دیدگاه‌ها درباره Gemini 4 Argon متفاوت است
پس از آنکه Gemini 4 Argon در ۳۰ سپتامبر معرفی شد، اکنون این مدل به‌طور گسترده در دسترس قرار گرفته است. مدل جدید باعث شده گوگل دوباره در بحث مربوط به بهترین مدل‌های هوش مصنوعی جهان حضور پررنگی داشته باشد. برخلاف پایان سال گذشته، فضای رقابت اکنون پیچیده‌تر شده و درباره این رقیب تازه برای Anthropic و OpenAI دیدگاه‌های متفاوتی وجود دارد.
Argon نخستین مدل Gemini پس از 3.1 Pro است که نسخه کم‌مصرف «Flash» برای آن عرضه نشده است. دسترسی اولیه به این مدل تنها برای شرکت‌کنندگان در برنامه امنیت‌محور Fairwind گوگل محدود بود. اکنون هر کاربری که از Gemini API، اپلیکیشن Gemini، حالت هوش مصنوعی در نتایج جست‌وجو یا Antigravity برای توسعه‌دهندگان استفاده می‌کند، می‌تواند از Argon بهره ببرد. قیمت API این مدل تا اول دسامبر به‌طور موقت ۵۰ درصد کاهش یافته و به ۲ دلار برای هر یک میلیون توکن ورودی و ۱۰ دلار برای هر یک میلیون توکن خروجی رسیده است.
بر اساس تجربه‌های اولیه، به نظر می‌رسد گوگل دوباره وارد رقابت هوش مصنوعی شده است. Argon نویسنده‌ای قدرتمند به شمار می‌رود، اما سبک برنامه‌نویسی آن با واکنش‌های متفاوتی روبه‌رو شده و ارائه پاسخ‌هایش نیز کمی کند است.
در صدر برخی رتبه‌بندی‌ها
شاخص Vals که یکی از بنچمارک‌های پرتکرار هوش مصنوعی است، Gemini 4 Argon را در جایگاه نخست قرار داده است. نکته جالب این است که Argon این رتبه را نه از Opus 5.5، بلکه از مدل کوچک‌تر Sonnet 5.5 گرفته است. Argon همچنین در آزمون کور Text Arena در LMArena رتبه اول را به دست آورده است. شاخص Artificial Analysis که در ماه‌های اخیر تطبیق آن با کیفیت واقعی ادراک‌شده مدل‌های هوش مصنوعی دشوارتر شده، به Argon همان امتیاز GPT-6 Astra یعنی ۵۳ را داده است. این امتیاز کمی پایین‌تر از Opus 5.5 شرکت Anthropic با امتیاز ۵۸ و Sonnet 5.5 با امتیاز ۵۶ قرار دارد.
Artificial Analysis همچنین نرخ توهم‌زایی Argon را ۱۵ درصد اندازه‌گیری کرده که پایین‌ترین میزان میان مدل‌هایی با امتیاز ۴۵ یا بالاتر در این شاخص است. با این حال، یک نکته مهم وجود دارد: Argon تنها به ۵۰ درصد از پرسش‌های دشوار واقعی پاسخ درست می‌دهد، در حالی که این رقم برای Astra برابر با ۶۳ درصد است. این مدل بیشتر مواقع از پاسخ دادن خودداری می‌کند. از سوی دیگر، برخی کاربران در شبکه اجتماعی X گزارش داده‌اند که Argon گاهی اطلاعات بسیار نادر و کم‌کاربرد را پیدا می‌کند؛ موضوعی که احتمالاً نتیجه پایگاه داده گسترده گوگل بر پایه نمایه‌سازی جست‌وجوی اینترنت عمومی است.
آزمایش‌کنندگان تجاری، پیشرفت قابل توجهی را نسبت به Gemini 3.1 Pro، مدل پرچمدار قبلی، مشاهده کرده‌اند. این موضوع با توجه به فاصله طولانی تا عرضه جانشین آن قابل انتظار بود. به گفته آرون لِوی، مدیرعامل Box، Argon در ارزیابی این شرکت برای کارهای پیچیده ۱۴ درصد امتیاز بالاتری کسب کرده است. گوگل همچنین به‌طور مشخص این مدل را برای نویسندگی خلاق آموزش داده است. Argon در دسته نویسندگی خلاق LMArena نیز رتبه نخست را دارد. کاربران گزارش داده‌اند که برخلاف بسیاری از مدل‌های دارای وزن باز، Argon الگوهای گفتاری شبیه Claude یا ChatGPT را نشان نمی‌دهد؛ الگویی که اغلب نشانه یک مدل با سبک پاسخ‌گویی تقلیدی است.
