Google представила Gemini 4 Argon

Вчера, 30 сентября, Google DeepMind показала новую флагманскую модель Gemini 4 Argon. Анонс опубликовал Корэй Кавукчуоглу, старший вице-президент DeepMind и главный архитектор ИИ в Google. Компания говорит, что Argon держит качество на длинных многошаговых задачах. Основные сферы применения: разработка ПО, юридическая и финансовая работа, киберзащита.

Попробовать модель пока могут единицы. Доступ получили проверенные специалисты по безопасности через программу Fairwind. Остальным придётся ждать.

Как будет выходить модель

Google раскатывает Argon постепенно. Параллельно компания проходит добровольную процедуру правительства США, которая даёт ведомствам доступ к модели до публичного релиза. Ранние тестировщики присылают отзывы, и по ним команда донастраивает защиту.

Когда всё будет готово, модель получат разработчики, компании и обычные пользователи. Первую очередь составят платные клиенты API и подписчики Google AI Ultra. Даты в анонсе нет. Есть только обещание сделать это «как только получится».

Сколько стоит Argon

Тарифы Google назвала сразу, но подчеркнула, что это вводные цены. Позже они могут поменяться.

За миллион входных токенов компания просит $2. За миллион выходных, то есть сгенерированных моделью, $10. Кэшированные входные токены получат скидку 95%. Если прикинуть, миллион таких токенов выйдет примерно в 10 центов.

Скидка на кэш пригодится тем, кто много раз гоняет через модель один и тот же массив данных: большую кодовую базу, пакет договоров, длинный отчёт. Платить за повторную загрузку почти не придётся.

Теперь про максимальный ответ. Если Argon выдаст все 1 млн токенов, по тарифу это обойдётся в $10 за вывод. Стоимость входных данных сюда не входит.

Размер контекстного окна Google в анонсе не назвала. Поэтому утверждения про «цену за контекст», которые уже ходят по сети, пока ничем не подкреплены. Опубликованы только цены за токены.

Ответ до миллиона токенов

Самое заметное техническое изменение касается длины ответа. Раньше потолок стоял на 64 тысячах токенов. Теперь он равен 1 млн.

Google объясняет это просто. Если у модели есть запас, она может рассуждать сотни тысяч токенов подряд и решить трудную задачу целиком, без разбивки на куски. Агентам, которые пишут код, запускают тесты и правят ошибки, такой запас нужен постоянно: промежуточные шаги съедают много места.

Что Google уже делает с Argon

Внутри компании модель работает давно. По словам Кавукчуоглу, ею пользуются тысячи сотрудников. Они хвалят Argon за помощь в узко специальном программировании, глубокие исследования и качество текстов. В анонсе приведены три примера.

• Первый связан с квантовыми вычислениями. Исследователи Google просили модель сократить ресурсы подпрограмм, которые тормозят важные приложения. Ресурсы считают как число кубитов, умноженное на число вентилей. В одном случае Argon обошла опубликованный базовый результат на 40%. На это ушло несколько минут.
• Второй пример касается памяти в дата-центрах. Группа агентов на Argon разбирала телеметрию профилирования по всему парку серверов. Агенты сами нашли, где можно сэкономить, и внесли правки. Когда изменения раскатают полностью, освободится больше 300 ТиБ памяти. Общую экономию Google оценивает в диапазон от 500 ТиБ до 1 ПиБ.
• Третий пример: перенос кода с C и C++ на Rust. Агенты Argon работают над библиотеками re2 и libgav1, где речь идёт о десятках тысяч строк. Самый крупный проект, ядро Zircon из Fuchsia, содержит больше 800 тысяч строк. Многие из этих систем критичны, поэтому каждую переписанную часть проверяют автоматически и вручную. Её также прогоняют в эмуляции и отдают на ревью. Только после этого код может попасть в продакшен.

Подробнее Google рассказала про libgav1, открытый декодер видео. Там уже существовал порт на Rust. Агенты заменили в нём 32 тысячи строк SIMD-кода. Они много раз запускали эксперименты с профилированием и разглядывали вывод компилятора. 

