Google DeepMind از مدل Gemini 4 Argon با خروجی یک‌میلیون‌توکنی رونمایی کرد

مدل Gemini 4 Argon را Google DeepMind در ۳۰ سپتامبر ۲۰۲۶ به‌عنوان نخستین مدل از نسل Gemini 4 معرفی کرد؛ مهم‌ترین ویژگی اعلام‌شده آن توانایی تولید حداکثر یک‌میلیون توکن در یک پاسخ است. این مدل برای کارهای طولانی‌مدت مهندسی نرم‌افزار، فعالیت‌های دانشی سازمانی در حوزه‌هایی مانند حقوق و امور مالی، و دفاع سایبری طراحی شده است. بااین‌حال، دسترسی فعلی محدود است و Google DeepMind هنوز زمانی برای عرضه عمومی اعلام نکرده است.

مدل Gemini 4 Argon و سقف تازه تولید متن

توکن واحدی است که مدل‌های زبانی برای پردازش و تولید متن به کار می‌برند. یک توکن می‌تواند بخشی از یک واژه، یک واژه یا نشانه‌ای از متن باشد؛ بنابراین یک‌میلیون توکن را نباید معادل تعداد ثابتی از کلمه‌ها در نظر گرفت. آنچه در معرفی Argon اهمیت دارد، امکان ساخت پاسخ‌های بسیار بلند در یک نوبت است.

به‌گفته گزارش، سقف خروجی مدل‌های پیشین Gemini به ۶۴ هزار توکن می‌رسید و Argon آن را به یک‌میلیون توکن افزایش می‌دهد. Google DeepMind می‌گوید مدل می‌تواند در یک مسیر کاری واحد، مدت بیشتری به مسئله بپردازد و حجم بزرگی از خروجی تولید کند. برای برنامه‌نویسان، این قابلیت می‌تواند به انجام بازآرایی‌های گسترده در کد یا تولید گزارش‌های طولانی، بدون تقسیم کار به چندین نوبت، کمک کند.

بااین‌حال، سقف خروجی با پنجره زمینه یکسان نیست. پنجره زمینه مقدار متنی است که مدل می‌تواند در جریان کار در نظر بگیرد؛ Google هنوز اندازه این پنجره را برای Argon اعلام نکرده است. در نتیجه، رقم یک‌میلیون توکن فقط به حداکثر خروجی در یک پاسخ مربوط می‌شود و اطلاعاتی درباره کل میزان ورودی قابل‌پردازش مدل به دست نمی‌دهد.

نتایج معیارها؛ برتری در برخی آزمون‌ها و عقب‌ماندگی در برخی دیگر

Google در مقایسه‌ای که منتشر کرده، Argon را با GPT-6 Astra، Claude Opus 5.5 و Claude Fable 5.1 سنجیده است. طبق همان مقایسه، Argon در ۱۲ مورد از ۱۸ معیار در رتبه نخست قرار گرفته و در یک معیار دیگر با مدل‌های برتر برابر شده است. این ارقام از ارزیابی منتشرشده از سوی Google آمده‌اند و به‌تنهایی جای آزمون مستقل را نمی‌گیرند.

در DeepSWE v1.1، آزمونی برای سنجش مهندسی نرم‌افزار در کارهای چندمرحله‌ای، Argon امتیاز ۷۷٫۹ درصد گرفته است. Google این نتیجه را رکورد تازه این معیار معرفی می‌کند؛ امتیاز Claude Opus 5.5 در مقایسه ۷۴٫۲ درصد و GPT-6 Astra برابر با ۷۴٫۱ درصد اعلام شده است. Argon همچنین در Vals Index، که اثر اقتصادی کارها در حوزه‌هایی مانند مالی، برنامه‌نویسی، حقوق و مالیات را می‌سنجد، به ۶۸٫۹ درصد رسیده و در AutomationBench برای اجرای سرتاسری فرایندهای کاری امتیاز ۵۱٫۳ درصد کسب کرده است.

در معیار Harvey Legal Agent، امتیاز Argon برابر با ۱۹٫۶ درصد گزارش شده؛ درحالی‌که GPT-6 Astra در این مقایسه ۵٫۴ درصد گرفته است. در آزمون درک ویدئوی طولانی LVBench نیز Argon با امتیاز ۹۱٫۷ درصد نتیجه‌ای را ثبت کرده که Google آن را بهترین نتیجه اعلام‌شده می‌داند.