اختلاف نظر درباره برنامه‌نویسی
در حوزه برنامه‌نویسی، بیشترین اختلاف نظر درباره Argon دیده می‌شود. حتی در مقایسه رسمی خود گوگل، Argon در دو مورد از چهار آزمون برنامه‌نویسی عاملی (DeepSWE v1.1 و Vibe Code Bench) پیروز شده، اما در FrontierSWE v2 و Terminal-Bench 4.0 در رتبه آخر قرار گرفته است. معمولاً گزارش‌های داخلی شرکت‌ها خوش‌بینانه‌ترین تصویر را از توانایی مدل‌های خود ارائه می‌کنند و در دنیای واقعی، عملکرد یک مدل هوش مصنوعی به‌ندرت از آن فراتر می‌رود.
اندازه‌گیری‌های مستقل نیز بلافاصله همین الگو را نشان می‌دهند. شاخص Vals که پیش‌تر ذکر شد، Argon را در Vibe Code Bench و Code Migration در رتبه دوم قرار داده و در هر دو مورد Sonnet 5.5 اندکی بهتر عمل کرده است. جدول گوگل Argon را برنده Vibe Code Bench معرفی کرده بود، اما Sonnet 5.5 در آن آزمون آزمایش نشده بود. در رتبه‌بندی WebDev در LMArena، این مدل جایگاه نهم را کسب کرده و در رتبه‌بندی عامل‌های Arena در جایگاه پنجم قرار گرفته است. امتیاز CursorBench نیز ۵۲.۸ درصد بوده که قابل مقایسه با Opus 5.5 است.
بلومبرگ گزارش داد که در روز معرفی Argon، برخی کارکنان گوگل معتقد بودند این مدل در وظایف واقعی برنامه‌نویسی و طراحی رابط کاربری عملکرد ضعیف‌تری از آنچه بنچمارک‌ها نشان می‌دهند دارد. منتقدان این وضعیت را «benchmaxxing» نامیدند؛ یعنی آموزش هدفمند برای موفقیت در آزمون‌ها. این اتهام پیش‌تر نیز درباره مدل‌هایی مانند Llama 4 که استقبال ضعیفی داشتند مطرح شده بود. گوگل این توصیف را نادرست می‌داند و به داده‌های داخلی خود اشاره می‌کند که نشان می‌دهد درخواست‌های تغییر کد مبتنی بر عامل ۳۵ درصد افزایش یافته و تعداد بازگشت تغییرات نیز تقریباً یک‌سوم کاهش پیدا کرده است.
بازگشت به رقابت
برای گوگل، خود عرضه Argon نشانه‌ای از بهبود وضعیت است. ساندار پیچای در ماه مه و در رویداد Google I/O از Gemini 3.5 Pro رونمایی کرد، اما این مدل در ماه ژوئن عرضه نشد. طبق گزارش SemiAnalysis، گوگل در ماه اوت به‌صورت بی‌سروصدا توسعه آن را متوقف کرد. گوگل این موضوع را تأیید نکرده است. مقایسه با مدل‌های Fable و سپس Astra احتمالاً به سرنوشت این مدل پایان داد.
مزیت بزرگ فعلی گوگل این است که آزمایشگاه‌های هوش مصنوعی به‌طور آشکار متعهد شده‌اند مدل‌های خود را با سرعت کمتری توسعه دهند. بنابراین فاصله‌ای که گوگل اکنون ظاهراً تا حد زیادی جبران کرده، احتمالاً در آینده نزدیک دوباره ایجاد نخواهد شد. با این حال، مدل‌های زبانی داخلی Anthropic و OpenAI همچنان احتمالاً بسیار توانمندتر از چیزی هستند که کاربران خارج از این شرکت‌ها تجربه می‌کنند.
برای نمونه، Astra 6.1 شرکت OpenAI آماده عرضه است، اما به دلیل نگرانی درباره رفتارهای فریبکارانه و خطرناکی که در ارزیابی‌ها از خود نشان داده، هنوز منتشر نشده است. یک مدل هوش مصنوعی بسیار قدرتمند که درباره اقدامات خود دروغ می‌گوید، پس از مجموعه‌ای از رخدادهای امنیتی پی‌درپی مرتبط با «فرار» گروه‌های عامل هوش مصنوعی، قطعاً چیزی نیست که OpenAI به آن نیاز دارد.