Wat is AlphaEvolve? Een interpretatie van de evolutie van algoritmen tot Gemini 4

TLDR

Gemini 4 en AlphaEvolve zijn afzonderlijke technologieën. Google heeft bevestigd dat Gemini 4 in pretraining is, maar heeft zijn modelkaart, benchmarks, prijsstelling of API-details niet gepubliceerd.

AlphaEvolve is al beschikbaar op Google Cloud. Het gebruikt Gemini-modellen om kandidaatprogramma’s te genereren, evalueert die via geautomatiseerde tests en zoekt iteratief naar betere algoritmen. Google heeft niet bevestigd dat Gemini 4 AlphaEvolve aandrijft of dat AlphaEvolve heeft geholpen bij het trainen van Gemini 4.

Belangrijkste punten

• AlphaEvolve verandert codegeneratie in een herhaalbaar zoekproces op basis van uitvoering en meetbare feedback. Gepubliceerde toepassingen omvatten Google-infrastructuur, wiskunde, genomica, kwantumcomputing, logistiek en machine learning.
• Gemini 4 zou de generatie van kandidaten kunnen verbeteren als het betere code-redenering en toolgebruik levert, maar deze link is nog niet bevestigd.
• AlphaEvolve heeft een werkend seed-programma, een betrouwbare evaluator en een geïsoleerde uitvoeringsomgeving nodig.
• Dit is begrensde algoritme-optimalisatie, geen autonome recursieve zelfverbetering.

Gemini 4 + AlphaEvolve: waarom ze in samenhang beschouwen?

Gemini 4 en AlphaEvolve in dezelfde discussie plaatsen kan de indruk wekken dat Google al een systeem heeft gebouwd dat in staat is zijn eigen opvolger te ontwerpen. Het beschikbare bewijs ondersteunt die conclusie niet.

Google heeft relatief weinig over Gemini 4 onthuld. Het bedrijf heeft bevestigd dat de pretraining aan de gang is en deze beschreven als de meest ambitieuze pretrainingsrun tot nu toe. Het heeft niet de technische documentatie vrijgegeven die nodig is om het uiteindelijke model te evalueren.

AlphaEvolve is verder gevorderd. Google DeepMind introduceerde AlphaEvolve in mei 2025, en Google Cloud maakte het algemeen beschikbaar in juli 2026. Het heeft nu openbare ontwikkelaarsdocumentatie, een API-werkstroom en gedocumenteerde toepassingen.

Gemini 4 + AlphaEvolve moet daarom beter worden begrepen als een mogelijke technische richting dan als een bevestigd productpakket. Gemini 4 staat voor de voortdurende ontwikkeling van general-purpose modelcapaciteiten. AlphaEvolve laat zien hoe door modellen gegenereerde programma’s kunnen worden getest binnen een meetbaar algoritmisch onderzoeksproces.

Waar Gemini 4 voor staat

Gemini begon als een multimodale modellenfamilie voor tekst, afbeeldingen, audio, video en code. De rol is sindsdien uitgebreid naar zoeken, coderingsomgevingen, productiviteitssoftware, browsers en clouddiensten.

De relevante vraag voor Gemini 4 is niet langer beperkt tot responskwaliteit. Het is of het model betrouwbaar kan blijven bij lange taken, grote codebases, toolaanroepen en herhaalde feedback.

Google heeft de Gemini 4-pretrainingsrun bevestigd, maar heeft het aantal parameters, het contextvenster, benchmarks, prijsstelling of de publieke API-specificatie van het model niet gepubliceerd. Claims over die details moeten als onbevestigd worden beschouwd totdat Google officiële documentatie vrijgeeft.

Wat AlphaEvolve is

Een gewone code-assistent produceert code voor een verzoek. AlphaEvolve zoekt door veel werkende implementaties om er een te vinden die beter presteert volgens meetbare criteria.

Gemini-modellen stellen kandidaatprogramma’s voor. Een evaluator test correctheid en prestaties. Een evolutionair systeem bepaalt welke kandidaten de volgende ronde beïnvloeden.

Dit maakt AlphaEvolve geschikt voor algoritmeontdekking, wiskundige zoektochten en combinatorische optimalisatie. Het is niet ontworpen voor routinematige applicatieontwikkeling, linting of code-stijlopschoning.

