Google pokazał Gemini 4 Argon. Milion tokenów wyjścia i ceny od 2 dolarów

Google zaprezentował Gemini 4 Argon, nowy model frontier zaprojektowany do długich i złożonych zadań obejmujących programowanie, analizę danych, finanse, prawo oraz cyberbezpieczeństwo. Największą zmianą jest limit aż 1 miliona tokenów wyjściowych w jednej trajektorii — poprzedni limit wynosił 64 tys. tokenów. Model nie jest jednak jeszcze dostępny dla wszystkich użytkowników Gemini. Pierwszy dostęp otrzymuje wybrana grupa specjalistów ds. cyberbezpieczeństwa w ramach programu Fairwind.

Argon osiągnął według danych Google 77,9 proc. w DeepSWE v1.1, 51,3 proc. w AutomationBench oraz 91,7 proc. w LVBench. Firma pokazuje też pierwsze zastosowania modelu we własnej infrastrukturze: agenci oparci na Argonie mieli pomóc zwolnić ponad 300 TiB pamięci w centrach danych Google, a w jednym z projektów związanych z obliczeniami kwantowymi poprawić wynik istniejącego algorytmu o 40 proc. Są to jednak wyniki i przykłady podawane przez Google, a nie niezależne testy.

Google zapowiada również agresyjną cenę. W okresie wprowadzającym Gemini 4 Argon ma kosztować 2 dolary za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych. Po zakończeniu promocji stawki wzrosną do odpowiednio 4 i 20 dolarów. Na szeroką dostępność trzeba jednak poczekać — firma chce najpierw przeprowadzić dodatkowe testy bezpieczeństwa z pierwszymi użytkownikami.

Gemini 4 Argon został stworzony do zadań, które trwają długo

Gemini 4 Argon nie jest przedstawiany jako kolejny model do szybszego odpowiadania na proste pytania. Google wyraźnie kieruje go w stronę długich workflow, w których AI musi utrzymać spójność przez wiele kolejnych kroków, analizować duże ilości informacji i wracać do wcześniejszych ustaleń.

Firma wskazuje przede wszystkim programowanie, analizę finansową, pracę prawniczą, cyberbezpieczeństwo i inne zadania wiedzochłonne. Argon ma radzić sobie z rzeczywistymi projektami, a nie tylko krótkimi benchmarkami. Obejmuje to debugowanie kodu, migracje dużych repozytoriów, przygotowywanie analiz oraz pracę z wieloma dokumentami i materiałami wizualnymi.

To kierunek, w którym rozwija się dziś cała generatywna AI. Model coraz rzadziej ma być tylko chatbotem. Ma dostać zadanie, samodzielnie podzielić je na etapy i doprowadzić pracę do końca, korzystając po drodze z kodu, narzędzi, dokumentów czy danych.

Jeżeli chcesz zobaczyć, jak rozwijał się cały ekosystem Google AI, mamy również kompletny przewodnik po Google Gemini, w którym wyjaśniamy modele, aplikację i najważniejsze funkcje platformy.

Milion tokenów wyjścia. To nie jest to samo co okno kontekstowe

Najbardziej efektowną liczbą w specyfikacji Argona jest 1 milion tokenów wyjściowych. Google zwiększyło limit z wcześniejszych 64 tys. tokenów, czyli ponad piętnastokrotnie. W praktyce model może więc wygenerować niezwykle długą odpowiedź albo wykonać bardzo rozbudowaną sekwencję rozumowania i działań bez konieczności przerywania procesu ze względu na limit generacji.

Warto jednak dobrze rozumieć ten parametr. To limit outputu, a nie deklaracja, że Argon ma milion tokenów całego kontekstu. Okno kontekstowe określa, ile informacji model może przetworzyć, natomiast output limit mówi, jak dużo może wygenerować w ramach jednej trajektorii. To dwa różne parametry.

Google przekonuje, że tak duży limit pozwala Argonowi prowadzić znacznie dłuższe procesy bez konieczności sztucznego dzielenia ich na dziesiątki osobnych wywołań. Ma to znaczenie przy dużych migracjach kodu, długich analizach albo agentach wykonujących serię operacji.

Milion tokenów nie będzie potrzebny przy zwykłej rozmowie z Gemini. Jego znaczenie pojawia się dopiero wtedy, gdy model dostaje projekt, który może trwać setki lub tysiące kroków i wymaga zachowania ciągłości pracy.

DeepSWE, AutomationBench i LVBench. Google pokazuje duży skok wyników

Google opublikowało przy premierze cały zestaw benchmarków. W DeepSWE v1.1, który mierzy pracę nad rzeczywistymi, długimi zadaniami programistycznymi, Gemini 4 Argon uzyskał 77,9 proc. Firma określa ten wynik jako nowy stan techniki.

W AutomationBench przygotowanym przez Zapier model osiągnął 51,3 proc. i pierwsze miejsce. Ten test jest ciekawy, ponieważ nie sprawdza tylko pojedynczej odpowiedzi, lecz wykonanie całego procesu obejmującego typowe zadania biznesowe. Argon ma również zajmować czołowe miejsca w testach związanych z finansami, podatkami i pracą prawną.

