Gemini 4 Argon — lançado e testado!

Autoria: Sam Witteveen · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Gemini 4 Argon - Out and Tested!! · Canal: Sam Witteveen · 11:10 · Assistir no YouTube

Tópicos: Agentes de IA, Avaliação e benchmarks de IA, Geração de conteúdo com IA, Modelos de IA, Modelos multimodais

Resumo

Sam Witteveen apresenta o Gemini 4 Argon e avalia seus pontos fortes em tarefas multimodais que combinam imagens, código e mídia. Embora não seja o melhor modelo em benchmarks nem a principal escolha para programação com agents, ele se destaca em tarefas como criação de jogos e projetos no Blender, especialmente quando usado com um harness adequado. O vídeo argumenta que o Argon é importante como modelo de fronteira para os produtos e clientes do ecossistema Google. O apresentador também explica as limitações práticas do contexto de um milhão de tokens e recomenda testar o modelo nos próprios casos de uso.

Pontos-chave

O Gemini 4 Argon é especialmente forte em tarefas que combinam elementos visuais, código e mídia.
O modelo pode gerar interfaces, sons e instrumentos musicais a partir de um prompt curto.
Tarefas iterativas de escrever código, renderizar, inspecionar o resultado e corrigir parecem favorecer o modelo.
O Argon não lidera os benchmarks citados nem é apresentado como a melhor opção para programação com agents.
O Google parece posicionar o modelo como uma opção de fronteira para clientes e produtos do próprio ecossistema.
O modelo de um milhão de tokens é voltado principalmente ao uso pela API e exige configuração específica.
O apresentador recomenda testar o Argon nos próprios casos de uso antes de reformular sistemas em torno do contexto longo.
O preço informado no vídeo é de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, até 1º de dezembro.

Capítulos

Início	Capítulo	Resumo
00:00	Apresentação do Gemini 4 Argon	O apresentador explica que o modelo é muito bom, mas que sua importância não depende de liderar os benchmarks.
03:07	Pontos fortes em tarefas multimodais	O vídeo mostra a capacidade do Argon em tarefas com Blender, geração de jogos e ciclos iterativos de criação e correção.
06:16	O papel do Argon no ecossistema Google	O apresentador argumenta que o modelo oferece uma opção de fronteira para clientes e produtos do Google.
08:26	Contexto de um milhão de tokens	O vídeo esclarece que o contexto longo depende de configuração pela API e pode ser útil em tarefas específicas de raciocínio.
10:06	Avaliação final, preço e próximos passos	O apresentador resume o posicionamento do Argon, informa o preço temporário e prevê melhorias em versões futuras.

Citações

Este é um modelo muito, muito, muito bom. — 00:00

É esse ciclo de escrever código, renderizar, observar e corrigir que parece funcionar continuamente bem aqui. — 04:11

O Gemini 4 Argon dá a essas pessoas uma opção confiável sem que precisem sair do ecossistema Google. — 06:50

Eu ainda não reorganizaria tudo em torno do contexto de um milhão de tokens. — 09:32

Conceitos e entidades

Gemini 4 Argon (modelo): Modelo de fronteira do Google destacado por seu desempenho em tarefas multimodais e por sua capacidade de generalização.
Google (empresa): Empresa que desenvolveu o Gemini 4 Argon e pretende integrá-lo a seus produtos e serviços.
Antigravity (ferramenta): Produto do Google citado como um dos ambientes em que o Gemini 4 Argon estará disponível.
Gemini API (ferramenta): API do Gemini pela qual o Argon pode ser acessado no plano pago.
Gemini app (ferramenta): Aplicativo do Gemini mencionado como uma das interfaces em que o modelo será disponibilizado.
Blender (ferramenta): Software de criação 3D usado como exemplo de ambiente em que o Argon pode gerar e revisar conteúdo.
ReBirth by Propellerheads (ferramenta): Software musical usado como referência para uma demonstração de criação de um instrumento no Gemini app.
Claude Code (ferramenta): Ferramenta de programação comparada pelo apresentador ao Antigravity.
Codex (ferramenta): Ferramenta citada como comparação para programação com agents.
Sam Witteveen (pessoa): Apresentador do vídeo que testa o Gemini 4 Argon e discute seu posicionamento.