Hun gemeenschappelijke basis: AI treedt de Explore-Verify-Optimize gesloten lus binnen

Een taalmodel stopt normaal nadat het een antwoord heeft geproduceerd. AlphaEvolve voegt externe feedback toe door het gegenereerde programma te compileren, uit te voeren en te scoren.

Het proces herhaalt drie activiteiten:

1. Nieuwe algoritmen en programmastructuren verkennen.
2. Kandidaten verifiëren via uitvoering en objectieve tests.
3. Latere kandidaten optimaliseren met behulp van gemeten resultaten.

Gemini levert redenering en kandidaatgeneratie. AlphaEvolve organiseert die capaciteiten in een experiment dat kan doorgaan over honderden of duizenden programma’s.

Van LLM naar AI-wetenschapper: waar vindt de verschuiving precies plaats?

AlphaEvolve kiest niet zijn eigen onderzoeksagenda en beslist niet welke doelen moeten worden nagestreefd. De verschuiving ligt in de positie van het model binnen het onderzoeksproces.

In plaats van alleen een probleem uit te leggen of geïsoleerde code te schrijven, neemt het model deel aan het voorstellen, testen en herzien van oplossingen. Onderzoekers definiëren nog steeds de taak, bouwen de evaluator, interpreteren de resultaten en bepalen wat in productie of een wetenschappelijke publicatie komt.

In de wiskunde vervangt computationeel bewijs geen bewijsvoering. In chipontwerp moet een ongebruikelijk circuit nog steeds formele verificatie doorstaan. In productie­software heeft een snellere implementatie nog steeds een beveiligings- en onderhoudsreview nodig.

De overgang van LLM naar AI-wetenschapper is daarom geen overdracht van wetenschappelijke autoriteit. Het is de verplaatsing van modellen naar de experimentele lus.

Wat we momenteel wel en niet weten over Gemini 4

Er is één recent signaal om in de gaten te houden. Op 17 september 2026 plaatste een Gemini-gebruiker een side-by-side Arena-vergelijking en suggereerde dat verzoeken met het label Gemini 3.8 Flash werden gerouteerd naar een nieuw Gemini Pro-model, in de post beschreven als Gemini 4 Pro.

Bron: @TimJayas op X

Voor AlphaEvolve is de mogelijke verbinding direct. Betere code­redenering, planning en toolgebruik kunnen de kwaliteit van kandidaatprogramma’s verbeteren. Google heeft niet bevestigd dat de huidige AlphaEvolve-service Gemini 4 gebruikt.

Wat we bevestigd weten

Google heeft bevestigd dat de pretraining van Gemini 4 is gestart. Details over Pro-checkpoints en Arena-routing komen uit communityrapporten, niet uit officiële modeldocumentatie.

Wat we moeten weten

Verscheidene details blijven ongedocumenteerd of onbevestigd. AlphaEvolve’s gepubliceerde trainingoptimalisaties moeten ook worden onderscheiden van claims over betrokkenheid bij Gemini 4.

DeepMinds AlphaEvolve-aankondiging documenteert verbeteringen aan berekeningen die in Gemini-training worden gebruikt. Dat ondersteunt een beperktere, gevestigde claim over trainingsefficiëntie, niet een bevestigde link met Gemini 4.

Hoe AlphaEvolve werkt: algoritmische evolutie en principes

AlphaEvolve combineert programmageneneratie met evolutionair zoeken en geautomatiseerde evaluatie. Een werkend programma komt het systeem binnen, Gemini stelt wijzigingen voor, en een evaluator meet elke kandidaat. Beter presterende programma’s worden materiaal voor latere rondes.

Evolutionair zoeken

AlphaEvolve onderhoudt een database met kandidaatprogramma’s en hun scores. Geselecteerde programma’s worden opgenomen in latere prompts zodat Gemini ze kan wijzigen of combineren. Nieuwe kandidaten komen in de database wanneer ze prestaties toevoegen of nuttige diversiteit meebrengen.

Het systeem bewaart niet slechts één winnaar. Het aanhouden van meerdere programmalijnen verkleint het risico om te vroeg te convergeren naar een lokaal optimum. Het kan ook verschillende metriek balanceren, waaronder snelheid, geheugengebruik, nauwkeurigheid en stabiliteit.

Seed-programma’s

Een seed-programma is de werkende basislijn die aan AlphaEvolve wordt geleverd. Het heeft duidelijke input en output, herhaalbare uitvoering, slagen voor tests en een meetbare score nodig.

