Gemini 4 Argon: algemeen beschikbaar, en dit breekt er in je code

Gemini 4 Argon is sinds 13 oktober 2026 algemeen beschikbaar: twee weken na de eerste aankondiging, toen het model alleen bij een handvol cyberbeveiligingsteams terechtkwam. Dat staat in Google's eigen releaseoverzicht voor de Gemini API. Werk je zelf al met Gemini via de API, Vertex AI of Google AI Studio, dan is dit het moment om te checken of je overstapt, en wat er in je code kan breken. Het goede nieuws is de prijs: $2 per miljoen inputtokens, een introductietarief. Het risico zit ergens anders: het model praat aanzienlijk meer dan je gewend bent, en dat vreet een deel van die besparing weer op.

Wat is Gemini 4 Argon, en wat is er sinds 13 oktober veranderd?

Gemini 4 Argon is het nieuwe vlaggenschipmodel van Google DeepMind, gebouwd voor complexe code, agents, wiskunde en wetenschap, zo omschrijft Google het zelf. Het is ook het eerste Gemini-model met een eigen codenaam in plaats van de vertrouwde indeling Pro, Flash en Flash-Lite. Google's vorige grote modelreeks, Gemini 3, kwam uit in november 2025: Argon is dus de eerste echte generatiewissel in bijna een jaar.

Argon werd op 30 september 2026 aangekondigd, maar ging toen alleen naar vertrouwde cyberbeveiligingsteams via het zogeheten Fairwind-programma. Pas op 13 oktober 2026 kregen alle betalende klanten toegang via de Gemini API, Google AI Studio en Vertex AI, bevestigd in zowel Google's releaseoverzicht als de Vertex AI-modelpagina, die de releasedatum apart vermeldt. Dat tweetrapsproces is geen toeval: Google deed ongeveer hetzelfde bij eerdere grote releases, en een deel van de gebruikers op Hacker News noemde dat vooraf al een herkenbaar patroon bij elke Gemini-lancering.

Beschikbaar via de Gemini API en Google AI Studio

Argon draait nu via drie toegangswegen: de Gemini API met model-id gemini-4-argon, Google AI Studio voor losse tests, en Vertex AI voor zakelijke inzet met regiokeuze. Het model is niet beschikbaar op de gratis laag van de Gemini API of op het Google AI Pro-abonnement voor consumenten: alleen betalende API- en Vertex-klanten krijgen toegang, zo staat expliciet in Google's eigen migratiegids. Gebruik je Gemini nu alleen via de gratis Gemini-app, dan verandert er dus niets aan wat je zelf kunt proberen: dit is een wijziging voor teams met eigen code of een Vertex AI-contract.

Wat kost Gemini 4 Argon, en wanneer stijgt de prijs?

Bron: Google's eigen migratiegids, zelf geopend en gecontroleerd op 15 oktober 2026.

Dat de prijs na de introductieperiode exact verdubbelt, is geen afronding: Google noemt beide bedragen letterlijk in de documentatie, zonder een geleidelijke overgang. Waarom dit zo werkt: een introductieprijs trekt teams aan om het model te testen terwijl de productiecapaciteit nog opgebouwd wordt, en de harde knip op 30 november voorkomt dat teams de lage prijs in hun begroting voor 2027 vastzetten. Doe je dat toch (bijvoorbeeld een jaarcontract dat uitgaat van $2/$10), dan betaal je vanaf december het dubbele zonder dat je code verandert.

Op standaardtarief ($4/$20) ligt Argon in dezelfde prijsklasse als Claude Opus 5.5 ($4/$20, zie onze post over Claude Opus 5.5), en ruim onder GPT-6 Astra (rond $10/$50, zie GPT-6.1 Sol vs GPT-6 Astra). Dat maakt de vergelijking op papier aantrekkelijk. Of dat ook in de praktijk klopt, hangt af van een cijfer dat in geen enkele prijstabel staat: hoeveel tokens het model daadwerkelijk gebruikt om een taak af te maken.