Tradução completa (pt-BR)

00:00 Certo, então o Gemini 4 Argon já foi lançado. Neste vídeo, enquanto mostro algumas demonstrações, vou falar mais sobre o que esse modelo significa e como você deve pensar sobre ele. Então, vou dizer logo de cara: este é um modelo muito, muito, muito bom. Mas é o melhor modelo que existe? Na verdade, não acho que seja. Mas, mais importante, não acho que isso importe tanto assim, e vou explicar por quê neste vídeo. Porque o que vocês estão vendo aqui são algumas das demonstrações que basicamente preparei para mostrar

00:31 onde esse modelo é realmente forte. Nem sempre serão as coisas que lideram os placares. E, de certa forma, acho que é mais interessante entender por que o Google criou esse modelo. De qualquer maneira, isso exige olhar além dos placares. Quando o Google anunciou o Argon pela primeira vez, fiz um vídeo curto sobre ele. Como era de se esperar, todo mundo reclamou que não havia muitos exemplos, que o modelo não estava disponível e tudo mais. Comentários totalmente justos, aliás. Para ser totalmente transparente, fui um dos primeiros a testar esse modelo e tive que assinar bem mais acordos de confidencialidade do que o normal.

01:02 Mas, quando você estiver assistindo a este vídeo, o Gemini já fará parte do plano pago da Gemini API. Ele estará no Antigravity. Estará no app Gemini. Estará em quase todos os produtos do Google que incluem modelos. Agora, muitas vezes ele só estará disponível para quem pagar por esse modelo, mas, em coisas como o AI Mode e afins, não estará disponível apenas para assinantes do Ultra: também estará disponível para o Pro. Mas o mais legal é que finalmente posso falar sobre como é usar esse modelo de verdade.

01:32 Certo, então em que esse modelo é realmente forte? Para mim, os destaques são tudo o que combina elementos visuais, código e mídia em uma única tarefa. Veja algo como isto, que decidi fazer não no Antigravity, mas diretamente no app Gemini. Aqui, estou basicamente dizendo: “Você pode criar para mim um criador de música no estilo do ReBirth, da Propellerheads? Tente incluir um 808, um 909 e um 303, depois junte tudo e não se esqueça de incluir filtros para efeitos e um sequenciador por etapas no estilo da Roland.”

02:05 Certo, fiz questão de deixar o prompt bem curto aqui, certo? Para ver o que ele conseguiria fazer. Então, fiz referência a algo como o ReBirth. Também fiz referência a alguns sintetizadores e baterias eletrônicas da Roland. E, como era de se esperar, ele foi lá e produziu algo realmente impressionante. Se eu vier aqui e executar isto…

02:36 Logo de cara, dá para ver que ele criou não só uma interface muito sofisticada, mas também os sons e um pequeno sintetizador, além de algo como uma bateria eletrônica 808, uma 909 etc. E isso foi com um único prompt. Agora, antes de me criticar dizendo que, no mundo real, não se usam apenas prompts únicos, concordo com você, certo? Só achei que alguns desses exemplos são realmente ótimos para observar e ter uma ideia do que o modelo consegue fazer com recursos limitados.

03:07 E deixe-me explicar o que quero dizer com isso. O modelo é extremamente bom em tarefas como trabalhar com o Blender e gerar jogos, esse tipo de coisa. E isso claramente vem de muitos dos ambientes de aprendizado por reforço usados no treinamento desse modelo, além de todo o trabalho de pós-treinamento. E não é só esta demonstração. Se você olhar as demonstrações que o próprio Google lançou junto com o modelo, há um padrão bem claro. Em uma delas, o Argon basicamente cria scripts para animações no Blender, gera

03:39 áudio personalizado e envia tudo para uma TV CRT vintage de verdade. Em outra, eles construíram um templo japonês com vários níveis no terreno, usando o Blender. E, se você olhar para isso, é impressionante ver o que essa coisa consegue fazer quando recebe um loop agentic e um harness adequado, capaz de usar esse tipo de skill. Tudo isso parece ter passado por muito aprendizado por reforço nesses tipos de pipeline, com ferramentas como Blender, Three.js, shaders etc. E essas são as tarefas em que o modelo escreve o código, renderiza algo, olha

