Gemini 4 Argon mở 1 triệu token đầu ra nhưng chưa phát hành rộng

Google công bố Gemini 4 Argon ngày 30/9/2026 với giới hạn đầu ra tối đa một triệu token, giá mở đầu 2 USD cho một triệu token đầu vào và 10 USD cho đầu ra. Nhưng đây chưa phải một model đã mở đại trà: quyền truy cập ban đầu dành cho một nhóm nhà phòng thủ an ninh mạng được chọn, còn Google chưa nêu ngày phát hành công khai.

Điểm đáng chú ý với doanh nghiệp không phải là cuộc đua “model nào đứng đầu” trong một ngày. Argon cho thấy ba xu hướng đang hội tụ: model được thiết kế cho nhiệm vụ kéo dài hàng giờ hoặc hàng ngày; chi phí được đóng gói để cạnh tranh ở quy mô lớn; và nhà cung cấp phải phát hành theo pha vì năng lực cyber và agent càng mạnh thì rủi ro lạm dụng càng cao.

Một triệu token là giới hạn đầu ra, không phải lời hứa về độ đúng

Theo công bố chính thức của Google, Argon nâng giới hạn đầu ra từ 64.000 lên một triệu token. “Đầu ra” ở đây là lượng token model có thể tạo trong một trajectory dài, khác với khái niệm cửa sổ ngữ cảnh đầu vào thường được quảng bá ở các model trước.

Khoảng không lớn hơn giúp model có thể duy trì quá trình lập kế hoạch, thử nghiệm, gọi công cụ và sửa lỗi lâu hơn. Nó phù hợp với migration codebase, nghiên cứu nhiều bước, phân tích tài liệu lớn hoặc điều phối một chuỗi agent. Tuy nhiên, độ dài không tự động tạo ra độ chính xác. Một trajectory dài cũng có thể tích lũy giả định sai, tiêu tốn nhiều token và khiến việc kiểm toán khó hơn.

Vì vậy, doanh nghiệp không nên đánh giá Argon bằng câu hỏi “nó viết được bao nhiêu?”. Câu hỏi đúng hơn là: với cùng một workflow, tỷ lệ hoàn thành đúng tăng bao nhiêu, số lần con người phải sửa giảm bao nhiêu, và chi phí cho một outcome đạt chuẩn là bao nhiêu.

Google công bố nhiều con số mạnh — nhưng phần lớn vẫn là dữ liệu first-party

Google cho biết Argon đạt 77,9% trên DeepSWE v1.1, 51,3% trên AutomationBench, 91,7% trên LVBench và đồng hạng cao nhất với 68% trên CWE-bench v1. Công ty cũng đưa ra các ví dụ nội bộ:

• Một nhóm agent phân tích telemetry của các trung tâm dữ liệu, giúp giải phóng hơn 300 TiB bộ nhớ sau khi triển khai; Google ước tính tổng tiết kiệm có thể đạt 500 TiB đến 1 PiB.
• Trong dự án libgav1, agent thay thế 32.000 dòng SIMD bằng Rust; Google nói decoder mới nhanh hơn 2,7 lần so với bản Rust trước đó và vẫn cho đầu ra video giống hệt.
• Argon được dùng cho các migration từ C/C++ sang Rust, từ thư viện hàng chục nghìn dòng đến kernel Fuchsia Zircon hơn 800.000 dòng. Google nhấn mạnh các thay đổi vẫn phải qua kiểm thử, mô phỏng và review thủ công nghiêm ngặt trước production.

Đây là các case đáng theo dõi, nhưng chưa phải thử nghiệm độc lập trên toàn thị trường. Reuters ghi nhận các điểm benchmark vượt đối thủ là số tự báo cáo trong tài liệu Google; Argon vẫn đứng sau ở hai trong bốn benchmark coding mà hãng công bố. Điều này không phủ nhận năng lực model, nhưng đặt đúng giới hạn cho cách diễn giải.

Giá mở đầu thấp, nhưng tổng chi phí workflow mới là biến số cần đo

Google công bố giá mở đầu 2 USD cho một triệu token đầu vào và 10 USD cho một triệu token đầu ra; cached input giảm 95% so với giá đầu vào. Sau giai đoạn ưu đãi, giá dự kiến tăng lên 4 USD và 20 USD tương ứng.

Một model có khả năng chạy trajectory rất dài có thể rẻ theo đơn giá token nhưng vẫn đắt ở cấp workflow. Chi phí thật còn gồm số lần agent thử lại, tool call, sandbox, lưu trữ, kiểm thử và thời gian review của con người. Cách so sánh hữu ích là giữ nguyên một tập nhiệm vụ doanh nghiệp, đo chi phí cho mỗi tác vụ đạt chuẩn rồi mới quyết định model nào kinh tế hơn.