Gemini 4 Argon vs Claude Opus 5.5 en GPT-6 Astra: wat de onafhankelijke cijfers zeggen

Google's eigen benchmarktabel laat Argon overal winnen. Artificial Analysis, een onafhankelijk benchmarkbureau dat modellen zelf test in plaats van leveranciercijfers over te nemen, geeft een genuanceerder beeld. Argon scoort 53 op de Intelligence Index: gelijk aan GPT-6 Astra (52,7), maar duidelijk onder Claude Opus 5.5 (57,6). Op specifieke taken wisselt het beeld sterk:

Argon is dus geen allesoverheersend model, maar wel een opvallend eerlijk model: op AA-Omniscience, de kennistoets van Artificial Analysis, geeft het veel vaker "ik weet het niet" dan Astra, dat vaker met overtuiging een fout antwoord geeft. Voor een chatbot die met klanten praat is dat verschil groter dan het klinkt: een model dat zijn twijfel toont, is makkelijker in te bouwen met een overdracht naar een mens dan een model dat altijd zeker klinkt.

De keerzijde staat in de laatste rij van de tabel. Argon gebruikte in de test van Artificial Analysis gemiddeld 62.000 outputtokens per taak, meer dan het dubbele van GPT-6 Astra's 27.000. Reken dat door: bij hetzelfde tarief kost een langer antwoord meer, ook als de prijs per token lager ligt. Dat is precies waarom de kosten per taak in de tabel ($1,99 voor Argon tegenover $3,26 voor Astra) minder scheef uitpakken dan de prijs per miljoen tokens zou doen vermoeden.

Twee AI-productbedrijven met een eigen blog, eesel en NeuralTrust, publiceerden allebei een uitgebreide analyse op basis van dezelfde Artificial Analysis-cijfers. Geen van beide is een onafhankelijk onderzoeksbureau: het zijn leveranciers van AI-klantenservice- en AI-beveiligingssoftware met commercieel belang bij het onderwerp. Hun eigen rekenwerk (bijvoorbeeld de vertaling van tokengebruik naar dollars per taak) is wel te herleiden naar de onderliggende Artificial Analysis-cijfers, en is daarom in deze post als controle gebruikt, niet als zelfstandige bron.

Wat er in je code kan breken als je naar Gemini 4 Argon overstapt

De grootste verandering voor developers zit niet in de prestaties, maar in drie instellingen die oudere Gemini-code vaak gebruikt. Alle drie staan letterlijk in de Vertex AI-modeldocumentatie voor gemini-4-argon, een pagina die aan dit specifieke model vastzit. Google's bredere migratiegids bevestigt dezelfde drie punten, maar let op: die pagina heet bewust "het nieuwste model" en wordt bij elke volgende hoofdrelease overschreven. Open je deze link over een half jaar, dan beschrijft hij waarschijnlijk niet meer Argon maar zijn opvolger; gebruik daarom de modelspecifieke Vertex-pagina als je deze feiten later wilt terugvinden.

1. Expliciete caching werkt niet meer. Riep je code cachedContents of caches.create aan om een lang document (bijvoorbeeld polisvoorwaarden of een handboek) tegen een lagere prijs te hergebruiken, dan moet je die aanroepen verwijderen. Argon ondersteunt alleen nog impliciete caching: vanaf 4.096 tokens input herkent het model vanzelf een herhaald stuk tekst en geeft daar 95% korting op, zonder dat je er iets voor hoeft te configureren.
2. temperature, top_p en top_k worden genegeerd. Geen foutmelding, geen waarschuwing: het model negeert deze waarden stilletjes en gebruikt zijn eigen vaste instelling. Stuurde je vroeger bewust op een lagere temperature voor voorspelbaardere output, dan verdwijnt dat effect zonder dat je dat aan de uitkomst meteen ziet.
3. Het thinking-niveau minimal bestaat niet meer. Argon kent alleen nog low, medium (standaard) en high. Zet je in je code nog thinking_level="MINIMAL" of een thinking_budget, dan krijg je volgens Vertex AI's documentatie een directe HTTP 400-foutmelding: de aanroep stopt hard, in plaats van stil af te wijken.

