
Tech • IA • Robotique • Jeu
Google positionne Gemini 4 Argon sur les tâches longues, multi-étapes et fortement contextuelles, notamment en codage, analyse documentaire et agents pilotés par API. Le modèle accepte texte, tableaux, graphiques, images, vidéo, audio et PDF, avec une sortie textuelle. Sa promesse centrale est de mieux tenir la planification et la mémoire sur des projets trop vastes pour un chatbot classique. L’orientation produit est claire: moins de réponses ponctuelles, plus de flux de travail continus.
Gemini 4 Argon dispose d’une fenêtre de contexte de plus de 1 million de tokens, partagée entre entrée et sortie. Google y ajoute des niveaux de raisonnement faible, moyen et élevé, ainsi que function calling, exécution de code, sorties structurées et search grounding. Cet ensemble vise les bases de code volumineuses, les corpus documentaires et les orchestrations d’outils. Le pari est d’éviter les ruptures de contexte qui dégradent souvent les agents de développement.
Google affirme que Gemini 4 Argon arrive en tête sur le Valves Index, un benchmark couvrant finance, droit, codage et autres tâches de raisonnement. Mais la valeur réelle de ces scores dépendra de la reproductibilité et de la qualité en production. Les réserves portent surtout sur l’écart classique entre résultats de laboratoire et usage applicatif. Pour les équipes produit, la question reste moins le classement brut que la stabilité sur des workflows concrets.
L’application de journal Lumen a servi de test de cohérence pour Gemini 4 Argon dans Base44, avec une construction en six prompts successifs. L’enjeu n’était pas de produire un premier écran séduisant, mais de vérifier la continuité des choix produit à mesure que les fonctions s’accumulent. Le résultat suggère qu’Argon tient mieux que d’autres modèles la mémoire structurelle d’un projet. C’est un point clé pour les outils no-code et les assistants de prototypage applicatif.
Lumen démarre comme une app de journal au style Apple-style liquid glass, avec cartes translucides, dégradés doux, coins arrondis et transitions animées. La base fonctionnelle inclut accueil, liste d’entrées datées, éditeur, cinq humeurs et persistance en base de données. Des briques d’organisation ont ensuite été ajoutées, comme tags, recherche et autres fonctions d’usage long terme. Le test montre surtout qu’un modèle peut étendre une application sans casser immédiatement son langage visuel initial.
Claude est présenté comme le moteur d’une plateforme de formation sur mesure capable de remplacer plusieurs outils SaaS payants. Le montage couvre page de vente, espace membre, leçons, administration et automatisations sans dépendre d’une suite tout-en-un type Podia ou Systeme.io. L’argument économique est fort pour les créateurs solo: moins d’abonnements, plus de contrôle sur le produit. La limite principale reste l’hébergement vidéo, encore difficile à internaliser proprement.
La pile proposée s’appuie sur GitHub pour l’historique et le rollback, Cloudflare pour l’hébergement et le domaine, Convex pour la base de données, et Tella pour la vidéo. Cette combinaison est pensée pour des non-techniciens assistés par IA, avec une séparation claire entre code, déploiement et données. GitHub devient ici un filet de sécurité plus qu’un simple dépôt. L’ensemble illustre une industrialisation croissante du “software by prompt” sur des briques standard.
Reverse Engineer Anything cible surtout les applications locales plutôt que les sites web déjà faciles à inspecter avec un navigateur. L’outil s’installe en CLI et promet d’analyser binaires natifs, Go, Rust, JavaScript, SQLite et certaines cibles mobiles pour extraire interface et comportement. Le cas d’usage le plus crédible est la reconstruction d’un logiciel desktop sans code source, illustrée par un essai sur Presentify sur Mac. La conclusion est nuancée: utile pour enrichir des clones d’apps de bureau, mais loin d’automatiser la réplication logicielle.