Ontwikkelaars specificeren ook welke code AlphaEvolve mag wijzigen, zodat interfaces, beveiligingscontroles en vastgelegd gedrag beschermd blijven.

Volgens het AlphaEvolve-ontwikkelaarsoverzicht moet de startcode al functioneel correct zijn. AlphaEvolve is niet bedoeld om van een onvolledig verzoek in natuurlijke taal een volledige applicatie te maken.

Evaluator

De evaluator compileert, voert uit, test en scoort elke kandidaat. Afhankelijk van de taak kan hij correctheid, latentie, geheugengebruik, numerieke fout, oplossingskwaliteit of zakelijke randvoorwaarden meten.

Het ontwerp bepaalt wat het zoekproces daadwerkelijk optimaliseert. Een pure snelheids­evaluator kan onnauwkeurige code belonen, terwijl een onvolledige testset mazen kan openlaten. Betrouwbare projecten gebruiken daarom meerdere tests en metriek in plaats van één handige benchmark.

Generatie van kandidaatprogramma’s

Gemini-modellen genereren kandidaten op basis van de seed-code, probleembeschrijving, beperkingen, eerdere programma’s, scores en foutmeldingen. Wijzigingen kunnen lokaal zijn of meerdere verbonden componenten bestrijken.

Google’s oorspronkelijke beschrijving van AlphaEvolve gebruikte snellere Gemini-modellen om de verkenning te verbreden en capabelere modellen om diepgaandere revisies voor te stellen. Google heeft niet bevestigd welke exacte Gemini-versies de huidige service aandrijven.

Uitvoering en filtering

Kandidaten doorlopen eerst parse-, compileer- en correctheidscontroles. Geldige programma’s gaan door naar prestatie-evaluatie. Hoog scorende resultaten kunnen latere rondes zaaien, terwijl mislukkingen signalen geven over welke benaderingen te vermijden.

Google Cloud maakt het mogelijk om de evaluator in de eigen omgeving van de klant te laten draaien. Dit ondersteunt propriëtaire code, private data, gespecialiseerde hardware en high-performance computing-systemen.

Een hoog scorend programma moet nog steeds code-review, beveiligingstests, gefaseerde uitrol en rollbackplanning ondergaan.

AlphaEvolve vs. gewone codegeneratie

Gewone codegeneratie helpt ontwikkeltaken af te ronden. AlphaEvolve zoekt naar een betere implementatie onder vele geldige mogelijkheden.

Een code-assistent kan beginnen met een geschreven verzoek en een paar outputs produceren voor menselijke review. AlphaEvolve start meestal vanuit werkende code en vertrouwt op een evaluator om veel kandidaten te verwerken.

De twee benaderingen kunnen worden gecombineerd. Een code-assistent kan helpen de basislijn te bouwen, terwijl AlphaEvolve geselecteerde componenten optimaliseert nadat tests en benchmarks aanwezig zijn.

Welke publieke resultaten heeft AlphaEvolve al opgeleverd?

Google’s gepubliceerde voorbeelden bestrijken infrastructuur, wetenschap en commerciële implementaties. De onderstaande cijfers komen voornamelijk van Google DeepMind, Google Cloud en betrokken organisaties.

Elk project gebruikte verschillende hardware, datasets, basislijnen en zoekbudgetten. De percentages moeten niet worden behandeld als direct vergelijkbare benchmarkresultaten.

Google Compute-infrastructuur

AlphaEvolve ontdekte een Borg-planningsheuristiek die volgens Google gemiddeld ongeveer 0.7% van zijn wereldwijde compute-resources terugwint.

Het versnelde ook een matrixvermenigvuldigingskernel die in Gemini wordt gebruikt met 23%, wat de totale trainingstijd met ongeveer 1% reduceerde. Andere gerapporteerde resultaten omvatten:

• Tot 32.5% snelheidswinst voor een FlashAttention-implementatie
• Een circuit dat is opgenomen in een latere TPU-ontwerp
• Een 20% vermindering van write-amplificatie in Google Spanner
• Compilerideeën die softwareopslagfootprints met bijna 9% reduceerden

Deze voorbeelden laten zien dat AlphaEvolve verder gaat dan applicatiecode naar planning, opslag, compilers, GPU-kernels en chipontwerp.

