Google, 13 Ekim 2026'da Gemini 4 Argon'u genel kullanıma açtı. Kodlama araçları, AI agent'lar ya da web ve mobil uygulamalara AI özellikleri geliştiren ekipler için bu, production'da çağırabileceğiniz en güçlü Gemini modeli demek. Ancak lansman haberlerinde gözden kaçan iki ayrıntı var: tanıtım fiyatı 30 Kasım'da bitiyor ve ardından iki katına çıkıyor; Gemini 3.x'ten Argon'a geçiş ise model adını değiştirmekle bitmiyor, gerçek bir kod değişikliği gerektiriyor. Bu yazıda neyin değiştiğini ve bu çeyrekte ne yapmanız gerektiğini kendi değerlendirmemizle özetliyoruz.
13 Ekim'de ne oldu?
Argon ilk olarak 30 Eylül'de duyuruldu, ancak yalnızca Google'ın Fairwind Programı kapsamında seçilmiş bir siber güvenlik uzmanı grubuna açıldı. İki hafta sonra erişim genişledi. Google'ın duyurusuna göre model artık global olarak şu kanallardan kullanılabiliyor:
- AI Studio ve Gemini platform üzerinden API ile geliştiriciler ve kurumlar;
- Google Antigravity içinde Google AI Ultra aboneleri ve uygun Gemini Enterprise aboneliği olan şirketler;
- Gemini uygulamasında ve Search'teki AI Mode'da AI Ultra ve Pro aboneleri;
- Gemini API'nin ücretli katmanındaki geliştiriciler için Firebase AI Logic üzerinden mobil ve web uygulamalarda client-side kullanım.
API'deki model ID'si gemini-4-argon. Google modeli karmaşık yazılım mühendisliği, derin matematik ve bilim problemleri, otonom çok adımlı agent'lar ve uzun çıktı üretimi için konumluyor. Önemli bir erişim notu: Argon, API'nin Free katmanında ve AI Studio'daki Google AI Pro planında yok. Yani ücretsiz bir API key ile prototip çıkarma şansınız bulunmuyor. Pro aboneleri ise modeli Gemini uygulamasında kullanabiliyor.
Bütçede esas alınması gereken Aralık fiyatı
Google'ın API dokümantasyonunda iki ayrı fiyat seti var:
| 1M token başına | 30 Kasım 2026'ya kadar | 1 Aralık 2026'dan itibaren |
|---|---|---|
| Input | $2,00 | $4,00 |
| Cache'lenmiş input (implicit) | $0,10 | $0,20 |
| Output | $10,00 | $20,00 |
Tablodaki her satır ikiye katlanıyor. İş planınızı, paket fiyatlandırmanızı ya da müşteri teklifinizi Ekim rakamlarına göre hazırlarsanız, kâr marjınız yedi hafta sonra eriyip gidiyor.
Output kaleminin göründüğünden daha ağır olmasının iki nedeni var:
- Thinking token'ları output olarak faturalanıyor. Yoğun akıl yürüten bir agent, kullanıcının hiç görmediği bu metnin bedelini output fiyatından ödüyor.
- Varsayılan ayar en ucuzu değil. Argon'da varsayılan thinking level MEDIUM; yani hiç ayarlamadığınız istekler LOW'a göre daha fazla akıl yürütüyor.
Önerimiz şu: maliyetleri ilk günden itibaren 1M token başına $4 / $20 üzerinden hesaplayın, input, output ve thinking token'larını özellik bazında ayrı ayrı loglayın ve Kasım faturasını referans değil, indirim olarak görün. Implicit caching burada işinize yarar: en az 4.096 token'lık prompt'larda varsayılan olarak açık ve cache'lenen input maliyetini %95 düşürüyor. Bu yüzden system prompt, tool tanımları ve referans dokümanlar gibi büyük ve sabit içerikleri prompt'un başında tutun ki cache eşleşebilsin.
Gemini 4 Argon geçişi: 3.x'ten gelirken neler bozuluyor?
