Google از Gemini 4 Argon برای کارهای طولانی و سازمانی رونمایی کرد

مدل Gemini 4 Argon، تازه‌ترین مدل معرفی‌شده از سوی Google DeepMind، برای انجام کارهای طولانی و چندمرحله‌ای در کدنویسی، تحلیل و فرایندهای سازمانی طراحی شده است. این شرکت می‌گوید Argon در چند ارزیابی تخصصی عملکرد پیشتازی دارد؛ از مهندسی نرم‌افزار و پژوهش مالی و حقوقی گرفته تا اجرای وظایف کسب‌وکار و فهم ویدئوهای طولانی. اهمیت این معرفی در تمرکز آن بر کارهایی است که فقط پاسخ‌دادن به یک پرسش را نمی‌طلبند و به دنبال‌کردن چند گام مرتبط نیاز دارند.

مدل Gemini 4 Argon برای کارهای چندمرحله‌ای

به گفته Google DeepMind، توانایی‌های Argon در کدنویسی، استدلال و کار با اطلاعات چندرسانه‌ای، در کنار قابلیت پیگیری وظایف طولانی، این مدل را برای طیفی از فرایندهای سازمانی مناسب می‌کند. در چنین وظایفی، مدل باید در چند مرحله پیش برود؛ برای نمونه، اطلاعات را بررسی کند، مسئله را تحلیل کند و بر پایه نتیجه، اقدام بعدی را انجام دهد. شرکت‌ها ممکن است این نوع توانایی را در کارهایی به‌کار بگیرند که از چند بخش به‌هم‌پیوسته تشکیل شده‌اند.

Google DeepMind می‌گوید مهندسان Google از Argon در کارهای روزانه استفاده کرده‌اند. نمونه‌هایی که شرکت ذکر می‌کند از رفع خطاهای معمول در برنامه‌ها تا انتقال‌های بزرگ در پایگاه‌های کد و طراحی الگوریتم را در بر می‌گیرد. پایگاه کد، مجموعه فایل‌ها و اجزای نرم‌افزاری یک پروژه است؛ بنابراین تغییر گسترده در آن می‌تواند نیازمند بررسی و هماهنگی میان بخش‌های متعدد باشد.

این شرکت همچنین به امتیاز ۷۷٫۹ درصدی Argon در DeepSWE v1.1 اشاره کرده است. این ارزیابی عملکرد مدل‌ها را در وظایف واقعی و بلندمدت مهندسی نرم‌افزار می‌سنجد. توصیف «بلندمدت» در اینجا به کارهایی اشاره دارد که برای تکمیل‌شدن به بیش از یک گام نیاز دارند، نه صرفاً تولید یک قطعه کد کوتاه. DeepMind این نتیجه را رکورد تازه‌ای در این ارزیابی معرفی می‌کند.

نتایج اعلام‌شده در ارزیابی‌های مالی، حقوقی و سازمانی

تمرکز Argon به برنامه‌نویسی محدود نیست. طبق اعلام Google DeepMind، این مدل در Vals Index جایگاه نخست را دارد؛ شاخصی که اثر اقتصادی کار مدل‌ها را در حوزه‌های مالی، کدنویسی، حقوقی و مالیاتی بررسی می‌کند. در محاسبه این شاخص، سهم هر بخش از تولید ناخالص داخلی ایالات متحده نیز در وزن‌دهی به آن لحاظ می‌شود. بنابراین ارزیابی فقط مجموعه‌ای از پرسش‌های عمومی نیست و تلاش می‌کند کارکرد مدل را در حوزه‌هایی بسنجد که اهمیت اقتصادی متفاوتی دارند.

DeepMind از دو ارزیابی تخصصی دیگر نیز نام برده است. Vals Finance Agent v2 پژوهش مالی چندمرحله‌ای را می‌سنجد؛ کاری که می‌تواند شامل دنبال‌کردن چند مرحله برای گردآوری و بررسی اطلاعات مالی باشد. Harvey’s Legal Agent Benchmark نیز برای ارزیابی پژوهش حقوقی و نگارش حقوقی به‌کار می‌رود. Google DeepMind می‌گوید Argon در این ارزیابی‌ها نیز عملکردی پیشرو دارد، اما در متن معرفی، امتیاز عددی مشخصی برای آن‌ها ارائه نکرده است.

در AutomationBench، ارزیابی Zapier برای سنجش اجرای سرتاسری وظایف در کارکردهای اصلی کسب‌وکار، Argon با امتیاز ۵۱٫۳ درصد رتبه نخست را کسب کرده است. اجرای سرتاسری به این معناست که مدل باید یک فرایند را از ابتدا تا پایان پیش ببرد، نه اینکه فقط یک بخش منفرد از آن را انجام دهد. این نتیجه، طبق توصیف شرکت، به سنجش توانایی مدل در به‌انجام‌رساندن کارهای سازمانی مربوط می‌شود.

