Specyfikacja techniczna Gemini 4 Argon
| Specyfikacja | Gemini 4 Argon |
|---|---|
| Dostawca | Google DeepMind |
| Rodzina modeli | Gemini 4 |
| Identyfikator modelu | gemini-4-argon |
| Typ modelu | Czołowy multimodalny model rozumowania |
| Główny obszar | Złożone przepływy pracy, kodowanie agentowe, praca z wiedzą w przedsiębiorstwach, cyberbezpieczeństwo |
| Zdolności multimodalne | Google opisuje rozumienie multimodalne; publiczna strona modelu nie udostępnia jeszcze kompletnego schematu modalności API |
| Maksymalne wyjście | Do 1,000,000 tokenów, zgodnie z bieżącymi listingami API stron trzecich; nie należy tego mylić z oknem kontekstu wejściowego |
| Okno kontekstu wejściowego | Nie zostało jasno opublikowane przez Google na obecnej publicznej stronie modelu |
| Dostępność publicznego API | Ograniczony/dostęp przedpremierowy; Google nie ogłosiło ogólnej daty publicznego wydania |
Czym jest Gemini 4 Argon?
Gemini 4 Argon to flagowy model stanowiący podstawę generacji Gemini 4 od Google. Google opisuje go jako zaprojektowany do osiągania czołowych wyników na złożonych obciążeniach, w tym w inżynierii oprogramowania, pracy z wiedzą w przedsiębiorstwach i obronie w obszarze cyberbezpieczeństwa. Opublikowany zestaw ewaluacji obejmuje pracę z wiedzą, kodowanie agentowe, naukę i matematykę, korzystanie z komputera, rozumienie multimodalne, zadania w długim kontekście oraz cyberbezpieczeństwo.
Pozycjonowanie Argona jest wyraźnie zorientowane na przepływy pracy, a nie ograniczone do konwersacyjnego odpowiadania na pytania. Google podkreśla zdolność do podtrzymywania długich, wieloetapowych zadań oraz działania w ramach złożonych przepływów pracy w inżynierii oprogramowania i przedsiębiorstwach.
Główne cechy Gemini 4 Argon
- Rozumowanie w złożonych przepływach pracy: Zaprojektowany do długich, wieloetapowych zadań wymagających podtrzymywanego rozumowania, a nie jednej krótkiej odpowiedzi.
- Kodowanie agentowe: Google raportuje wysokie wyniki w testach DeepSWE v1.1, Vibe Code Bench i innych ewaluacjach kodowania.
- Praca z wiedzą w przedsiębiorstwach: Opublikowane ewaluacje obejmują zadania finansowe i prawnicze z użyciem agentów oraz kompleksową automatyzację procesów biznesowych.
- Rozumienie multimodalne: Google podaje wysokie wyniki w Chartography i LVBench, obejmujące rozumienie multimodalne i długich materiałów wideo.
- Wydajność w długim kontekście: Zgłaszane są wyniki GraphWalks zarówno dla zakresu do 128K, jak i od 256K do 1M tokenów.
- Obrona w cyberbezpieczeństwie: Google pozycjonuje Argon do zadań defensywnych i publikuje wyniki CWE-bench v1 w zakresie remediacji podatności.