04:11 para o resultado e depois vai corrigindo aos poucos. Esse ciclo de escrever código, renderizar, observar e corrigir parece estar funcionando muito bem aqui. Neste vídeo, não quero me aprofundar demais nos benchmarks, mas quero dizer que, pelo que tenho ouvido, este é o maior modelo em que eles fizeram pré-treinamento. Dá para notar pelo nome Argon que ele não se encaixa nas outras categorias que tinham antes, seja Flash, Pro ou até Ultra, que acabou sendo descontinuado. E sabemos com certeza que este é apenas o

04:43 primeiro modelo Gemini 4. Agora, a grande pergunta que as pessoas vão fazer é: ele é tão bom quanto os modelos da Anthropic ou da OpenAI, ou até mesmo coisas como o novo Muse Wonder? Então, devo dizer que, nos meus testes, muita coisa agora depende de como você está usando o modelo. Ainda acho, por exemplo, que o Antigravity está longe de ser tão bom quanto Claude Code ou Codex. E, até o momento desta gravação, ainda não testei isso no AI Studio Build, por exemplo. Basicamente, usei o modelo pela API diretamente no

05:13 Antigravity ou no app Gemini. Mas o ponto aqui é que ele é claramente bom em muitas dessas tarefas multimodais. No último vídeo, falei sobre alguns dos benchmarks do Artificial Analysis Intelligence Index, em que esse modelo teve uma pontuação de 53, empatando com GPT-6 Astra e Fable 5.1, mas ficando bem atrás do Opus 5.5. E, com o novo Sonnet 5.5 também na disputa, agora a Meta lançou o Muse Wonder, que também está bem à frente deste modelo. Mas uma das coisas

05:45 que vou dizer aqui é que os benchmarks nem sempre contam a história toda, certo? Este modelo parece ser muito bom em generalização. Devo dizer que não é o melhor modelo de programação. Acho que os outros modelos provavelmente terão um desempenho melhor em diferentes tipos de tarefas de programação e no campo dos agentes de programação como um todo. Mas este modelo realmente não tem como objetivo vencer esses modelos no próprio jogo deles. Então, se sua principal tarefa é escolher o modelo mais forte para programação agentic, provavelmente você vai procurar em outro lugar. E tenho certeza de que muitos engenheiros de IA vão reclamar de coisas

06:16 assim, e essa crítica é justa. Mas não acho que seja por isso que o Google criou esse modelo. Não acho que o Google esteja tentando ser uma empresa independente que só vende tokens. Se você olhar para o evento Google for Business da semana passada, eles basicamente anunciaram que mais de 500 empresas já tinham usado mais de um trilhão de tokens com os modelos Gemini. Meu palpite é que a maioria delas usa os modelos Flash, talvez até os modelos Flash-Lite. O que faltava ao Google era um modelo de ponta que pudesse oferecer aos clientes e dizer: “Também temos um modelo muito bom.”

06:50 E é claramente isso que o Argon oferece: ele permite que os clientes tenham uma opção confiável de usar este modelo se já forem clientes do Google ou estiverem pensando em usar produtos do Google. O Gemini 4 Argon oferece a essas pessoas uma opção confiável sem que precisem sair do ecossistema do Google. E acho que, em muitos aspectos, esse é o verdadeiro cliente aqui. Já no lado dos produtos para consumidores, o Google precisava de um modelo de ponta por trás de tudo o que oferece. O app Gemini agora tem tarefas que continuam sendo executadas quando você está longe do computador.

07:21 Ele pode se conectar a todos esses apps diferentes. Há o NotebookLM, há coisas como o Antigravity, e tudo isso vai se beneficiar não só deste modelo, mas provavelmente também de versões destiladas dele, usadas para criar outros modelos Gemini 4. Ter o Argon permite que as equipes de produto do Google se concentrem de verdade em desenvolver os produtos que estão funcionando, como o NotebookLM, e provavelmente melhorar aqueles que talvez não tenham ganhado tanta tração quanto gostariam, como o Antigravity. E também em incluir este modelo no app Gemini, nos apps do Google Workspace etc. Então, acho que, em muitos aspectos,

07:55 Basicamente, o Google está focado em Argon como uma base e, nesse sentido, isso é claramente uma grande vitória para eles. Embora neste ano tenham perdido muitos dos principais talentos que tiveram várias das ideias por trás de muitos dos primeiros LLMs, Argon realmente mostra que ainda há pessoas lá que sabem usar as TPUs, sabem como colocar muitas delas em operação, sabem fazer muito pré-treinamento, sabem criar os ambientes de aprendizado por reforço e sabem juntar tudo para realmente criar um modelo de nível de fronteira. Então, acho que o melhor, em vez de eu mostrar