فهم تصویر و ویدئو در وظایف حرفه‌ای

Google DeepMind یکی دیگر از نقاط قوت Argon را کار با اطلاعات دیداری می‌داند؛ به‌ویژه در موقعیت‌هایی که فهم تصویر باید به تحلیل یا اقدام منجر شود. شرکت می‌گوید مدل می‌تواند نمودارهای حرفه‌ای را تحلیل کند، جزئیات را از ویدئوهای طولانی تشخیص دهد و بر اساس مجموعه‌ای از اسناد دست به اقدام بزند. این قابلیت‌ها در کارهای حرفه‌ای اهمیت دارند، چون اطلاعات موردنیاز همیشه در قالب متن ساده و کوتاه ارائه نمی‌شود.

نمونه عددی ارائه‌شده برای این حوزه، نتیجه Argon در LVBench است. این ارزیابی فهم ویدئوهای طولانی را می‌سنجد و به گفته DeepMind، Argon در آن امتیاز ۹۱٫۷ درصد گرفته و به سطح پیشرفته‌ای رسیده است. در ویدئوهای طولانی، مدل باید بتواند جزئیاتی را که در بخش‌های مختلف پخش شده‌اند تشخیص دهد و محتوای کلی را دنبال کند؛ با این حال، معرفی منتشرشده جزئیات بیشتری درباره روش آزمون یا چگونگی محاسبه این امتیاز ارائه نمی‌کند.

ترکیب توانایی دیداری با پیگیری وظایف چندمرحله‌ای می‌تواند مدل را برای کارهایی مناسب کند که در آن‌ها لازم است چند سند یا منبع تصویری بررسی شود و نتیجه به مرحله بعدی برسد. DeepMind از این ظرفیت به‌عنوان بخشی از توان Argon در کار دانشی یاد می‌کند؛ یعنی وظایفی که به فهم اطلاعات و استفاده از آن برای پیشبرد یک کار نیاز دارند.

اهمیت نتایج و آنچه هنوز مشخص نیست

اعداد اعلام‌شده تصویری از عملکرد Gemini 4 Argon در چند سنجش مختلف ارائه می‌کنند: از کدنویسی و تحلیل حوزه‌های تخصصی تا فهم ویدئو و اجرای فرایندهای کسب‌وکار. این تنوع مهم است، زیرا نشان می‌دهد معرفی مدل تنها بر یک نوع توانایی متمرکز نیست. با این حال، اطلاعات موجود در متن Google DeepMind به نتایج و توصیف خود شرکت محدود است و برای برخی ارزیابی‌ها نیز امتیاز عددی منتشر نشده است.

از سوی دیگر، ثبت امتیاز بالا در یک آزمون به‌تنهایی نشان نمی‌دهد که مدل در همه محیط‌های کاری یا برای همه کاربران نتیجه یکسانی خواهد داشت. کارایی واقعی به نوع وظیفه و شرایط استفاده بستگی دارد. در متن معرفی، جزئیاتی درباره قیمت، دسترسی عمومی یا شیوه عرضه Argon مطرح نشده است؛ بنابراین نمی‌توان از اطلاعات منتشرشده درباره نحوه استفاده مشتریان از آن نتیجه‌گیری بیشتری کرد.

آنچه Google DeepMind بر آن تأکید دارد، توانایی ادامه‌دادن کار در چند مرحله و به‌کارگیری مدل در حوزه‌های متنوع است. اگر چنین توانایی‌هایی در فرایندهای واقعی نیز قابل استفاده باشند، می‌توانند به شرکت‌ها در واگذاری بخشی از وظایف تکراری یا زمان‌بر کمک کنند. اما ارزیابی این کاربردها به شواهد عملی و اطلاعات بیشتر درباره نحوه استفاده از مدل نیاز دارد.

این خبر برای چه کسانی اهمیت دارد

معرفی Gemini 4 Argon برای توسعه‌دهندگان نرم‌افزار، شرکت‌هایی که به‌دنبال استفاده از هوش مصنوعی در فرایندهای کاری هستند و افرادی که روی ارزیابی مدل‌ها کار می‌کنند اهمیت دارد. نتایج اعلام‌شده در DeepSWE v1.1، Vals Index، AutomationBench و LVBench نشان می‌دهد Google DeepMind می‌خواهد Argon را نه فقط برای گفت‌وگو، بلکه برای انجام وظایف تخصصی و چندمرحله‌ای مطرح کند. برای تصمیم‌گیری درباره کاربرد آن در محیط‌های واقعی، جزئیات بیشتر درباره دسترسی و عملکرد در شرایط عملی همچنان اهمیت خواهد داشت.