Google'ın geçiş dokümanları birkaç kritik değişikliği listeliyor. Bazıları açıkça hata veriyor; asıl riskli olanlar ise sessizce davranış değiştiriyor.
| Değişiklik | Argon'da ne oluyor | Ne yapmalı |
|---|---|---|
temperature, top_p, top_k, candidate_count |
Yok sayılıyor, yalnızca deprecation uyarısı veriliyor | Kaldırın, bunlara dayanan davranışları yeniden test edin |
Explicit caching (cachedContents / caches.create) |
Hata dönüyor | Kaldırın, implicit caching'e güvenin |
thinking_budget |
Gemini API: deprecation uyarısı, en yakın seviyeye eşleniyor; Google Cloud: HTTP 400 | Thinking level kullanın: LOW, MEDIUM, HIGH |
MINIMAL thinking level |
Hata dönüyor | LOW kullanın |
| Streaming olmayan yanıtlar | En fazla 32.768 token (3.x'te 65.536) | Uzun çıktıları stream edin (istek başına 65.536'ya kadar) |
| HTTP timeout | Uzun süren çağrılar normal | Client timeout'unu en az 20 dakikaya çekin |
| Çok turlu konuşma ve function calling | Thought signature gerekiyor | Thought signature'lar dahil tüm geçmişi gönderin |
Asıl tuzak, yok sayılan sampling parametreleri. 3.x'te tutarlı çıktı için düşük temperature'a güvenen bir özelliğiniz varsa (sınıflandırma, veri çıkarma, yapılandırılmış yanıtlar gibi) hata almazsınız (yalnızca bir deprecation uyarısı gelir) ama davranış kayabilir. Bunu ancak eval testleriyle yakalarsınız.
SDK tarafında da alt sınırlar var: Python için google-genai 2.30.1, JavaScript için @google/genai 2.29.1; Go (1.74.0), Java (1.77.0), .NET (1.26.0) ve Kotlin (1.6.0) için de minimum sürümler tanımlı. Eski SDK'lar ve OpenAI uyumluluk katmanı, uzun yanıtları continuation token'larla alamıyor. Gemini'ye bugün OpenAI tarzı bir client ile bağlanıyorsanız bu doğrudan sizi ilgilendiriyor.
Son olarak input ve output, 1.048.576 token'lık tek bir ortak limiti paylaşıyor; output'a thinking, function call'lar ve nihai yanıt dahil. Çok büyük bir prompt, akıl yürütmeye ve yanıta kalan alanı daraltıyor.
Bu kurallara uyan bir Python çağrısı kabaca şöyle görünüyor (alan adlarını kullandığınız SDK sürümüne göre kontrol edin):
from google import genai
from google.genai import types
# Uzun agent çağrıları: en az 20 dakika (milisaniye cinsinden)
client = genai.Client(http_options=types.HttpOptions(timeout=20 * 60 * 1000))
stream = client.models.generate_content_stream(
model="gemini-4-argon",
contents=history, # thought signature'lar dahil tüm geçmiş
config=types.GenerateContentConfig(
thinking_config=types.ThinkingConfig(thinking_level="LOW"),
# Kaldırıldı: temperature, top_p, top_k, candidate_count (yok sayılıyor)
# Kaldırıldı: thinking_budget (deprecated), cached_content (hata)
),
)
for chunk in stream:
handle(chunk)
Bu tür geçişleri ayrı bir branch'te, feature flag arkasında ve aynı girdilerde 3.x ile Argon çıktılarını karşılaştıran bir eval setiyle yapmanızı öneriyoruz. Production trafiğini ancak sonuçlar netleşince taşıyın.
Benchmark'lara değil, kendi işinize bakın
Google'a göre Argon, uzun soluklu yazılım mühendisliği görevlerini ölçen DeepSWE v1.1'de %77,9 ile yeni bir state of the art skoru elde ediyor. Bu sonuçlar Google'ın kendi ölçümleri; henüz bağımsız bir doğrulama yok.
Bu, Argon'un zayıf olduğu anlamına gelmiyor. Sadece bir sıralama tablosunun sizin kod tabanınız, agent'ınızın tool'ları ya da Türkçe konuşan kullanıcılarınız için ne kadar iyi olduğunu söyleyemeyeceği anlamına geliyor. Pratik bir değerlendirme şöyle kurulabilir:
- Ürününüzden birkaç düzine gerçek görev toplayın: ticket'lar, prompt'lar, daha önce başarısız olmuş agent çalıştırmaları.