Mocno wygląda także multimodalność. W LVBench, który bada rozumienie długich materiałów wideo, Google podaje wynik 91,7 proc. Argon ma analizować wykresy, wyszukiwać szczegóły w długich nagraniach i podejmować dalsze działania na podstawie serii dokumentów.

Trzeba jednak zachować właściwy kontekst. To benchmarki przedstawione przez Google przy premierze własnego modelu. Są wartościowym punktem odniesienia, ale prawdziwy obraz możliwości Argona pojawi się dopiero wtedy, gdy model trafi do szerszego grona użytkowników i zacznie być testowany niezależnie.

Gemini 4 Argon już pracuje wewnątrz Google

Argon nie jest wyłącznie modelem demonstracyjnym. Google podaje, że tysiące pracowników firmy wykorzystują go już do programowania, badań i przygotowywania treści, a część zastosowań dotyczy bezpośrednio infrastruktury działającej na ogromną skalę.

Najbardziej spektakularnym przykładem jest optymalizacja pamięci. Zespół agentów Argona analizował dane telemetryczne z centrów danych Google, szukał miejsc, w których można ograniczyć zużycie zasobów, a następnie przygotowywał odpowiednie poprawki. Po wdrożeniu zmian firma miała uwolnić ponad 300 TiB pamięci, a potencjalne oszczędności szacuje nawet na 500 TiB–1 PiB.

Drugi przykład pochodzi z obliczeń kwantowych. Argon pomagał badaczom optymalizować zasoby potrzebne do wykonywania wybranych podprogramów. W jednym z przypadków model miał w ciągu kilku minut poprawić opublikowany wcześniej wynik o 40 proc.

Google wykorzystuje Argona także do dużych migracji kodu C i C++ do Rusta. Projekty obejmują zarówno biblioteki liczące dziesiątki tysięcy linii, jak i ponad 800 tys. linii kodu kernela Zircon używanego w Fuchsia OS. Wszystkie te wyniki pochodzą jednak z wewnętrznych testów Google.

Argon ma być bardzo mocny w programowaniu

Programowanie jest jednym z najważniejszych obszarów Gemini 4 Argon. Google nie ogranicza przy tym przekazu do generowania pojedynczych funkcji czy naprawiania prostych błędów. Model ma pracować nad dużymi repozytoriami i zadaniami trwającymi przez wiele etapów.

Przykładem jest biblioteka libgav1 używana do dekodowania wideo. Agenci Argona pracowali nad istniejącym portem napisanym w Rust i zastąpili około 32 tys. linii kodu SIMD. Proces obejmował kolejne eksperymenty wydajnościowe, analizę wyników kompilatora i optymalizację bezpiecznego kodu.

Według Google finalna wersja była 2,7 razy szybsza od wcześniejszego portu w Rust, zachowując identyczny wynik dekodowania obrazu. To właśnie taki rodzaj pracy ma odróżniać nową generację modeli agentowych od typowych asystentów kodowania.

Największym wyzwaniem pozostaje oczywiście kontrola jakości. Google zaznacza, że duże migracje generowane przez Argona przechodzą automatyczne testy, emulację oraz ręczny przegląd przed wdrożeniem. AI może wykonać ogromną część pracy, ale w krytycznym kodzie nadal nie oznacza to rezygnacji z weryfikacji człowieka.

Cyberbezpieczeństwo jest jednym z głównych zastosowań Gemini 4 Argon

Nieprzypadkowo pierwszą grupą zewnętrznych użytkowników Argona są specjaliści od cyberbezpieczeństwa. Google udostępnia model wybranym partnerom w ramach programu Fairwind, uruchomionego dla organizacji, administracji i ekspertów zajmujących się ochroną infrastruktury.

Model został wytrenowany między innymi do autonomicznego wyszukiwania, potwierdzania i naprawiania podatności w oprogramowaniu. W CWE-bench v1 Argon uzyskał według Google 68 proc., remisując na pierwszym miejscu.

Firma opisuje również test przeprowadzony z Wiz. Argon miał znaleźć poważną podatność prowadzącą do ujawnienia danych osobowych w oprogramowaniu wykorzystywanym przez szpitale — problem, którego nie wykryły wcześniejsze modele frontier.

Jednocześnie jest to dokładnie ten obszar, w którym możliwości modelu wymagają szczególnej kontroli. System potrafiący skutecznie wyszukiwać słabości w oprogramowaniu może być niezwykle przydatny dla obrońców, ale te same zdolności mogą zostać wykorzystane niewłaściwie. Dlatego Google nie rozpoczyna wdrożenia od zwykłego publicznego dostępu do Argona.

Gemini 4 Argon nie jest jeszcze dostępny dla wszystkich

To jedno z najważniejszych zastrzeżeń przy tej premierze. Gemini 4 Argon został zaprezentowany, ale nie można dziś po prostu wejść do Gemini i wybrać go z listy modeli.