08:26 a você muitas demonstrações do que ele consegue ou não fazer, é que, neste momento, você deve levar seus casos de uso para o AI Studio, para o app Gemini ou, se quiser, para o Antigravity, e executar essas tarefas por conta própria. Vou dizer que, no primeiro vídeo, falei bastante sobre o milhão de tokens em uma única resposta. Na prática, descobri que a questão é muito mais complexa do que eu imaginava inicialmente. O principal é que isso não estará no app Gemini. Não sei se estará no Antigravity. Na verdade, é mais para a API, e, para isso, você precisa passar uma flag

09:00 na configuração, não para fazer com que ele continue. E, na verdade, você só vai se beneficiar de verdade disso se tiver uma tarefa que exija centenas de milhares de tokens para raciocinar. Embora eu ache interessante ver como as pessoas vão criar prompts para fazê-lo continuar raciocinando, raciocinando e raciocinando, entrando nesse tipo de loop de raciocínio, não acho que isso vá ter muito uso pelo público em geral. Então, eu ainda diria que estamos nos primeiros estágios. Se você estiver criando seu próprio harness vertical e coisas do tipo, provavelmente

09:32 eu não sairia redesenhando tudo em torno do milhão de tokens ainda. Dito isso, se você tem casos de uso científicos ou algo do tipo em que consegue obter raciocínios realmente longos dele, certamente vale a pena ativar isso para suas tarefas de raciocínio longo e medir para ver como funciona na prática para você. Enfim, para concluir, Argon é um modelo muito bom. Talvez não esteja no topo dos rankings, e tenho certeza de que muita gente vai criticá-lo por isso. Mas acho que a verdadeira vitória do Google aqui é simplesmente o que eles próprios conseguem criar com ele, e também o que seus clientes conseguem criar para

10:06 diferentes casos de uso. Os modelos do Google sempre foram muito bons em generalização para esse tipo de tarefa. Eles não saíram tentando criar o melhor modelo de programação nem vencer todos os benchmarks que estão disputando. O que criaram foi um modelo multimodal muito, muito forte, com uma compreensão muito boa de várias capacidades que talvez estivessem mais à margem nos modelos anteriores. Enfim, não se esqueça de que o preço atual é de US$ 2 para entrada e US$ 10 para saída. Isso vai durar até 1º de dezembro. E, sinceramente, vou dizer que não acho que você ainda vá ver esse

10:38 modelo disponível em 1º de dezembro. Sabemos que este não é o checkpoint final desse modelo. Ainda estão fazendo muito treinamento e muitos testes para descobrir como melhorá-lo, assim como você viu com GPT-6 Sol, que teve um salto enorme quando passou da versão 6 para a 6.1. Meu palpite é que Argon também vai ter esse mesmo tipo de salto no próximo mês ou nos próximos dois meses. Enfim, deixei na descrição os links para a publicação do blog do Google e para Artificial Analysis. Se você perdeu meu primeiro vídeo sobre Argon, confira. Diga nos comentários o que acha e se acredita que realmente importa

11:10 que este não seja o modelo número um. E, como sempre, se você achou o vídeo útil, clique em curtir e inscreva-se, e nos vemos no próximo vídeo. Até mais.

Transcrição original

[00:00] Okay, so Gemini 4 Argon is now out, And in this video, while I’m gonna show you a few demos, I’m gonna really talk about more about what this model means and how you should actually think about this model so I’m gonna say this right up front. This is a really, really, really good model. But is it the best model out there? I actually don’t think it is. But more importantly, I don’t think that that really matters that much, and I’m gonna talk about why in this video Because what you’re looking at here are some of the demos that I basically put together for this showing

[00:31] where this model is genuinely strong. it’s not always gonna be the stuff that tops leaderboards And in some ways, I think it’s actually more interesting to understand why Google built this model. and that requires looking past leaderboards anyway so when Google first announced Argon, I made a short video about it then Sure enough, everyone was complaining that there weren’t many examples, the model wasn’t available, all that stuff. Totally fair comments, by the way. So full disclosure, I’ve been an early tester on this model, and I had to sign quite a few more NDAs than normal.