Fictief, illustratief voorbeeld. Een Nederlandse verzekeraar laat een interne tool polisdocumenten samenvatten voor de klantenservice. Op Gemini 3.8 Flash zag die aanroep er ongeveer zo uit:

response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents=vraag,
    cached_content="projects/verzekeraar/cachedContents/polisvoorwaarden-2026",
    generation_config={"temperature": 0.2, "thinking_level": "minimal"},
)

De polisvoorwaarden (ruim 40 pagina's) stonden vast in de cache, zodat elke nieuwe klantvraag goedkoop tegen datzelfde document kon worden afgezet. Vervang je hier alleen het model-ID door gemini-4-argon zonder verder iets aan te passen, dan krijg je meteen een fout op de aanroep met thinking_level="minimal". Herstel je dat naar "low" maar laat je de cached_content-regel staan, dan loopt de aanroep zelf misschien door, maar zonder dat het document nog uit de cache komt: je betaalt het volledige inputtarief over 40 pagina's bij elke vraag, in plaats van het kortingstarief dat je eerder had.

Wat je repareert voordat dit de deur uit mag: verwijder de cached_content-regel volledig en vertrouw op impliciete caching (die automatisch aanslaat zodra het document boven de 4.096 tokens komt, wat bij 40 pagina's ruimschoots het geval is), zet thinking_level op "low" voor deze eenvoudige samenvattingstaak, en verwijder de temperature-instelling omdat die sowieso genegeerd wordt. Draai daarna een testronde van minstens twintig eerdere, echte polisvragen en vergelijk de kosten per vraag: zie je daar geen daling meer, dan is de impliciete caching niet aangeslagen en moet je het document opnieuw als eerste bericht in het gesprek meesturen in plaats van als los bijlage-object.

Wanneer stap je over naar Gemini 4 Argon, en wanneer niet?

Waar Gemini 4 Argon misgaat: de rekening die toch hoger uitvalt

De grootste valkuil bij Gemini 4 Argon is niet een crash, het is een rekening die na een paar weken hoger blijkt dan de prijstabel beloofde. Dat gebeurt wanneer een team alleen naar de prijs per miljoen tokens kijkt ($2 tegenover bijvoorbeeld $10 bij GPT-6 Astra, vijf keer goedkoper op papier) en niet naar het werkelijke tokengebruik per taak. Omdat Argon gemiddeld meer dan twee keer zoveel tokens per taak gebruikt dan Astra, krimpt dat vijfvoudige voordeel in de praktijk tot een factor van ongeveer anderhalf tot twee, afhankelijk van je eigen taken.

Dit speelt vooral op bij taken met een vast budget per aanroep. Zet je max_output_tokens nog op een oude, lage waarde (bijvoorbeeld 8.000, gangbaar bij eerdere Gemini-modellen), dan loopt Argon daar sneller tegenaan omdat het een deel van dat budget aan nadenken besteedt voordat het antwoord komt. Het resultaat: een antwoord dat halverwege afbreekt, zonder foutmelding die dat duidelijk maakt. Google's eigen advies is om bij bestaande toepassingen met een limiet onder 32.000 tokens die limiet te verhogen naar minimaal 32.768, en voor zware taken background: true te combineren met een limiet tot 1.048.576 tokens via de long-decode-functie.

Zet dit los van de prijsklif van 30 november in je eigen agenda: check in januari 2027 via Artificial Analysis of het gemiddelde aantal outputtokens per taak voor Argon dan nog rond de huidige 62.000 ligt. Daalt dat cijfer niet, dan is de verbosity een structurele eigenschap van het model en geen tijdelijk lanceringsverschijnsel, en blijft de prijs-per-taak structureel hoger dan de prijs-per-token doet vermoeden.

Wat Gemini 4 Argon niet doet

• Het verandert niets aan een Gemini-app-abonnement. De prijzen in dit artikel zijn API- en Vertex AI-tarieven voor eigen code, geen wijziging van wat een consument betaalt in de Gemini-app.
• Het garandeert geen lagere rekening puur door de lagere tokenprijs. Zoals hierboven beschreven, vreet de verbosity van het model een deel van dat voordeel op; reken altijd de kosten per taak door, niet alleen de prijs per token.
• Het wint niet overal. Op terminal-coding en een deel van de software-engineeringbenchmarks blijft Claude Opus 5.5 onafhankelijk gemeten sterker.
• Het regelt je AVG-compliance niet automatisch. EU-dataresidentie is beschikbaar als instelling, maar je eigen verwerkersovereenkomst en interne beoordeling blijven nodig voor je het model op persoonsgegevens inzet.