Wiskunde en wetenschappelijk onderzoek

Voor 4 × 4 complexe matrices vond AlphaEvolve een algoritme met 48 scalair vermenigvuldigingen.

Over experimenten met meer dan 50 wiskundige problemen meldde Google dat AlphaEvolve in ongeveer 75% van de gevallen de state-of-the-art resultaten herontdekte en in ongeveer 20% het beste bekende resultaat verbeterde.

Google’s AlphaEvolve-impactrapport 2026 beschrijft ook:

• Een 30% reductie in variant-detectiefouten voor DeepConsensus
• Een toename van het aandeel haalbare oplossingen voor een AC Optimal Power Flow-model van 14% naar meer dan 88%
• Een 5% verbetering in geaggregeerde nauwkeurigheid van natuurramenschatting
• Kwantumcircuits met tien keer lagere fout dan conventioneel geoptimaliseerde basislijnen

AlphaEvolve heeft ook bijgedragen met computationele resultaten voor Erdős-problemen, het probleem van de handelsreiziger, Ramsey-getallen en het 11-dimensionale kissing-number-probleem.

Deze resultaten kunnen wetenschappelijk onderzoek ondersteunen, maar computationele vondsten vereisen nog steeds domeinreview en, waar van toepassing, wiskundig bewijs.

Enterprise-toepassingen

Commerciële implementaties passen dezelfde methode toe op volwassen systemen:

• Klarna meldde een verdubbelde trainingsthroughput terwijl de modelkwaliteit verbeterde na het verkennen van bijna 6.000 kandidaatprogramma’s.
• FM Logistic verbeterde magazijnroutering met 10.4%, wat de jaarlijkse loopafstand van personeel met meer dan 15.000 kilometer verminderde.
• JetBrains rapporteerde winst van circa 15% tot 20% voor geselecteerde IDE-algoritmen.
• Kinaxis verbeterde belangrijke forecast-metrieken met meer dan 22% en reduceerde de benchmark-runtime met meer dan 90%.
• Schrödinger behaalde een ongeveer viervoudige versnelling in training en inferentie van machine-geleerde krachtvelden.
• WPP rapporteerde nauwkeurigheidswinsten van ruwweg 5% tot 10% over advertentie-use-cases.

AlphaEvolve bouwde deze systemen niet vanaf nul. Elke organisatie leverde werkende software, domeinexpertise en een meetbaar evaluatieproces.

Hoe Gemini 4 en AlphaEvolve kunnen samenwerken

Google heeft niet bevestigd dat Gemini 4 AlphaEvolve aandrijft of dat AlphaEvolve direct aan Gemini 4 heeft bijgedragen. De onderstaande workflow is een projectie op basis van het gepubliceerde ontwerp van AlphaEvolve, geen aangekondigde Google-integratie.

Stap 1: Gemini begrijpt het probleem en genereert kandidaatoplossingen

Gemini kan seed-code, taakbeperkingen, testresultaten en eerdere kandidaten analyseren voordat het wijzigingen voorstelt aan algoritmen, datastructuren, geheugen­toegang of modelcomponenten.

Als Gemini 4 de begrip van codebases en langdurig toolgebruik verbetert, kan het de kwaliteit van AlphaEvolve-kandidaten verhogen. Voorgestelde wijzigingen vereisen nog steeds externe tests.

Stap 2: AlphaEvolve verzorgt exploratie en iteratie

AlphaEvolve beheert welke historische programma’s nieuwe kandidaten beïnvloeden en hoeveel diversiteit in de zoekruimte blijft. Het balanceert voortdurende verkenning met dieper werk aan veelbelovende takken.

Betere modelredenering kan individuele voorstellen verbeteren, maar het evolutionaire proces blijft noodzakelijk omdat plausibele code niet altijd sneller of correct is.

Stap 3: Geautomatiseerde evaluatoren filteren effectieve oplossingen

De evaluator levert bewijs uit echte uitvoering. Voor modelontwikkeltaken kan hij meten:

• Trainingsthroughput
• Inferentielatentie
• Geheugengebruik
• Modelkwaliteit
• Stabiliteit
• Hardwarebenutting
• Reproduceerbaarheid

Dure taken kunnen meerdere evaluatiestadia gebruiken. Goedkope tests verwijderen eerst ongeldige kandidaten, terwijl sterkere kandidaten doorgaan naar langere runs of grotere benchmark­suites.

