AI), выведя на смену связке 3.1 Pro / 3.8 Flash новое поколение — Gemini 4 Argon.
- Слом компромисса «быстро vs умно»: раньше приходилось выбирать между мгновенной, но поверхностной Flash-моделью и глубоким, но медленным режимом рассуждений. Argon выдаёт фундаментальное архитектурное качество на скоростях, близких к Flash.
- Экстремальный расход токенов: за реактивную скорость и точность с первого прохода приходится платить кратным ростом потребления вычислительной квоты на каждом шаге агента.
- Потолок тарифа Google AI Ultra: при непрерывной работе исключительно на Gemini 4 Argon даже максимальной подписки Ultra не хватает на стандартный 5-часовой слот — лимит вычерпывается за 2,5–3,5 часа плотного спринта.
- Обязательный Model Routing (25% / 75%): эпоха работы на одной включённой по умолчанию модели закончилась. Критически важно разделять задачи между тяжёлым Argon (архитектура, сложный дебаг — 25% времени) и быстрым 3.8 Flash (рутина, вёрстка, субагенты — 75% времени).
1. Конец старой дилеммы: когда флагман перестал «задумываться» на три минуты
Любой, кто плотно использует ИИ-агентов в продакшн-разработке и автоматизации бизнес-процессов, последние полгода жил в рамках понятного инженерного компромисса. У вас всегда было два стула:
- Скоростной режим (линейка Flash): модель отвечает за доли секунды, бодро правит файлы, но на сложной многослойной архитектуре начинает срезать углы, терять типы данных или забывать граничные условия.
- Тяжёлый режим рассуждений (Pro / Deep Think): модель глубоко копает кодовую базу и строит правильную архитектуру, но каждый шаг превращается в медитацию. Вы отправляете запрос и ждёте две-три минуты, пока агент переварит цепочку размышлений.
С выходом обновления Gemini 4 Argon (High) эта привычная физика сломалась. Первое, что бросается в глаза в первые же полчаса работы на новой версии — скорость реакции при сохранении и даже кратном росте глубины исполнения. Задачи, на которых предыдущие версии уходили в долгий цикл раздумий или требовали 3–4 уточняющих итераций, Argon закрывает с первого прохода и практически без пауз.
- Модель гораздо точнее удерживает инварианты проекта при редактировании сразу 10–15 связанных файлов.
- Резко сократилось число «холостых» вызовов инструментов: агент сразу выбирает нужный скрипт, точный регулярный паттерн или верный SQL-запрос вместо метода научного тыка.
- Исчезла проблема «замыливания» инструкций в длинных системных промптах — все ограничения архитектуры соблюдаются педантично.
Казалось бы — вот она, идеальная рабочая лошадка, которую можно включить один раз и забыть про переключатель моделей. Но ровно через несколько часов активного спринта вскрылась обратная сторона медали.
2. Иллюзия бесплатной скорости: почему токены сгорают в разы быстрее
При работе с Gemini 4 Argon возникает обманчивое ощущение лёгкости: раз модель отвечает быстро, значит, и вычислительных ресурсов она должна тратить немного. На практике всё ровно наоборот: токены и лимиты квоты в Gemini 4 Argon расходуются с пугающей скоростью.
Если разложить работу агента по шагам, становится понятно, почему счётчик потребления крутится как пропеллер:
1. Скрытый параллельный Reasoning
То, что пользователь видит ответ через пару секунд, не означает, что модель мало «думала». В архитектуре нового поколения используется массированный параллельный прогон скрытых токенов рассуждения (test-time compute) на быстрых тензорных кластерах с потолком вывода до 1 000 000 токенов. Модель генерирует огромный объём внутренней верификации до выдачи ответа — просто делает это на высокой тактовой частоте. Для вас прошло 3 секунды, а в биллинге списался полноценный многотысячный блок рассуждений.
2. Жадное поглощение контекста (Context Greediness)
Обладая окном в 2 миллиона токенов и высокой скоростью чтения, Argon в агентном режиме действует наверняка: перед тем как поправить одну функцию, он охотно подтягивает в контекст соседние модули, историю логов, схемы типов и документацию. Именно поэтому он не ошибается с первого раза — но каждый промежуточный шаг tool_call прокачивает через модель сотни тысяч входных токенов.