Wat dit oplevert, en hoe je het na zeven dagen meet

Gebruik je in je code geen expliciete caching, geen afwijkende sampling-parameters en geen thinking_level="minimal", dan is de overstap in de praktijk het model-ID vervangen en één testronde draaien: reken op een kwartier om je code te doorzoeken met de prompt hieronder. Gebruik je die instellingen wel, dan komt daar de reparatie en een testronde van minstens twintig echte voorbeelden bovenop. In vergelijkbare modelmigraties binnen onze Agent Sprint-achtige trajecten kost die stap meestal drie kwartier tot ruim een uur, afhankelijk van hoeveel losse plekken in de code de instellingen gebruiken.

Wat je redelijkerwijs mag verwachten, voorzichtig geformuleerd omdat het model nog maar twee dagen in algemene beschikbaarheid is: de kwaliteit van de uitkomst verandert volgens de onafhankelijke cijfers van Artificial Analysis per taaktype sterk, dus test specifiek jouw taak in plaats van op een algemeen "beter" of "slechter" te vertrouwen. Verwacht bij documentanalyse en kennistaken een merkbare verbetering in hoe vaak het model een vraag onbeantwoord laat in plaats van te gokken (15% tegenover 51% bij Astra). Verwacht bij terminal- of coding-taken geen verbetering ten opzichte van Claude, en verwacht bij de rekening een kleinere besparing dan de prijstabel op het eerste gezicht suggereert.

Meet na zeven dagen drie dingen, zonder extra tooling.

• Het aantal 400-foutmeldingen in je API-logs sinds de overstap. Dit moet naar nul zakken zodra je thinking_level="minimal" overal hebt vervangen door "low".
• Je gemiddelde kosten per vergelijkbare taak, voor en na de overstap. Vergelijk tien tot twintig identieke taken; dit cijfer laat zien of de verbosity van Argon je beoogde besparing opeet.
• Een steekproef van twintig antwoorden op afgekapte output. Check of max_output_tokens ergens te laag staat, zichtbaar aan een antwoord dat midden in een zin stopt.

Doe dit deze week

1. Doorzoek je code op de drie risico-instellingen

   Zoek elke plek waar je cached_content, temperature, top_p, top_k of thinking_level="minimal" meestuurt naar een Gemini-model. Noteer per plek wat het doet.

2. Pas de drie wijzigingen toe

   Verwijder cached_content-aanroepen, verwijder de sampling-parameters (ze worden toch genegeerd), en vervang "minimal" door "low". Verhoog max_output_tokens naar minstens 32.768 als je nu onder die waarde zit.

3. Draai een testronde van twintig echte taken

   Laat dezelfde twintig verzoeken draaien op je oude model en op gemini-4-argon. Vergelijk de uitkomst en de kosten per taak voor je live gaat.

Het prompt-recept dat vandaag werkt, als je je eigen codebase wilt laten scannen op deze migratie met Claude Code of een andere coding-agent:

#CONTEXT: Je bent een developer die een productiecodebase migreert naar gemini-4-argon.

#WERKWIJZE:
1. Doorzoek de codebase op elke plek waar een Gemini-model wordt aangeroepen.
2. Rapporteer per plek: wordt cached_content gebruikt, worden temperature/top_p/top_k
   meegestuurd, en staat thinking_level op "minimal"?
3. Markeer elke plek met één van deze drie als hoog risico voor de migratie.

#BELANGRIJKE REGELS:
- Wijzig geen code, rapporteer alleen. De developer beslist zelf per plek.
- Noem het bestand en het regelnummer bij elke bevinding.

Wil je deze migratie met je eigen systemen en risico's laten begeleiden, in een dag veilig opgezet inclusief de testronde hierboven? Dat doen we in de Agent Sprint. Twijfel je welk model (Gemini, Claude of ChatGPT) bij welke taak in jouw team past, dat behandelen we breder in de ChatGPT, Claude & Gemini Masterclass. Wil je eerst de bredere keuze tussen Claude en Gemini zien, lees dan Claude vs Gemini voor zakelijk gebruik.