Stap 4: Succesvolle oplossingen keren terug naar het model voor verdere optimalisatie

Hoog presterende programma’s keren terug in latere prompts, samen met hun scores en mutatiegeschiedenis.

De lus wordt:

Generate → Execute → Evaluate → Select → Generate Again

Dit is continue optimalisatie binnen door mensen gedefinieerde grenzen. Of Google dit zal gebruiken om Gemini-architecturen, trainingsmethoden of datapijplijnen te ontwerpen, blijft een open vraag.

Toepassingsscenario’s en beperkingen van AlphaEvolve

AlphaEvolve werkt het beste wanneer de taak in code kan worden uitgedrukt, kandidaten automatisch kunnen worden uitgevoerd en resultaten betrouwbaar kunnen worden gemeten.

Geschikte taken

Goede kandidaten omvatten:

• GPU-kernels en numerieke algoritmen
• Compilerstrategieën en cachebeleid
• Clusterscheduling en database-heuristieken
• Logistiek en routeplanning
• Chipontwerp en optimalisatie van elektriciteitsnetten
• Wiskundig zoeken
• Geselecteerde machine-learningcomponenten

Een geschikt project heeft meestal een werkende basislijn, een betrouwbare evaluator, kwantificeerbare doelstellingen, een grote zoekruimte, een geïsoleerde uitvoeringsomgeving en voldoende compute om veel kandidaten te testen.

Ongeschikte taken

AlphaEvolve past slecht bij projecten die alleen een verbale vereiste hebben en geen werkend programma.

Routinematige formatting, documentatie, gewone refactoring en subjectieve ontwerpbeslissingen leveren ook weinig waarde op voor evolutionair zoeken.

Bestaande exacte oplossers kunnen beter blijven voor standaard lineaire of convexe optimalisatie. Projecten die gegenereerde code niet veilig kunnen uitvoeren, moeten geen geautomatiseerde kandidatenlus gebruiken zonder eerst een beperkte omgeving te bouwen.

Beperkingen en te verwachten knelpunten

Evaluatiekosten zijn de eerste beperking. Een klein algoritme kan seconden duren om te testen, terwijl modeltraining of wetenschappelijke simulatie uren kan duren. Grote zoektochten kunnen duurder worden dan handmatige optimalisatie.

Doelontwerp is een andere beperking. Het systeem zal nastreven wat de evaluator meet, inclusief toevallige achterdeurtjes. Hardwareruis, random seeds en caching kunnen kleine winsten ook onbetrouwbaar maken.

Onderhoudbaarheid en veiligheid blijven menselijke verantwoordelijkheden. Automatisch ontdekte code kan moeilijk te begrijpen zijn of gebonden aan één hardwareplatform. Kandidaten moeten draaien met beperkte netwerk-, opslag-, tijd- en compute-toegang.

Wat betekenen Gemini 4 en AlphaEvolve voor gewone ontwikkelaars?

De meeste ontwikkelaars zullen AlphaEvolve niet voor elke feature gebruiken. Websites, mobiele apps, API’s en interne tools blijven beter geschikt voor reguliere code-assistenten en gevestigde testworkflows.

De directe impact zal groter zijn in performance engineering, algoritmeontwerp en machine learning. Ontwikkelaars besteden mogelijk minder tijd aan handmatig testen van één optimalisatie per keer en meer tijd aan het bouwen van omgevingen die vele alternatieven kunnen evalueren.

Relevante vaardigheden omvatten:

• Schrijven van reproduceerbare benchmarks
• Ontwerpen van evaluatoren voor correctheid en prestaties
• Definiëren van veilige codegrenzen
• Bijhouden van experimenteerhistorie
• Review van gegenereerde code op beveiliging en onderhoudbaarheid
• Plannen van gefaseerde uitrol en rollback

Programmeerkennis blijft noodzakelijk. Engineers moeten nog steeds benchmark-exploitatie, ongedefinieerd gedrag, numerieke instabiliteit en hardwarespecifieke aannames detecteren.

Waarop moeten CometAPI-lezers letten?

Voor CometAPI-gebruikers is modeltoegang slechts één laag van een AlphaEvolve-achtige opzet. De rest van de stack omvat code-uitvoering, evaluatie, experimenttracking, beveiligingscontroles en kostenbeheer.

