Gemini 4 Argon : du robot Apollo aux 11 heures de code

Un robot regarde comment un humain lance un petit sac vers une planche percée. Une IA analyse la scène, prépare la simulation et écrit le code qui servira au mouvement. Puis Apollo passe au lancer réel. C’est l’une des démonstrations choisies par Google pour présenter Gemini 4 Argon, et un bon point de départ pour comprendre ce que l’entreprise veut nous montrer.

Dans ce JSD Long News, je vous propose de regarder les exemples concrets : robotique, animations programmées, amélioration d’un logiciel et recherche scientifique. Je présente les annonces et les démonstrations de Google, pas un test personnel d’Argon. Cette distinction compte, même quand les images donnent envie de dire « assez bluffant » !

La vidéo reprend les démonstrations et les repères utiles pour les comprendre. L’article précise notamment ce qui a été mesuré sur le code et les dates à surveiller pour les tarifs.

Dans l’essai interne décrit par Google, Argon part de la vidéo d’un humain jouant au cornhole, ce jeu où l’on lance des sacs vers une cible percée. Le modèle repère les coordonnées de l’environnement, calcule les mouvements articulaires et génère le code de simulation. Le passage sur le robot humanoïde Apollo d’Apptronik vient ensuite.

Google rapporte sept lancers réussis consécutivement. L’intérêt de cet exemple tient à la chaîne complète : interpréter une image, préparer un mouvement, le simuler et le confronter au monde physique. Cela reste une démonstration interne sur une tâche précise, pas la preuve qu’un robot sait désormais apprendre n’importe quel métier en regardant une vidéo.

Capture de la démonstration Google fournie dans le dossier de presse. Contrairement à la miniature illustrée en tête d’article, cette image est extraite de la vidéo du robot.

Une feuille que l’on explore jusqu’aux structures de la photosynthèse, un temple japonais en trois dimensions, un téléviseur rétro qui affiche plusieurs animations : les exemples du dossier Google parlent directement aux créateurs et aux formateurs.

Google les présente comme du codage visuel dans Antigravity. Argon écrit le programme qui dessine et anime la scène dans le navigateur. La différence avec un outil comme Veo est importante : ici, on travaille avec une scène programmée, dont le code peut ensuite être repris. Il faut encore vérifier sa justesse, ses interactions et son affichage sur différents écrans.

Pour expliquer un phénomène, ce type de support est particulièrement intéressant. Encore faut-il que la belle animation raconte quelque chose de juste : un chloroplaste bien dessiné ne valide pas, à lui seul, le cours de biologie.

L’autre cas à regarder de près concerne l’Agent Development Kit, ou ADK, le framework de Google pour construire des agents. L’équipe a demandé à Argon de réduire les ralentissements du logiciel sans changer son API publique ni casser les applications existantes. Lors du second essai, le modèle disposait des règles du dépôt et travaillait avec le mode /goal d’Antigravity.

Le compte rendu technique de Google décrit onze heures de travail autonome, six optimisations proposées et deux retenues après revue. Les gains publiés concernent deux opérations bien délimitées :

Les quatre autres propositions ont été écartées : certaines dépendaient d’un état fragile ou de détails internes de bibliothèques, d’autres amélioraient surtout des tests synthétiques. Google indique même que des tests internes ont révélé un problème alors que les tests open source passaient. C’est probablement la partie la plus instructive du récit : l’agent explore, les mainteneurs décident de ce qui peut entrer en production.

La fiche technique de Google indique qu’Argon accepte du texte, des images, de la vidéo, de l’audio et des PDF, avec une sortie textuelle. Dans l’API, la fenêtre de 1 048 576 tokens est un budget commun aux entrées et aux sorties. Les tokens sont les unités que le modèle utilise pour compter et traiter l’information.

La sortie synchrone est limitée par défaut à 65 536 tokens ; aller plus loin demande le mécanisme de génération longue prévu par Google, toujours dans le budget partagé. L’image du grand bureau fonctionne bien : vous pouvez y étaler davantage de pièces d’un dossier. Cela ne garantit pas que vous les comprendrez toutes correctement.

Google rapporte aussi des améliorations de xTB, une bibliothèque de chimie quantique : jusqu’à 2,3 fois plus de rapidité pour prédire des structures moléculaires. Dans un autre projet, cinq conceptions d’enzymes sélectionnées avec l’aide d’Argon ont montré une activité lors de tests en laboratoire, selon l’entreprise. Cette validation expérimentale est précieuse ; elle ne signifie pas qu’un médicament ou un procédé industriel est déjà prêt.

Pour les usages professionnels, Google cite l’analyse de documents financiers et juridiques, ainsi qu’un cas de cybersécurité mené par Wiz sur un logiciel médical. Ce sont des exemples du fournisseur, pas des validations indépendantes présentées ici. Une réponse convaincante doit encore être vérifiée par les spécialistes concernés.

Dans son annonce du 13 octobre, Google indique un déploiement mondial : les abonnés Google AI Pro et Ultra peuvent accéder à Argon dans l’application Gemini et le Mode IA de Search. Dans Antigravity, l’accès annoncé concerne les abonnés Ultra. Les développeurs et les entreprises peuvent aussi passer par l’offre payante de l’API Gemini.

La date fait une vraie différence pour un projet qui doit durer. Ces prix unitaires ne suffisent pas à prévoir une facture : le volume de tokens, les reprises, le cache et les outils utilisés comptent aussi. Pour un agent qui travaille plusieurs heures, mesurez le coût du résultat accepté, pas seulement celui de sa première tentative.

Apollo donne une image frappante des ambitions d’Argon. L’ADK donne une leçon plus directement applicable : fournir les règles du projet, laisser l’agent chercher, puis examiner les changements et leurs effets réels. Deux améliorations retenues sur six propositions, c’est un résultat utile, avec du tri et des tests.

Les exemples de Google méritent qu’on s’y intéresse. Pour vos propres projets, le prochain critère sera concret : est-ce que le programme fonctionne, est-ce que l’explication est juste et combien de travail reste-t-il avant de l’utiliser ?

Article documenté le 14 octobre 2026 à partir des publications officielles de Google et de la vidéo JSD. Les performances sont attribuées à Google ; aucun essai personnel d’Argon n’est revendiqué. Les démonstrations visuelles proviennent du dossier de presse Google. La miniature de la vidéo est une illustration générée avec l’IA.