Pierwszy etap obejmuje specjalistów cyberbezpieczeństwa uczestniczących w programie Fairwind oraz wewnętrzne zespoły Google. Firma chce zbierać informacje z rzeczywistych zastosowań i jeszcze przed szerszym udostępnieniem poprawić zabezpieczenia.

Google zapowiada, że później Argon ma trafić do deweloperów, firm i konsumentów. Wśród pierwszych szerszych grup wymienieni zostali płatni użytkownicy API oraz subskrybenci Google AI Ultra. Konkretnej daty rozpoczęcia tego etapu na razie nie podano.

Google bierze również udział w dobrowolnym procesie udostępniania nowych modeli amerykańskiej administracji przed premierą. To kolejny element stopniowego wdrażania. Przy tak dużych możliwościach cybernetycznych i agentowych firma wyraźnie nie chce uruchamiać modelu dla milionów użytkowników jednego dnia.

Gemini 4 Argon – cena API

Google podało już cennik, który będzie obowiązywał podczas wprowadzania Argona. Milion tokenów wejściowych ma kosztować 2 dolary, natomiast milion tokenów wygenerowanego tekstu — 10 dolarów. Cached input ma być wyceniany o 95 proc. taniej od standardowego wejścia.

Po zakończeniu okresu wprowadzającego standardowa cena ma wzrosnąć do 4 dolarów za milion tokenów wejścia i 20 dolarów za milion wyjścia. Google nie podało jeszcze daty zakończenia niższych stawek.

Warto też pamiętać, że ogłoszenie cennika nie oznacza powszechnej dostępności API już dziś. Argon pozostaje na razie modelem wdrażanym etapami, a szerszy dostęp ma pojawić się później.

Google wzmacnia zabezpieczenia przed prompt injection i utratą kontroli nad agentem

Wraz z możliwościami Argona rośnie problem bezpieczeństwa. Google wskazuje cztery najważniejsze obszary: zapobieganie nadużyciom, odporność na prompt injection, monitorowanie zachowań niezgodnych z celem użytkownika oraz wzmacnianie środowisk, w których agent wykonuje działania.

Szczególnie ciekawy jest indirect prompt injection. Taki atak może ukryć złośliwe instrukcje w stronie internetowej, dokumencie albo innym materiale analizowanym przez agenta. Model może potraktować je jak polecenie i wykonać operację, której użytkownik nigdy nie zlecił.

Google deklaruje, że Argon jest jego najbardziej odpornym modelem na tego typu ataki i uzyskuje czołowe wyniki w testach Gray Swan. Firma wykorzystuje również monitoring rozumowania i działań modelu, który ma zatrzymać wykonanie zadania, jeśli system zaczyna wychodzić poza zakres intencji użytkownika.

To ważne, bo przy agentowym AI bezpieczeństwo coraz mniej dotyczy samej odpowiedzi. Kluczowe staje się również to, jakie działania model wykonuje, z jakich narzędzi korzysta i czy pozostaje w granicach powierzonego mu zadania.

Gemini 4 Argon – podsumowanie

Gemini 4 Argon jest jednym z największych skoków w możliwościach modeli Google od czasu powstania rodziny Gemini. Milion tokenów wyjścia, wysoki wynik DeepSWE, rozbudowane możliwości cyberbezpieczeństwa i praca nad wieloetapowymi zadaniami pokazują, że Google projektuje go przede wszystkim jako model do długiej, profesjonalnej pracy.

Równie interesujące są realne zastosowania wewnątrz firmy. Optymalizacja setek TiB pamięci, przenoszenie dużych fragmentów kodu do Rusta czy pomoc w projektach kwantowych to zupełnie inna klasa zadań niż typowy chatbot odpowiadający na pytania. Trzeba jednak pamiętać, że wszystkie te przykłady zostały przedstawione przez Google i wymagają niezależnej weryfikacji po szerszej premierze modelu.

Cena zaczynająca się od 2 dolarów za milion tokenów wejścia może dodatkowo sprawić, że Argon stanie się ciekawą propozycją dla firm i deweloperów. Największą niewiadomą pozostaje dziś dostępność. Model nadal znajduje się w ograniczonym wdrożeniu i korzysta z niego przede wszystkim wybrana grupa ekspertów cyberbezpieczeństwa.

Jeśli wyniki Google potwierdzą się w niezależnych testach, najważniejszą cechą Argona może nie być sam milion tokenów wyjścia, ale zdolność do utrzymania jakości podczas pracy nad zadaniami, które wcześniej wymagały wielu osobnych sesji, narzędzi i ciągłej kontroli człowieka.

Źródła: Google, Google DeepMind. Opracowanie własne.

Dziękujemy za przeczytanie artykułu na Techoteka.pl.
Codziennie publikujemy najważniejsze informacje z Polski i ze świata dotyczące technologii, sztucznej inteligencji, nowych rozwiązań cyfrowych oraz trendów technologicznych, które kształtują przyszłość.
Obserwuj nas na Facebooku, aby być na bieżąco z najważniejszymi wydarzeniami ze świata technologii.