مهر
اخبار
جمنای ۴ آرگون رسمی شد؛ همه‌چیز درباره‌ی پرچم‌دار جدید گوگل
گوگل مدل پرچم‌دار Gemini 4 Argon را به‌صورت عمومی عرضه کرد؛ مدلی با کانتکست حدود یک میلیون توکن، ورودی چندرسانه‌ای و قیمت مقدماتی ۲ و ۱۰ دلار که قرار است نبرد با GPT و Claude را وارد فاز تازه‌ای کند.
لیست مطالب
بخش اول: جمنای ۴ آرگون دقیقاً چیست؟
شرکت گوگل در روز ۱۳ اکتبر ۲۰۲۶ از مدل Gemini 4 Argon به‌عنوان جدیدترین مدل پرچم‌دار خود رونمایی عمومی کرد. این مدل برای کارهای چندمرحله‌ای و پیچیده ساخته شده است؛ کارهایی که در آن‌ها هوش مصنوعی باید چند قدم پشت سر هم فکر کند، ابزار صدا بزند، نتیجه را بررسی کند و دوباره تصمیم بگیرد. گوگل حوزه‌های هدف را مهندسی نرم‌افزار، مالی، حقوق، امنیت سایبری و علم اعلام کرده است.
اسم مدل در API به‌صورت gemini-4-argon ثبت شده و برای توسعه‌دهنده‌ها از طریق نسخه‌ی پولی Gemini API، پلتفرم Vertex AI و سرویس‌هایی مثل OpenRouter در دسترس است. اگر تازه با اکوسیستم هوش مصنوعی آشنا شده‌اید، پیشنهاد می‌کنیم ابتدا مقاله‌ی OpenAI چیست؟ را بخوانید تا تصویر کلی بازار مدل‌های زبانی برایتان روشن شود.
نکته‌ی جالب این است که طبق گزارش‌ها، گوگل برنامه‌ی انتشار Gemini 3.5 Pro را کنار گذاشت و مستقیم سراغ نسل چهارم رفت. این تصمیم نشان می‌دهد شرکت می‌خواهد با یک جهش بزرگ، فاصله‌اش را با رقبا کم کند، نه با یک به‌روزرسانی کوچک.
بخش دوم: مشخصات فنی؛ کانتکست، ورودی‌ها و سطح‌های تفکر
پنجره‌ی کانتکست Gemini 4 Argon حدود یک میلیون توکن (۱٬۰۴۸٬۵۷۶ توکن) است. این ظرفیت بین ورودی، توکن‌های تفکر و خروجی مشترک است. یعنی هرچه مدل بیشتر «فکر» کند، از همان ظرفیت مصرف می‌شود. برای کار با مخزن‌های بزرگ کد، قراردادهای طولانی یا مجموعه‌ای از گزارش‌های مالی، این عدد اهمیت زیادی دارد.
مدل ورودی‌های متنی، تصویری، ویدیویی، صوتی و PDF را می‌پذیرد، اما خروجی آن فعلاً فقط متن است. دانش مدل تا مارس ۲۰۲۶ به‌روز است و برای اطلاعات جدیدتر باید از ابزار جستجو یا کانتکست بیرونی کمک بگیرید.
سه سطح تفکر
در API سه سطح تفکر با نام‌های low، medium و high تعریف شده و medium حالت پیش‌فرض است. توسعه‌دهنده‌ها گزارش داده‌اند که مقدارهایی مثل max یا xhigh خطای ۴۰۰ برمی‌گردانند و پارامترهایی مثل thinkingBudget در برخی محیط‌ها دیگر پشتیبانی نمی‌شوند. اگر کدی برای نسخه‌های قبلی Gemini دارید، پیش از مهاجرت حتماً مستندات را بررسی کنید.
یک نکته‌ی مهم دیگر: هزینه‌ی خروجی شامل توکن‌های تفکر هم می‌شود. بنابراین انتخاب سطح high ممکن است کیفیت را بالا ببرد، اما صورت‌حساب را هم بالاتر می‌برد.