[01:02] but by the time you’re watching this video, Gemini now is part of the paid tier of the Gemini API. it’s gonna be in Antigravity. It’s gonna be in the Gemini app. It’s gonna be in almost every Google surface where they’re putting models. Now often it’s only gonna be available if you’re paying for this model but for things like AI Mode and stuff like that, it’s not just available to Ultra subscribers, it’s also gonna be open to Pro But basically the cool thing here is I can finally talk about what it’s like to actually use this model.

[01:32] Alright, so where is this model actually strong? for me, the standout things here is anything that combines sort of visuals, code, and media in one kind of task If you take a look at something like this, which I chose to do not in Antigravity, but just in the pure Gemini app, you can see here I’m basically saying, “Can you build me a music maker in the style of ReBirth by Propellerheads. Try to give it an 808, a 909, and a 303, and then put it together And make sure to include filters for FX and a Roland-style step sequencer.

[02:05] Okay, I deliberately made the prompt here very short, right? To see, okay, what can this actually come up with? ? So I’ve got a reference to something like ReBirth. I’ve got a reference to some, Roland, synthesizers, drum machines in there. And sure enough, it went away and produced something which is really pretty amazing in here. if I come in and run this

[02:36] Straight away you can see that It’s built not only a very sophisticated interface here, but it’s also then gone and actually made, the sounds to this and built a little synthesizer, built something like an 808 drum machine, a 909, et cetera and that’s a single-shot prompt. now before you jump down my throat about the real world is not about using just single-shot prompts, I agree with you, right? I just felt that some of these are actually really good to look at and get a sense of what the model can actually do with a limited set of resources.

[03:07] And let me explain what I’m actually mean by that so the model is extremely good at doing things like Blender and doing things like game generation, those kinds of things. And clearly that’s come from a lot of the reinforcement learning environments that they’ve trained this model on And done a lot of work post-training it on and it’s not just one demo here. If you look at the demos that Google put out, with the launch themselves, There’s a pretty clear pattern. In one of them, Argon basically, scripts Blender animations, generates

[03:39] custom audio, pipes the whole thing through to an actual vintage CRT TV. In another one of them, they built a multi-tiered, Japanese temple in the grounds using Blender. And if you look at that, that’s pretty amazing to see, what this thing can do when it’s given an agentic loop and a proper harness that can use those kinds of skills and all of this feels like it’s had a lot of RL on these kind of pipelines, being things like Blender, Three.js, shaders, et cetera And those are the kind of tasks where the model writes the code, renders something out, looks

[04:11] at the result, then gradually fixes it. It’s that loop of sort of code, render, look, fix something up that continually seems to be doing well here now in this video, I don’t want to get into benchmarks too much But what I do wanna say is that from everything I’m hearing, This is the biggest model that they’ve done pre-training on. You’ll notice in the name being Argon, that it’s not actually falling into the other tiers that they’ve had before, whether that was, Flash, Pro, even Ultra, which sort of got discontinued And we do know for a fact that this is just the

[04:43] first Gemini 4 model Now the big question people are gonna ask, Is it as good as the Anthropic models or the OpenAI models, or even things like the new Muse Wonder here? so I got to say in my testing, a lot of this now comes down to how you’re actually using the model. I still don’t think, for example, Antigravity is anywhere near as good as Claude Code or Codex And as of the time recording this, I haven’t tried this in AI Studio Build, for example. I’ve basically been either using it from the raw API in

[05:13] Antigravity or in the Gemini app. but clearly the thing here is that It’s definitely good at a lot of these multimodal tasks. Now, In the last video, I did talk about some of the benchmarks from the Artificial Analysis Intelligence Index, where this model scores a 53, which ties it with GPT-6 Astra and Fable 5.1, but quite a bit behind Opus 5.5. and even the new Sonnet 5.5 added to that in the mix is now Meta has released Muse Wonder, which also is quite a bit ahead of this model but one of the things

[05:45] I will say here is that the benchmarks don’t always tell the full story, right? This model seems to be very good at generalization. I will say it’s not the best coding model. I think the other models are probably gonna do better at different kinds of coding tasks and for the whole sort of coding agent game. This model though really isn’t aimed at taking those, models out at their own game. so I think if your main job is picking the strongest model for agentic coding, you’re probably gonna look elsewhere. and I’m sure a lot of AI engineers are gonna complain about things

[06:16] like that, and that’s a fair call. But I don’t think that’s why Google built this model. I don’t think Google’s actually trying to be in the game of being a standalone company that just sells tokens if you look at the Google for Business event last week, they basically announced that they had over 500 companies now that had done more than a trillion tokens with the Gemini models. my bet is most of those are actually the Flash models, perhaps even the Flash-Lite models what Google was lacking was a frontier model that they could basically put out there to their customers and say, “We also have a very good model.”