3. Психологический эффект ускорения самого разработчика
Фактор, который мало кто учитывает в расчётах. Когда старая модель думала по 2 минуты над каждым действием, вы физически не могли отправить ей больше 20–25 тяжёлых задач в час. Когда Gemini 4 Argon выполняет сложнейшее поручение за 15–20 секунд, вы входите в кураж и начинаете накидывать задачи пулемётной очередью: «Собери бэкенд, теперь прогони тесты, теперь разверни докер, теперь проверь вёрстку». В результате за один астрономический час вы нагружаете систему объёмом работы, который раньше растягивался на полдня.
3. Парадокс тарифа Google AI Ultra: почему 5 часов больше не равны 5 часам
В экосистеме Google (и в частности при работе через профессиональные планы Google One AI Ultra в IDE) лимиты на флагманские модели регулируются скользящими 5-часовыми окнами (5-hour rolling quotas).
На связке Gemini 3.1 Pro и 3.8 Flash запас мощности тарифа Google AI Ultra воспринимался как практически безлимитный буфер: нужно было запустить десяток параллельных фоновых агентов в бесконечном цикле, чтобы увидеть плашку лимита до истечения пяти часов.
Даже на максимальном тарифе Google AI Ultra пятичасовой квоты гарантированно не хватает на 5 часов работы, если использовать исключительно Gemini 4 Argon. На плотном спринте лимит выжигается за 2,5–3,5 часа.
Оставшиеся полтора-два часа до обнуления пятичасового таймера вы оказываетесь перед неприятным выбором: либо принудительно пересаживаться на младшие модели в самый разгар сложной архитектурной задачи, либо делать перерыв и ждать перезагрузки окна.
4. Новая инженерная гигиена: матрица маршрутизации моделей (Model Routing)
Главный практический вывод, к которому мы пришли в студии SAGE при переводе внутренних пайплайнов и клиентских разработок на новое поколение моделей: времена, когда можно было поставить одну «самую умную» модель по умолчанию на все задачи, окончательно прошли.
Теперь управление квотой — это такой же навык архитектора, как управление оперативной памятью или бюджетом облачной инфраструктуры. Чтобы сохранять реактивную скорость Argon и не упираться в потолок Ultra посреди рабочего дня, нужно внедрить жёсткое разделение труда:
| Тип задачи в пайплайне | Рекомендуемая модель | Доля времени | Почему именно так |
|---|---|---|---|
| Архитектурный фундамент (Architectural Runway): схемы БД, контракты API, сложные системные промпты | Gemini 4 Argon (High) | ~15% | Требуется максимальная глубина рассуждений без права на структурную ошибку |
| Тяжёлый рефакторинг и поиск неочевидных багов (гонки состояний, 10+ связанных модулей) | Gemini 4 Argon (High) | ~10% | Argon видит всю картину целиком и решает проблему с первого прохода |
| Кодинг по готовому плану и спецификациям (написание эндпоинтов, компонентов, интеграций) | Gemini 3.8 Flash (High) | ~40% | Когда план уже расписан на Argon, модель 3.8 Flash исполняет его в разы экономнее по квоте |
| Вёрстка, UI/UX, типографика и контент (стили, адаптив, тексты, перелинковка) | Gemini 3.8 Flash (High) | ~20% | Тратить квоту Argon на CSS-стили и отступы — стрельба из орбитального лазера по воробьям |
| Фоновые субагенты, ресёрч и чтение файлов (поиск по базе, парсинг документации, тесты) | Gemini 3.8 Flash | ~15% | В параметрах вызова дочерних субагентов должен жёстко стоять flash |
5. Дисциплина длины сессии: почему нельзя копить бесконечные чаты
Ещё одно золотое правило при работе с Gemini 4 Argon — не копите многочасовые простыни диалогов в одном окне.
Поскольку стоимость каждого следующего шага агента напрямую зависит от объёма накопленной истории текущей сессии, работа в одном треде на протяжении трёх часов превращает даже мелкую правку («поменяй заголовок») в повторную прокачку сотен тысяч токенов старого контекста.
Закрыли крупный смысловой этап задачи — зафиксировали результат в файлах проекта или артефактах, выполнили компактную сводку (/compact) или открыли чистую сессию под следующий модуль. Это снижает расход квоты на 40–50% без потери качества.