اما مدل در همه آزمون‌ها پیشتاز نیست. در FrontierSWE v2، امتیاز ۵۵ درصد Argon از ۶۵٫۵ درصد GPT-6 Astra پایین‌تر است. در Terminal-Bench 4.0 نیز Argon به ۵۷٫۴ درصد رسیده، درحالی‌که Claude Opus 5.5 امتیاز ۶۶٫۴ درصد گرفته است. در آزمون OSWorld-2.0 برای استفاده از رایانه، نتیجه Argon برابر با ۶۹٫۲ درصد و امتیاز GPT-6 Astra برابر با ۷۲٫۶ درصد گزارش شده است.

در ارزیابی Artificial Analysis، Argon در شاخص هوش با GPT-6 Astra برابر شده است. به‌گزارش منبع، هزینه هر کار در این مقایسه و با استفاده از قیمت‌های تخفیفی برای Argon حدود ۶۰ درصد کمتر بوده است. این برآورد به قیمت‌ها و روش سنجش مورد استفاده در همان ارزیابی وابسته است.

قیمت‌گذاری و دسترسی مرحله‌ای

قیمت آغازین اعلام‌شده برای استفاده از Argon، به‌ازای هر یک‌میلیون توکن ورودی ۲ دلار و به‌ازای هر یک‌میلیون توکن خروجی ۱۰ دلار است. ورودی ذخیره‌شده در حافظه موقت، که در مراجعه دوباره می‌تواند نیاز به پردازش مجدد را کاهش دهد، با تخفیف ۹۵درصدی عرضه می‌شود و هزینه آن در دوره آغازین ۰٫۱۰ دلار برای هر یک‌میلیون توکن اعلام شده است.

پس از دوره قیمت‌گذاری آغازین، هزینه ورودی به ۴ دلار و خروجی به ۲۰ دلار برای هر یک‌میلیون توکن می‌رسد. به این ترتیب، تولید یک‌میلیون توکن خروجی در دوره آغازین ۱۰ دلار هزینه دارد و پس از آن هزینه به ۲۰ دلار افزایش می‌یابد. قیمت پایین‌تر به‌ازای هر توکن، لزوماً به معنی هزینه اندک برای پاسخ‌های بسیار بلند نیست؛ میزان مصرف همچنان عامل تعیین‌کننده خواهد بود.

عرضه مدل نیز مرحله‌ای برنامه‌ریزی شده است. طبق گزارش، Google در فرایند داوطلبانه دولت آمریکا برای دسترسی پیش از عرضه عمومی مشارکت می‌کند و قصد دارد از بازخورد آزمایش‌کنندگان اولیه برای اصلاح تدابیر حفاظتی استفاده کند. در حال حاضر دسترسی از طریق برنامه Fairwind برای مدافعان سایبری فراهم شده و تاریخ انتشار عمومی مشخص نیست.

کاربردهای امنیتی و تدابیر حفاظتی

Google می‌گوید Argon برای یافتن، اعتبارسنجی و اصلاح خودکار آسیب‌پذیری‌های مهم نرم‌افزاری آموزش دیده است. در معیار CWE-bench v1، که توانایی اصلاح آسیب‌پذیری را ارزیابی می‌کند، این مدل با امتیاز ۶۸ درصد در جایگاه مشترک نخست قرار گرفته است. گزارش یادآوری می‌کند که مدل‌های رقیب در این رتبه‌بندی با ابزارهای عامل‌محور اختصاصی خود اجرا شده‌اند؛ بنابراین شیوه اجرای مدل‌ها بخشی از زمینه مقایسه است.

Wiz از طریق ابتکار Scan for Good از Argon استفاده می‌کند. به‌گفته Google، مدل یک آسیب‌پذیری مهم را در نرم‌افزار حوزه سلامت که بیمارستان‌هایی در نقاط مختلف جهان از آن استفاده می‌کنند، شناسایی کرده است؛ Google می‌گوید مدل‌های پیشرفته قبلی این مورد را پیدا نکرده بودند. جزئیات فنی آسیب‌پذیری در متن گزارش ارائه نشده است.