بخش سوم: قیمت‌گذاری و پایان نرخ مقدماتی
قیمت مقدماتی Gemini 4 Argon برای هر میلیون توکن ورودی ۲ دلار و برای هر میلیون توکن خروجی ۱۰ دلار است. طبق اعلام منابع خبری، گوگل قصد دارد پس از ۳۰ نوامبر این نرخ‌ها را دو برابر کند؛ یعنی تقریباً ۴ دلار برای ورودی و ۲۰ دلار برای خروجی. این مدل لایه‌ی رایگان ندارد و فقط با کلید حساب پولی کار می‌کند.
برای تیم‌هایی که بودجه‌ی مشخص دارند، توصیه‌ی عملی این است که هزینه‌ی ماهانه را با هر دو نرخ محاسبه کنند. اگر ابزار شما حجم زیادی خروجی تولید می‌کند، افزایش قیمت بعد از نوامبر بیشتر از هر چیز روی خروجی اثر می‌گذارد. درباره‌ی اهمیت محاسبه‌ی هزینه و بازگشت سرمایه‌ی هوش مصنوعی می‌توانید مقاله‌ی چرا هوش مصنوعی برای کسب‌وکار مهم است را هم ببینید.
بخش چهارم: بنچمارک‌ها؛ چه ادعایی مطرح شده؟
طبق کارت مدل منتشرشده توسط گوگل، Gemini 4 Argon در ۱۳ ردیف از ۱۹ ردیف مقایسه از رقبایی مانند GPT-6 Astra، Claude Fable 5.1 و Claude Opus 5.5 جلوتر است. بزرگ‌ترین برتری مدل در آزمون GraphWalks با کانتکست ۲۵۶ هزار تا یک میلیون توکن گزارش شده، جایی که امتیاز آن ۸۴٫۲ درصد در برابر ۶۶٫۸ درصد برای Opus 5.5 ثبت شده است. در مقابل، مدل در آزمون Terminal-bench 4.0 عقب‌تر است.
اما باید محتاط بود. این اعداد را خود گوگل منتشر کرده، بعضی ردیف‌ها را خودش محاسبه کرده و برخی مدل‌های رقیب در جدول نیستند. تا زمانی که آزمون‌های مستقل منتشر نشود، بهتر است این بنچمارک‌ها را «ادعای سازنده» بدانیم، نه حکم نهایی. برای درک بهتر اینکه چرا بنچمارک‌ها همیشه همه‌ی ماجرا را نمی‌گویند، مقاله‌ی مقایسه‌ی ChatGPT و DeepSeek در شطرنج مثال خوبی است.
بخش پنجم: تجربه‌ی اولیه‌ی توسعه‌دهنده‌ها
یکی از بررسی‌های عملی اولیه که روی کارهای DevOps انجام شده، نتیجه‌ی قابل‌تأملی داشته است. در این آزمون، تمام دوازده فایل Kubernetes که مدل تولید کرده بود روی یک خوشه‌ی k3s دچار crash-loop شدند، چون مدل nginx را با کاربر غیر root و بدون حجم‌های قابل‌نوشتن تنظیم کرده بود. در همان آزمون، Claude Opus 5.5 و GPT-6.1 Sol در همه‌ی اجراها موفق بودند. با این حال، وقتی خطا به Argon نشان داده شد، توانست آن را اصلاح کند. خروجی کارهای Bash و OpenTofu هم برای همه‌ی مدل‌ها تمیز بود.
درس این تجربه روشن است: در کارهای عاملی و زیرساختی، خروجی هر مدلی، حتی پرچم‌دارترین‌ها، باید در محیط تست اجرا و بازبینی شود. هوش مصنوعی ابزار قدرتمندی است، اما جایگزین مهندس نیست. این موضوع را در مقاله‌ی توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها در برابر مهندس واقعی مفصل بررسی کرده‌ایم.
بخش ششم: دسترسی کاربران عادی و ابزار Antigravity
کاربران اشتراک Google AI Pro و Google AI Ultra به‌تدریج در اپ Gemini و بخش AI Mode جستجوی گوگل به این مدل دسترسی پیدا می‌کنند. ابزار کدنویسی Antigravity اما فعلاً فقط برای مشترکان Ultra در دسترس است. همچنین گزارش شده Gemini CLI هنوز از مدل جدید پشتیبانی نمی‌کند.