Bronnen

• Google, Gemini API changelog. Bevestiging van de GA-datum (13 oktober 2026) en de voorganger-deprecaties, zelf geopend op 15 oktober 2026.
• Google, What's new in Gemini 4 Argon. Prijzen en de migratiegids, zelf geopend op 15 oktober 2026. Let op: dit is Google's doorlopend bijgewerkte "nieuwste model"-pagina, die bij de volgende hoofdrelease overschreven wordt; voor de blijvende, modelspecifieke feiten (de drie breaking changes) leunt deze post primair op de Vertex AI-pagina hieronder.
• Google Cloud, Gemini 4 Argon op Vertex AI. Modelspecifieke, blijvende bron voor de releasedatum, de EU multi-region-beschikbaarheid, en de drie breaking changes (expliciete caching niet ondersteund, sampling-parameters genegeerd, thinking_level="MINIMAL" geeft een HTTP 400-fout), zelf geopend op 15 oktober 2026.
• Artificial Analysis, Gemini 4 Argon (High). Onafhankelijke Intelligence Index-score, kosten per taak en tokengebruik per taak, zelf geopend op 15 oktober 2026.
• eesel, Gemini 4 Argon review: benchmarks, costs, and my verdict. AI-productbedrijf met eigen blog, niet Google-affilieerd; gebruikt als controle op de Artificial Analysis-cijfers en voor de reacties op Hacker News, zelf geopend op 15 oktober 2026.
• NeuralTrust, Gemini 4 Argon: Benchmarks, Pricing & Security. AI-beveiligingsbedrijf met eigen blog, niet Google-affilieerd; gebruikt als controle op dezelfde cijfers, zelf geopend op 15 oktober 2026.
• Project Impact, Claude Opus 5.5: nieuw model, 40% goedkoper, vier breaking changes en GPT-6.1 Sol vs GPT-6 Astra. Voor wie de prijs en breaking changes van de twee concurrerende modellen wil vergelijken.

Veelgestelde vragen

• Wat is Gemini 4 Argon?

  Gemini 4 Argon is het nieuwe vlaggenschipmodel van Google DeepMind, aangekondigd op 30 september 2026 en algemeen beschikbaar sinds 13 oktober 2026. Het is gebouwd voor complexe code, agents, wiskunde en wetenschap, en het eerste Gemini-model met een eigen codenaam in plaats van de indeling Pro, Flash en Flash-Lite.

• Wat kost Gemini 4 Argon via de Gemini API?

  De introductieprijs is $2 per miljoen inputtokens en $10 per miljoen outputtokens, geldig tot 30 november 2026. Daarna wordt dat $4 en $20, exact het dubbele. Cache-lezen (impliciete caching) kost $0,10 per miljoen tokens tijdens de introductieperiode en $0,20 daarna, bevestigd in Google's eigen migratiegids.

• Is Gemini 4 Argon beschikbaar in Google AI Studio?

  Ja, naast de Gemini API en Vertex AI is Argon ook te gebruiken in Google AI Studio voor losse tests. Het model is niet beschikbaar op de gratis laag van de Gemini API of op het Google AI Pro-abonnement voor consumenten: alleen betalende API- en Vertex-klanten krijgen toegang.

• Wat breekt er als ik van een ouder Gemini-model naar Gemini 4 Argon overstap?

  Drie dingen. Expliciete caching (cached_content) werkt niet meer, alleen impliciete caching vanaf 4.096 tokens input. De sampling-parameters temperature, top_p en top_k worden genegeerd zonder foutmelding. En het thinking-niveau "minimal" bestaat niet meer: dat geeft volgens Google Cloud's documentatie een directe HTTP 400-fout, in plaats van low, medium of high.

• Is Gemini 4 Argon beter dan Claude Opus 5.5 of GPT-6 Astra?

  Dat hangt van de taak af. Onafhankelijk gemeten door Artificial Analysis scoort Argon lager dan Claude Opus 5.5 op de algemene Intelligence Index (53 tegenover 58), maar heeft het de laagste hallucinatiegraad van de drie (15% tegenover 51% bij GPT-6 Astra) en leidt het op documentanalyse en langecontext-taken. Op terminal-coding blijft Claude Opus 5.5 sterker.