Teams moeten vastleggen:

• De exacte modelversie en generatie-instellingen
• Prompts en kandidaatprogramma’s
• Versies van evaluator en testdata
• Uitvoeringsomgevingen
• Scores en faalredenen
• Model- en computekosten

Gegenereerde code moet draaien in geïsoleerde containers zonder productie­referenties. Netwerktoegang, bestands­toegang, uitvoeringstijd en compute-gebruik moeten worden beperkt.

Wanneer Gemini 4 een publieke API krijgt, moeten ontwikkelaars de officiële model-ID, prijsstelling, limieten en beschikbaarheid in CometAPI verifiëren. Productiecode mag niet vertrouwen op namen of specificaties uit onbevestigde rapporten.

Toekomstige observatiemetriek voor Gemini 4 en AlphaEvolve

Verscheidene onthullingen zouden verduidelijken of Gemini 4 en AlphaEvolve een echte gecombineerde workflow worden:

• Een officiële Gemini 4-modelkaart en API-specificatie
• Bevestiging welke Gemini-modellen AlphaEvolve aandrijven
• Bewijs dat AlphaEvolve heeft bijgedragen aan een geleverd Gemini-component
• Publieke details over aantallen kandidaten, zoekbudgetten en mislukte runs
• Onafhankelijke reproductie buiten Google en zijn partners
• Kostenvergelijkingen die modelaanroepen, uitvoering, review en onderhoud bestrijken

Het duidelijkste bewijs zou een gedocumenteerde verbetering zijn die door een Gemini-model is voorgesteld, gevalideerd via AlphaEvolve, en opgenomen in een latere Gemini-release.

Tot die tijd is zelfverbetering accurater beschreven als begrensde engineeringautomatisering.

FAQ

Is Gemini 4 uitgebracht?

Niet officieel. Per 17 september 2026 lijkt Gemini 4.0 stilletjes te zijn opgedoken op Arena. Een communityrapport suggereert dat verzoeken met het label Gemini 3.8 Flash mogelijk worden gerouteerd naar een nieuw Gemini Pro-model binnen Arena.

Dit moet worden gezien als een mogelijke pre-release test, niet als een officiële Gemini 4-lancering.

Wat is AlphaEvolve?

AlphaEvolve is een agent voor algoritmeontdekking en codeoptimalisatie, ontwikkeld door Google DeepMind. Gemini-modellen genereren kandidaatprogramma’s, evaluatoren voeren ze uit en scoren ze, en evolutionair zoeken gebruikt de resultaten om latere kandidaten te sturen.

Is AlphaEvolve algemeen beschikbaar?

Google Cloud kondigde algemene beschikbaarheid aan in juli 2026. Toegangsvoorwaarden, regio’s, quota’s en prijsstelling moeten in de actuele Google Cloud-documentatie worden gecontroleerd.

Gebruikt AlphaEvolve Gemini 4?

Google heeft niet publiekelijk bevestigd dat AlphaEvolve Gemini 4 gebruikt. Het oorspronkelijke systeem gebruikte modellen uit de Gemini-familie, maar dat identificeert niet de modellen achter de huidige service.

Hoe verschilt AlphaEvolve van een code-assistent?

Een code-assistent genereert of wijzigt code als reactie op een verzoek. AlphaEvolve start vanuit een werkend programma en voert herhaalde experimenten uit om implementaties te vinden met betere meetbare prestaties.

Welke typen code kan AlphaEvolve optimaliseren?

Gepubliceerde toepassingen omvatten GPU-kernels, CPU-algoritmen, compilerstrategieën, cachebeleid, planningssystemen, database-heuristieken, routeringsalgoritmen, modelcomponenten, numerieke methoden en hardwarecircuits.

Kunnen gewone ontwikkelaars AlphaEvolve gebruiken?

Ontwikkelaars kunnen toegang verkennen via Google Cloud, afhankelijk van het huidige account en de beschikbaarheid. Het systeem is het nuttigst voor projecten met een werkende basislijn, een betrouwbare evaluator en genoeg compute voor herhaalde tests.

Is Gemini 4 toegankelijk via CometAPI?

Dat moet worden geverifieerd nadat Gemini 4 een officiële API-release krijgt en verschijnt in de documentatie over ondersteunde modellen van CometAPI. Ontwikkelaars moeten geen model-ID, prijs of releasedatum aannemen op basis van berichtgeving door derden.