Gemini 4 Argon – nowy model AI do najtrudniejszych zadań

Google ogłosiło globalną dostępność Gemini 4 Argon – swojego najnowszego modelu frontier, zaprojektowanego z myślą o zadaniach wymagających głębokiego rozumowania i precyzji. Nowy system trafia jednocześnie do developerów przez API, przedsiębiorstw, naukowców oraz użytkowników indywidualnych w aplikacji Gemini i trybie AI w wyszukiwarce.

Argon nie jest kolejnym chatbotem do prostych pytań. To narzędzie stworzone do rozwiązywania problemów, które dotąd wymagały zespołów specjalistów i miesięcy pracy. Model osiągnął pierwsze miejsce w Vals Index, mierzącym skuteczność w kluczowych sektorach gospodarki – finansach, kodowaniu, prawie i rozliczeniach podatkowych.

Jak Argon radzi sobie z najbardziej złożonymi zadaniami inżynierskimi

Wewnątrz Google model został przetestowany na najtrudniejszych problemach inżynierskich. Efekty okazały się na tyle obiecujące, że inżynierowie zaczęli dostarczać kod szybciej niż kiedykolwiek wcześniej. W środowisku Antigravity Argon przyczynił się do wzrostu liczby zgłoszeń kodu generowanego przez agentów o ponad 35%, jednocześnie redukując liczbę wycofywanych zmian o niemal jedną trzecią.

Refaktoryzacja Chrome – sześć milionów linii kodu w kilka tygodni

Jednym z najbardziej spektakularnych zastosowań było uporządkowanie architektury przeglądarki Chrome. Zespół stanął przed wyzwaniem oddzielenia podstawowej obsługi stron internetowych od liczącego około 6 milionów linii folderu ze starszymi funkcjami przeglądarki, osadzonego w liczącym 40 milionów linii kodzie Chromium. Argon pomógł przeprowadzić refaktoryzację obejmującą setki plików, kończąc pracę, która normalnie zajęłaby miesiące, w ciągu kilku tygodni.

Dla miliardów użytkowników Chrome oznacza to możliwość płynnego przenoszenia aktywnych stron między kartami, panelami bocznymi i oknami pływającymi bez konieczności ponownego ładowania – co eliminuje całą klasę awarii przeglądarki.

Optymalizacja kodu Pythona i przyspieszenie modeli Gemma

Zespół odpowiedzialny za Agent Development Kit – framework napędzający agentów enterprise – przekazał Argonowi zestaw reguł oraz krótki opis celu: usunąć narzut frameworka bez psucia istniejących aplikacji. Model pracował autonomicznie przez noc i zaproponował optymalizacje, które trafiły już do publicznego repozytorium google/adk-python. Efekt? Czas przygotowania sesji w pamięci w długich sesjach skrócił się o 40%, a zimne importy przyspieszyły o 21%.

Podobny sukces osiągnięto przy optymalizacji otwartoźródłowego pakietu chemii kwantowej xTB. Naukowcy wykorzystali Argon do przyspieszenia przewidywania struktur molekularnych nawet 2,3-krotnie oraz wyszukiwania konformerów 1,8-krotnie. Zmiany zostały włączone do oficjalnego repozytorium na GitHubie.

Model pomógł również przyspieszyć działanie otwartych modeli Gemma – osiągnięto 2,85-krotne przyspieszenie wnioskowania end-to-end na karcie A100 z pełną zgodnością tokenów i bez utraty jakości. Proces, który zwykle zajmuje miesiące, zakończono w kilka dni.

Zastosowania w biznesie, nauce i cyberbezpieczeństwie

Argon łączy zaawansowane rozumowanie, głęboką percepcję wizualną, rozszerzoną wiedzę dziedzinową i ulepszone możliwości pisania. Model komunikuje się klarowniej niż poprzednie wersje Gemini, odpowiada bardziej bezpośrednio, rzadziej się powtarza i unika utartych frazesów. Przedsiębiorstwa z programu wczesnego dostępu już odnotowują wymierne korzyści – szczególnie w analizie dokumentów multimodalnych i interaktywnych środowiskach analitycznych.

Cyberbezpieczeństwo – od wykrywania luk do ich naprawy

Firma Wiz wykorzystuje Argon w inicjatywie „Scan for Good”, chroniącej krytyczną infrastrukturę publiczną bezpłatnie. W jednym z przypadków model pomógł zidentyfikować i usunąć lukę, która mogła narazić wrażliwe dane rządowe oraz infrastrukturę federalnej agencji. W innym – łańcuchowo wykorzystując złożone podatności – wykrył obejście publicznego pobierania plików, które ujawniało klucz główny i dawało dostęp administratora. Argon nie tylko wskazał problem, ale aktywnie zabezpieczył setki tysięcy prywatnych rekordów pacjentów.

Przełomy naukowe – od komputerów kwantowych po projektowanie enzymów

W dziedzinie obliczeń kwantowych Argon pomógł przetłumaczyć wewnętrzną wersję AlphaQubit – dekodera błędów kwantowych opartego na uczeniu maszynowym – na pojedynczy, wysoce zoptymalizowany kernel sprzętowy. Przepustowość wnioskowania niemal się podwoiła, co pozwala na wdrażanie większych modeli i skalowanie do większych urządzeń kwantowych. Dla podprogramu arcsin implementacja napisana przez Argon i formalnie zweryfikowana w Lean obniżyła koszt czasoprzestrzenny ponad 100-krotnie w porównaniu z opublikowanym baseline’em kwantowym CORDIC.