گوگل می‌گوید تیم‌هایی که Argon را از طریق Antigravity به کار گرفته‌اند، ارسال کدهای کمک‌گرفته از هوش مصنوعی را بیش از ۳۵ درصد افزایش داده و تعداد بازگشت کدها (rollback) را تقریباً یک‌سوم کاهش داده‌اند. این آمار هم اعلام خود شرکت است. گوگل همچنین اعلام کرده به ده هزار دانشمند شش ماه دسترسی رایگان به بالاترین سطح استفاده از Antigravity می‌دهد.
بخش هفتم: امنیت سایبری و برنامه‌ی Fairwind
گوگل پیش از عرضه‌ی عمومی، چند هفته مدل را از نظر خطرهای امنیت سایبری آزمایش کرد و ابتدا دسترسی را محدود نگه داشت. سپس برنامه‌ای به نام Fairwind را برای مدافعان امنیتی تأییدشده راه انداخت که نسخه‌ای بدون محدودیت‌های معمول سایبری در اختیار آن‌ها می‌گذارد. شرکت‌هایی مانند Deloitte، LexisNexis، Ambience Healthcare و Isomorphic Labs هم جزو آزمایشگران اولیه معرفی شده‌اند.
گوگل همچنین از محافظت‌هایی در برابر سوءاستفاده و حملات تزریق پرامپت (prompt injection) خبر داده است. این بخش برای شرکت‌هایی که مدل را به ابزارها و داده‌های داخلی خود وصل می‌کنند اهمیت ویژه دارد.
بخش هشتم: چه کسانی باید به آرگون مهاجرت کنند؟
اگر با اسناد بسیار طولانی، مخزن‌های بزرگ کد یا تحلیل چندرسانه‌ای کار می‌کنید، پنجره‌ی کانتکست یک میلیون توکنی و قیمت مقدماتی، Argon را به گزینه‌ای جدی تبدیل می‌کند. اگر پروژه‌ی شما بیشتر به اجرای خودکار زیرساخت وابسته است، بهتر است ابتدا در محیط آزمایشی تست کنید و یک مرحله‌ی بازبینی انسانی نگه دارید.
برای کاربران عادی هم پیام روشن است: اگر اشتراک Pro یا Ultra دارید، چند روز آینده مدل را در اپ Gemini خواهید دید. برای نوشتن پرامپت‌های بهتر در مدل‌های جدید، راهنمای آموزش نوشتن پرامپت برای مبتدی‌ها و بخش آموزش‌های ChatGPT کمک‌تان می‌کند. آخرین اخبار این حوزه را هم در بخش اخبار هوش مصنوعی دنبال کنید.
برای اینکه بدانید هوش مصنوعی در دنیای واقعی کجا می‌درخشد و کجا محدودیت دارد، مطالعه‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی را هم پیشنهاد می‌کنیم.
بخش نهم: پرسش‌های متداول
جمنای ۴ آرگون چه زمانی عرضه شد؟
این مدل در ۱۳ اکتبر ۲۰۲۶ به‌صورت عمومی در دسترس قرار گرفت.
قیمت Gemini 4 Argon چقدر است؟
نرخ مقدماتی ۲ دلار برای هر میلیون توکن ورودی و ۱۰ دلار برای هر میلیون توکن خروجی است. طبق گزارش‌ها این نرخ‌ها پس از ۳۰ نوامبر دو برابر می‌شود.
آیا نسخه‌ی رایگان دارد؟
در API لایه‌ی رایگان ندارد. کاربران عادی فقط با اشتراک Google AI Pro یا Ultra در اپ Gemini به آن می‌رسند.
پنجره‌ی کانتکست چقدر است؟
حدود یک میلیون توکن که بین ورودی، تفکر و خروجی مشترک است.
آیا از GPT و Claude بهتر است؟
طبق بنچمارک‌های منتشرشده‌ی خود گوگل در بیشتر ردیف‌ها جلوتر است، اما این اعداد هنوز با آزمون مستقل تأیید نشده‌اند و در برخی کارها، مثل Terminal-bench، عقب‌تر است.