Wyniki benchmarków Gemini 4 Argon
Google DeepMind podaje następujące wyniki na bieżącej stronie ewaluacyjnej Gemini 4 Argon. Są to wyniki opublikowane przez dostawcę i należy je porównywać wyłącznie w ramach wskazanej metodologii benchmarków. [1]
| Benchmark | Kategoria | Gemini 4 Argon | GPT-6 Astra | Claude Fable 5.1 | Claude Opus 5.5 |
|---|---|---|---|---|---|
| Vals Index | Praca z wiedzą | 68.9% | 63.1% | 65.8% | 67.0% |
| AutomationBench | Praca z wiedzą | 51.3% | 41.4% | 31.4% | 42.5% |
| Vals Finance Agent v2 | Praca z wiedzą | 65.4% | 53.5% | 58.9% | 58.6% |
| Harvey's Legal Agent Benchmark | Praca z wiedzą | 19.6% | 5.4% | 6.7% | 3.8% |
| DeepSWE v1.1 | Kodowanie agentowe | 77.9% | 74.1% | 67.4% | 74.2% |
| FrontierSWE v2 | Kodowanie agentowe | 55.0% | 65.5% | 56.3% | 62.3% |
| Vibe Code Bench | Kodowanie agentowe | 91.9% | 89.6% | 90.3% | 90.3% |
| Terminal-bench 4.0 | Kodowanie agentowe | 57.4% | 58.2% | 57.9% | 66.4% |
| Terminal-Bench Science 0.1 | Nauka i matematyka | 57.6% | 68.1% | 52.6% | 63.3% |
| LABBench | Nauka i matematyka | 88.8% | 85.4% | 68.6% | 73.1% |
| RiemannBench | Nauka i matematyka | 76.0% | 72.0% | 65.6% | 69.6% |
| GraphWalks, do 128K | Długi kontekst | 99.7% | 98.7% | 91.4% | 90.6% |
| GraphWalks, 256K–1M | Długi kontekst | 84.2% | 71.8% | 65.0% | 66.8% |
| Chartography | Rozumienie multimodalne | 71.6% | 71.0% | 46.2% | 66.3% |
| LVBench | Rozumienie multimodalne | 91.7% | 87.5% | 79.7% | 83.7% |
| CWE-bench v1 | Cyberbezpieczeństwo | 68.0% | 68.0% | 58.0% | 67.0% |
Wyniki pokazują, że wydajność Argona zależy od zadania: prowadzi w przytoczonym porównaniu w kilku ewaluacjach dotyczących pracy z wiedzą, kodowania, nauki, długiego kontekstu i rozumienia multimodalnego, podczas gdy inne modele osiągają wyższe wyniki w wybranych benchmarkach kodowania, naukowych lub dotyczących korzystania z komputera. Nie należy ich sprowadzać do pojedynczej, zbiorczej klasyfikacji.
Gemini 4 Argon vs GPT-6 Astra vs Claude Fable 5.1
| Obszar | Gemini 4 Argon | GPT-6 Astra | Claude Fable 5.1 |
|---|---|---|---|
| Praca z wiedzą | Silne, opublikowane wyniki w Vals, AutomationBench, finansach i ewaluacjach agentów prawnych | Silne w tym samym zestawie ewaluacji | Silne w kilku ewaluacjach pracy z wiedzą |
| Kodowanie agentowe | 77.9% w DeepSWE v1.1; 91.9% w Vibe Code Bench | 74.1% w DeepSWE v1.1; 89.6% w Vibe Code Bench | 67.4% w DeepSWE v1.1; 90.3% w Vibe Code Bench |
| Długi kontekst | 99.7% w GraphWalks do 128K; 84.2% od 256K do 1M | Odpowiednio 98.7% i 71.8% | Odpowiednio 91.4% i 65.0% |
| Rozumienie multimodalne | 71.6% w Chartography; 91.7% w LVBench | 71.0%; 87.5% | 46.2%; 79.7% |
| Cyberbezpieczeństwo | 68.0% w CWE-bench v1 | 68.0% | 58.0% |
To porównanie jest specyficzne dla benchmarków. Na przykład GPT-6 Astra osiąga wyższe wyniki niż Argon w FrontierSWE v2 i Terminal-Bench Science 0.1, podczas gdy Argon ma lepsze wyniki w DeepSWE v1.1, Vibe Code Bench, GraphWalks 256K–1M i LVBench.
Reprezentatywne przypadki użycia
- Inżynieria oprogramowania w skali repozytorium — długohoryzontowe kodowanie, refaktoryzacja, debugowanie i rozwój agentowy.
- Przepływy pracy z wiedzą w przedsiębiorstwach — badania prawnicze, analizy finansowe i automatyzacja procesów biznesowych.
- Obrona w cyberbezpieczeństwie — wykrywanie, weryfikacja i remediacja podatności w kontrolowanych środowiskach.
- Naukowe i matematyczne przepływy pracy — zadania odzwierciedlane przez LABBench, RiemannBench i ewaluacje zorientowane na naukę.
- Analiza długich materiałów wideo i multimodalna — obciążenia wymagające interpretacji informacji wizualnych i czasowych.
- Agenci z długim kontekstem — aplikacje, które muszą utrzymywać informacje w bardzo długich trajektoriach zadań.