W badaniach nad fuzją jądrową zespół Google wraz z profesorem Mattem Landremanem z University of Maryland odkrył szerszą klasę kontrprzykładów do hipotezy Grada z 1967 roku, dotyczącej niemożliwości znalezienia dokładnych rozwiązań matematycznych dla pól magnetycznych stellaratorów. Nowe rozwiązania dają społeczności fuzji wiarygodne benchmarki do testowania kodów symulacyjnych.

Badacze z Gamow Labs użyli Argon do analizy zanonimizowanych genomów noworodków z rzadkimi zaburzeniami rozwojowymi płuc. W jednym przypadku model wskazał rearanżację chromosomową, którą rutynowe oprogramowanie pomijało przez lata, i wyjaśnił, dlaczego pozostała niewykryta. W ewaluacjach opartych na rzeczywistych danych klinicznych Argon osiągnął 57% w RareBench i 52,2% w LabBench.

Szczególnie obiecujący jest przykład projektowania enzymów. Estery serynowe to klasa enzymów rozcinających wiązania estrowe, szeroko stosowana w recyklingu oraz produkcji farmaceutyków, biopaliw i detergentów. Naukowcy pracowali z Argon nad zaprojektowaniem nowych wariantów, celując w cząsteczkę 4MU-acetate, która świeci w UV po rozcięciu wiązań. W ciągu kilku godzin model zebrał dane, przeprowadził dostrajanie i zidentyfikował filtry biochemiczne, prowadząc do pięciu nowatorskich projektów. Testy laboratoryjne potwierdziły ich aktywność katalityczną.

Robotyka i bezpieczeństwo – fundamenty odpowiedzialnego rozwoju

Argon osiągnął 87% w benchmarku Embodied Reasoning (ERQA), testującym zdolność modelu do rozumienia i rozwiązywania problemów fizycznych i przestrzennych w środowiskach 3D. W wewnętrznym teście model obejrzał surowe wideo człowieka grającego w cornhole, zmapował współrzędne przestrzenne otoczenia i obliczył wymagane ruchy stawów całego ciała. Następnie autonomicznie zbudował kod symulacji. Po przeniesieniu na humanoida Apollo firmy Apptronik robot szybko trafił siedem kolejnych rzutów w rzeczywistym teście.

Ten pipeline „Video-to-Sim-to-Real” kompresuje tygodnie ręcznego modelowania symulacji do kilku godzin, zamieniając zwykłe nagrania w skalowalne, nieskończone środowisko treningowe dla robotyki.

Ochrona przed nadużyciami i monitorowanie agentów

Bezpieczeństwo stanowi fundament rozwoju modeli w Google. Argon objęto najbardziej kompleksowym stosem zabezpieczeń w historii firmy. W ramach Frontier Safety Framework oceniono rozszerzone możliwości modelu i wdrożono wielowarstwową obronę łączącą odporność na jailbreak, monitoring i egzekwowanie zasad. Zewnętrzny red teaming biologiczny zdołał odblokować mniej niż 1% testowanych podzadań bio. Liczba naruszeń w zestawie testów adversarialnych spadła niemal dwukrotnie w porównaniu z poprzednimi modelami Gemini.

Google wytrenowało również Argon, by respektował granice systemowe, uczciwie raportował negatywne wyniki i zatrzymywał się przed nieodwracalnymi krokami, czekając na potwierdzenie człowieka. Na benchmarkach kodowania, gdzie modele nie mają zachęty do powstrzymywania się, próby skrótów spadły do zaledwie 2%. Jako dodatkową warstwę ochrony zbudowano automatyczny monitor niespójności, który czyta rozumowanie i działania agenta krok po kroku, wychwytując i blokując niezamierzone obejścia w czasie rzeczywistym.

Model prowadzi również w benchmarku Gray Swan Indirect Prompt Injection, redukując skuteczność ataków w 15 adaptacyjnych próbach do 0,7%. Osiągnięto to dzięki treningowi adversarialnemu i automatycznemu red teamingowi.

Dostępność i ceny – jak zacząć z Gemini 4 Argon

Argon pracuje dłużej i ciężej nad złożonymi problemami naukowymi, kodowaniem i zadaniami agentowymi. Umożliwia to branżowy limit 1 miliona tokenów wejściowo-wyjściowych przez Gemini API. Model jest dostępny globalnie od dziś w kilku ścieżkach:

  • Dla developerów: Gemini API w płatnym planie w AI Studio i Android Studio; subskrybenci Google AI Ultra mogą testować w Google Antigravity i AI Studio.
  • Dla przedsiębiorstw: Gemini for business, API oraz Google Antigravity.
  • Dla użytkowników indywidualnych: aplikacja Gemini i tryb AI w wyszukiwarce dla subskrybentów Google AI Ultra i Pro.
  • Dla naukowców: możliwość aplikowania o bezpłatny dostęp do najwyższego planu Google Antigravity na 6 miesięcy.
  • Dla obrońców cyberbezpieczeństwa: program Fairwind oferuje dostęp do Argon bez ograniczeń cyberbezpieczeństwa.

Cena wprowadzająca wynosi 2 dolary za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych, z 95% zniżką na buforowane tokeny wejściowe.

Gemini 4 Argon to dopiero początek – Google zapowiada, że wkrótce udostępni resztę rodziny Gemini 4. Model wyznacza nowy standard w zakresie autonomicznego rozwiązywania problemów, ale też podnosi poprzeczkę dla bezpieczeństwa i odpowiedzialnego rozwoju AI. Czy narzędzia takie jak Argon staną się codziennością w pracy inżynierów, naukowców i analityków? Wszystko wskazuje na to, że jesteśmy świadkami początku nowej ery w wykorzystaniu sztucznej inteligencji do najbardziej wymagających zadań.

Źródło

Może Cię zainteresować