- Bunları mevcut modelinizde ve Argon'da LOW, MEDIUM ve HIGH seviyelerinde çalıştırın.
- Kaliteyi, gecikmeyi ve thinking token'ları dahil toplam maliyeti Aralık fiyatlarıyla puanlayın.
- Kararı şirket bazında değil, özellik bazında verin. Argon code review'da kazanıp sohbet akışında maliyet nedeniyle kaybedebilir.
Argon'u her yerde çalıştırmak yerine modelleri karıştırın
Google'ın developer guide'ı, kendi geliştiricilerinin Argon'u sık sık hızlı uygulama işçileri olarak Gemini 3.8 Flash subagent'larıyla eşleştirdiğini belirtiyor. Bu, agent tasarımında yaygın bir kalıp: pahalı model planlıyor ve gözden geçiriyor, daha ucuz modeller uyguluyor.
Tipik bir iş bölümü şöyle:
- Argon: görevi adımlara bölmek, planı yazmak, nihai diff'i ya da yanıtı review etmek, ucuz modellerin takıldığı durumları çözmek.
- Daha hızlı bir model: dosya düzenlemeleri, özetler, veri çıkarma ve net talimatlı tool çağrıları.
- Role göre thinking level: HIGH'ı yalnızca review kalitesinin maliyetini karşıladığı yerde, rutin planlamada LOW'u kullanın.
Argon'u Firebase AI Logic ile client-side açıyorsanız, her kullanıcı aksiyonunun faturalanan output ve thinking token'larına dönüşebileceğini unutmayın. Kullanıcı başına limitleri ve kullanım izlemeyi ilk faturadan sonra değil, lansmandan önce kurun.
Azure odaklı bir altyapınız varsa
Loop'un müşteri projelerinin önemli bir kısmı Microsoft Azure üzerinde çalışıyor. Argon'un Microsoft Foundry'de sunulduğunu doğrulayamadık; bu yüzden şimdilik onu kullanmanın Google API'sini doğrudan çağırmak, yani ikinci bir AI sağlayıcısı eklemek anlamına geldiğini varsayarak plan yapıyoruz. Bu da somut iş demek: Türkiye ve Birleşik Krallık'taki müşteriler için Google'ın veri işleme koşullarını incelemek, ayrı key ve faturalama yönetimi, ayrı izleme.
Kalıcı çözüm, model seçimini kendi soyutlama katmanınızın arkasında tutmak; böylece sağlayıcıya özgü ayarlar iş mantığına sızmaz:
type Effort = "low" | "medium" | "high";
interface ModelClient {
complete(input: Message[], opts: { effort: Effort; stream?: boolean }): Promise<Completion>;
}
// Her adapter "effort" değerini kendi sağlayıcısının ayarlarına çevirir:
// Argon -> thinking level; diğer modeller -> kendi reasoning veya sampling seçenekleri.
Yönlendirme konfigürasyonla yönetildiğinde, bir özellikte Argon'u denemek ya da geri almak refactor değil, basit bir config değişikliği olur.
Öne çıkanlar
- Gemini 4 Argon; Gemini API, AI Studio, Gemini platform, Antigravity ve Firebase AI Logic üzerinden genel kullanımda, ancak Free katmanında yok.
- Bütçeyi 1M token başına $4 input / $20 output ile yapın; tanıtım fiyatı 30 Kasım'da bitiyor ve thinking token'ları output olarak faturalanıyor.
- 3.x'ten geçiş bir kod değişikliği: sampling parametreleri yok sayılıyor,
thinking_budgetdeprecated (Google Cloud'da HTTP 400), explicit caching hata veriyor, streaming olmayan çıktı 32.768 token ile sınırlı, timeout en az 20 dakika olmalı. - Google'ın benchmark sonuçları kendi ölçümleri; geçmeden önce Argon'u kendi görevlerinizle test edin.
- Argon'u planlama ve review için, ucuz modelleri rutin işler için kullanın; sağlayıcıları kendi soyutlama katmanınızın arkasında tutun.