پیش از دسترسی گسترده‌تر، Google اعلام کرده که روی چهار حوزه حفاظتی کار می‌کند: مقابله با سوءاستفاده در زمینه‌های سایبری و شیمیایی، زیستی، رادیولوژیک و هسته‌ای؛ مقاومت در برابر تزریق غیرمستقیم دستور، یعنی پنهان‌کردن فرمان‌های مخرب در محتوایی که مدل می‌خواند؛ پایش ناهماهنگی میان فرایند تصمیم‌گیری مدل و رفتار آن؛ و استفاده از محیط‌های آزمایشی مهروموم‌شده و جدا از سامانه‌های دیگر برای آموزش و ارزیابی پرخطر. شرکت همچنین می‌گوید امکان متوقف‌کردن اجرا در جریان پایش رفتار مدل وجود دارد.

تجربه‌های داخلی Google و پیامدهای احتمالی

Google گزارش کرده است که هزاران نفر از کارکنان این شرکت از Argon استفاده می‌کنند. در یکی از نمونه‌ها، عامل‌های مبتنی بر مدل بهینه‌سازی‌هایی در حافظه مراکز داده اعمال کرده‌اند که بیش از ۳۰۰ تیبی‌بایت فضا آزاد کرده است؛ Google رقم ۵۰۰ تیبی‌بایت تا یک پبی‌بایت را به‌عنوان ظرفیت احتمالی آینده مطرح می‌کند. این عدد پیش‌بینی شرکت است، نه نتیجه‌ای که در گزارش به‌عنوان دستاورد انجام‌شده ثبت شده باشد.

در نمونه‌ای دیگر، عامل‌ها ۳۲ هزار خط کد SIMD را در نسخه Rust از libgav1 جایگزین کرده‌اند. طبق اعلام Google، رمزگشا با حفظ خروجی یکسان ۲٫۷ برابر سریع‌تر شده است. این شرکت همچنین از مهاجرت مخزن‌های کد C و C++ به Rust خبر داده و گفته است این کار در برخی موارد بیش از ۸۰۰ هزار خط از کد هسته Fuchsia Zircon را دربر می‌گیرد. گزارش یک نمونه دیگر را نیز ذکر می‌کند: Argon در چند دقیقه از یک خط پایه الگوریتم کوانتومی منتشرشده پیشی گرفته است؛ جزئیات بیشتری درباره این آزمایش ارائه نشده است.

این نمونه‌ها نشان می‌دهند Google می‌خواهد Argon را نه‌فقط برای گفت‌وگو، بلکه برای اجرای کارهای فنی طولانی و چندمرحله‌ای به کار بگیرد. اما ارزیابی میزان سودمندی آن برای مشتریان بیرونی به دسترسی عملی، هزینه کل کار، کیفیت خروجی در استفاده واقعی و نتایج آزمون‌های مستقل بستگی دارد. اختلاف عملکرد در معیارها نیز یادآور می‌شود که برتری در یک وظیفه، لزوماً به معنای بهترین عملکرد در همه کاربردها نیست.

این خبر برای چه کسانی اهمیت دارد

معرفی Argon برای تیم‌های مهندسی نرم‌افزار، شرکت‌هایی که به‌دنبال خودکارسازی کارهای دانشی هستند و گروه‌های امنیت سایبری اهمیت دارد؛ به‌ویژه برای کسانی که با مخزن‌های کد بزرگ، گزارش‌های طولانی یا بررسی آسیب‌پذیری‌ها سروکار دارند. سقف خروجی بالاتر می‌تواند انجام برخی کارها را در یک مرحله ممکن کند، اما هزینه پاسخ‌های بسیار بلند و محدودبودن دسترسی فعلی از عواملی است که باید در تصمیم‌گیری در نظر گرفته شوند.

برای توسعه‌دهندگان و شرکت‌هایی که Argon را با مدل‌های دیگر می‌سنجند، ارقام معیارها نقطه شروع‌اند، نه پاسخ نهایی. بررسی عملکرد در جریان کاری واقعی، توجه به تفاوت روش آزمون‌ها و سنجش تدابیر ایمنی برای کاربردهای حساس ضروری خواهد بود. تا زمان عرضه گسترده‌تر و انتشار اطلاعات بیشتر، تصویر کامل‌تری از جایگاه Gemini 4 Argon در بازار مدل‌های پیشرفته به دست نخواهد آمد.