Đây cũng là lý do Học viện AI coi “giá trên một triệu token” là dữ kiện đầu vào chứ không phải kết luận mua hàng. Với một tác vụ có rủi ro cao, model rẻ nhưng cần nhiều vòng sửa có thể đắt hơn model giá niêm yết cao hơn nhưng hoàn thành ổn định.

Phát hành theo pha vì Argon có năng lực cyber nhạy cảm

Giai đoạn đầu, Argon được đưa cho nhóm nhà phòng thủ an ninh mạng thông qua chương trình Fairwind. Google nói model có thể tự tìm, xác thực và vá lỗ hổng; một số đối tác được cấp phiên bản không có guardrail cyber thông thường để phục vụ phòng thủ. Công ty đồng thời tham gia quy trình tự nguyện của Chính phủ Mỹ về quyền truy cập model trước phát hành.

Google liệt kê bốn lớp kiểm soát trước khi mở rộng: chống lạm dụng cyber và CBRN; tăng sức chống prompt injection; giám sát dấu hiệu model hành động lệch ý định; và gia cố sandbox dùng trong huấn luyện, đánh giá. Điểm này nối trực tiếp với câu chuyện OpenAI dừng GPT‑6.1 Astra vì không đạt chuẩn an toàn: năng lực tăng buộc nhà cung cấp phải chứng minh họ kiểm soát được hành động, không chỉ chất lượng câu trả lời.

Khác với một sản phẩm đã sẵn sàng mua, Argon hiện là tín hiệu về hướng phát triển của model frontier. Theo Google, thứ tự dự kiến là nhóm tester tin cậy, khách hàng API trả phí và Google AI Ultra, rồi mới mở rộng hơn. Không có mốc công khai đồng nghĩa doanh nghiệp chưa nên đưa Argon vào roadmap phụ thuộc thời gian.

Nhận định của Học viện AI: “agent dài hơi” cần một hợp đồng vận hành mới

Phần dưới đây là nhận định của Học viện AI. Nếu một model có thể tạo tới một triệu token và làm việc liên tục qua nhiều công cụ, cách quản trị theo từng prompt sẽ không còn đủ. Doanh nghiệp cần chuyển sang quản trị theo outcome và quyền:

1. Khóa rõ dữ liệu nào model được đọc, công cụ nào được gọi và hành động nào cần phê duyệt.
2. Đặt ngân sách token, thời gian và số lần thử tối đa cho mỗi nhiệm vụ.
3. Chia workflow dài thành checkpoint có thể dừng, kiểm tra và khôi phục.
4. Dùng bộ test riêng của doanh nghiệp thay vì lấy bảng benchmark làm bằng chứng cuối.
5. Lưu trace đủ để biết model đã dựa vào nguồn nào và thay đổi điều gì.

Hướng tiếp cận này tương thích với mô hình Google CC tách danh tính và quyền của agent, đồng thời giúp doanh nghiệp đọc đúng hơn hơn 20 công bố trong OpenAI DevDay 2026. Công nghệ thay đổi nhanh, nhưng nguyên tắc vẫn ổn định: agent chỉ đáng tin khi quyền, dữ liệu, checkpoint và trách nhiệm được thiết kế trước.

Doanh nghiệp Việt Nam nên làm gì ngay?

Chưa cần chờ Argon mở công khai. Hãy chọn một workflow dài đang tiêu tốn nhiều thời gian — chẳng hạn nghiên cứu hồ sơ, kiểm tra hợp đồng hoặc migration code — rồi xây bộ test 20–50 tình huống bằng model hiện có. Ghi lại baseline về chất lượng, thời gian, chi phí và số lần con người can thiệp. Khi Argon hoặc model tương đương khả dụng, bạn đã có thước đo thật để thử thay thế.

Nếu đội ngũ cần học cách chọn bài toán, giới hạn quyền và xây workflow AI có kiểm soát, xem các chương trình AI thực chiến của Học viện AI.

Nguồn và giới hạn

• Google: “Gemini 4 Argon: our next era of frontier intelligence”, 30/9/2026.
• Reuters: “Google announces Gemini 4 flagship AI model after months of delays”, 30/9/2026.

Các benchmark, case nội bộ, mức tiết kiệm bộ nhớ và giá là dữ liệu do Google công bố; bài không coi chúng là kiểm chứng độc lập. Argon chưa có ngày phát hành công khai và khả năng cung cấp tại Việt Nam chưa được xác nhận.