[06:50] and that’s clearly what Argon delivers here it allows their customers to basically have a credible option of using this model if they’re already a Google shop or they’re looking to use Google products now Gemini 4 Argon gives those people a credible option without having to leave the Google stack And I think in many ways that’s the real customer here and then on the consumer product side, Google’s needed a frontier model underneath everything that it ships. The Gemini app now has tasks that keep running when you’re away from your computer.

[07:21] It can connect to all these different apps. You’ve got NotebookLM, you’ve got things like Antigravity, And all those things are gonna benefit not only from this model, but probably from distillations of this model to make other Gemini 4 models having Argon allows the product people at Google to really focus on building the products that are working, things like NotebookLM, and probably improving the ones that perhaps haven’t gotten as much traction as they would like for things like Antigravity And putting this in the Gemini app, the Google Workspace apps, et cetera so I think in many ways,

[07:55] basically Google here is focused on Argon as being a foundation and in that sense, this is clearly a big win for them while this year they’ve lost a lot of the top talent that came up with a lot of the ideas for a lot of the early LLMs Argon really shows that they’ve still got people there that know how to use the TPUs, know how to spin up a lot of them, know how to do a lot of pre-training, know how to do the RL environments and know how to put it together to actually make a frontier-level model so I think the best thing is rather than me show

[08:26] you a lot of demos about what it can do, what it can’t do, Really at this point, you should be taking your use cases into either AI Studio or the Gemini app, or if you want to, Antigravity, and actually running those things yourself. I will say that in the first video, I talked a lot about the million tokens, in a single response. In practice, it turns out it’s a lot more nuanced than I originally had thought. the key thing there is that’s not gonna be in the Gemini app. I don’t know if it’s gonna be in Antigravity. Really, it’s more for the API, and it’s actually a flag that you need

[09:00] to pass in, to the config, not to actually get it to keep going. and really you’re only going to benefit properly from it if you’ve got a task that requires multiple hundreds of thousands of tokens for reasoning and while I think that’s gonna be interesting to see how people prompt it to get it to just keep reasoning and reasoning and reasoning and go into that sort of loop in its reasoning I don’t see that that’s gonna get a lot of mainstream use So I’d still call this sort of early days. if you’re building your own vertical harness and stuff like that, I probably

[09:32] wouldn’t go out and redesign everything around the million tokens yet that said, if you do have scientific use cases or things like that where you can actually get really long reasoning out of it, This is certainly worth turning on for your long reasoning tasks and measuring it to see actually how it plays out for you. anyway, to wrap up, Argon is a really good model. it may not be at the top of the leaderboards, and I’m sure many people are gonna criticize it for that But I think the real win for Google here is just what they themselves are able to build on it, and also their customers are able to build on it for

[10:06] different use cases and the Google models have always been very good at generalization for these kind of tasks. they haven’t gone out trying to make the best coding model or to win every single benchmark that they’re going after. What they’ve made is a very, very strong multimodal model that has a really good sense of a lot of intelligence that perhaps was more on the fringe in the previous models Anyway, don’t forget that the price currently is $2 in and $10 out. That’s gonna last till December 1. And honestly, I’m gonna say I don’t think you’re gonna see this

[10:38] model still around by December 1. We know that this is not the final checkpoint of this model. Still doing a lot of training , doing a lot of tests to how to improve it just like you saw with GPT-6 Sol, getting a massive bump when it went from 6 to 6.1, my guess is that Argon is also gonna get that same kind of bump in the next month or two. so anyway, I’ve put the links to the Google blog post and the Artificial Analysis in the description. if you missed my first video on Argon, check that out. let me know in the comments what you think and whether you think it really matters

[11:10] that this is not the number one model And as always, if you found the video useful, please click like and subscribe, and I will talk to you in the next video. Bye for now