Итогом стал безопасный Rust-код, который компилятор векторизует самостоятельно. Декодер работает с памятью безопасно и выдаёт то же видео, что и раньше. Скорость выросла в 2,7 раза относительно прежнего Rust-порта, и теперь он ближе к оптимизированной версии на C++.

Результаты тестов

На DeepSWE v1.1 модель набрала 77,9%. Google называет это новым рекордом. Тест проверяет работу над реальными долгими инженерными задачами.

В Vals Index Argon идёт первой. Этот индекс оценивает экономический эффект в финансах, программировании, юриспруденции и налогах, а вес каждой отрасли зависит от её доли в ВВП США. Модель также лидирует в Vals Finance Agent v2, где проверяют многоступенчатые финансовые исследования, и в Harvey’s Legal Agent Benchmark, где оценивают юридический поиск и составление документов.

Zapier измеряет сквозное выполнение бизнес-задач в тесте AutomationBench. Там Argon заняла первое место с результатом 51,3%.

Отдельно Google выделяет работу с изображениями и видео. Argon разбирает профессиональные графики, находит детали в длинных роликах и действует по набору документов. В LVBench, где проверяют понимание длинного видео, модель получила 91,7%. Google считает это лучшим показателем.

В кибербезопасности Argon поделила первое место в CWE-bench v1 с результатом 68%. Тест оценивает умение исправлять уязвимости. Его предыдущая версия, v0, принесла лидерство модели 3.8 Flash Cyber.

Упор на защиту от кибератак

Google специально учила Argon искать, проверять и закрывать опасные уязвимости без участия человека. Для доверенных специалистов и внутренних команд компании модель выпустят без киберограничений. Остальным достанется версия с фильтрами.

Первым внешним партнёром стала Wiz. Компания использует Argon в проекте Scan for Good. Проект бесплатно ищет и закрывает опасные дыры в критической общественной инфраструктуре. В одном из первых запусков модель обнаружила серьёзную уязвимость в медицинском ПО, которым пользуются больницы по всему миру. Через неё мог утечь массив персональных данных пациентов. Google подчёркивает, что прежние передовые модели эту проблему пропускали.

Сравнение с 3.8 Flash Cyber показывает заметный рост. На внутреннем тесте Google модель нашла разнообразные уязвимости в сложных проектах на 20 языках программирования. На внутреннем тесте Wiz, где Argon атакует живые веб-системы вслепую и без исходников, она обошла предшественницу. Модель лучше определяла поверхность атаки, находила слабые места и собирала доказательства, что они работают.

Какие меры безопасности обещает Google

Компания перечисляет четыре направления работы.

Первое: защита от злоупотреблений. Argon должна отказывать на запросы, которые могут помочь в кибератаках или в создании химического, биологического, радиологического и ядерного оружия. Законные научные исследования, где знания могут применяться двояко, при этом остаются доступными. Подход строится на Frontier Safety Framework. Google улучшает мониторинг внутренних активаций модели, чтобы замечать попытки злоупотребления. Внутренние и внешние красные команды атаковали защиту вручную и автоматически.

Второе: устойчивость к prompt injection. В таких атаках вредные инструкции прячут в данных, которые читает модель, и перехватывают управление. По словам Google, Argon стала самой стойкой из её моделей. В тесте Indirect Prompt Injection от Gray Swan она занимает первое место. Помогли автоматический red teaming и состязательное обучение.

Третье: контроль за выходом из рамок. Google поставила мониторинг, который следит за цепочкой рассуждений модели и её действиями. Если Argon пытается выполнить задачу способом, который шире намерений пользователя, система останавливает работу. Похожий механизм компания использовала при обучении, и сигналы уходили команде реагирования на инциденты. Результаты наблюдения в обучение не возвращали. Так модель не научится обходить слежку. Google призывает остальную отрасль беречь прозрачность рассуждений моделей.

Четвёртое: защита самих сред. Песочницы для опасных тренировок и тестов Google изолирует и запечатывает заранее, до начала работ. Лучшими практиками компания собирается делиться с партнёрами.

Что делать разработчикам и компаниям

Использовать Argon пока нельзя, но кое-что понятно уже сейчас.

Цены известны, и можно закладывать их в расчёты: $2 и $10 за миллион токенов, скидка 95% на кэш. Для проектов с повторяющимся контекстом она заметно снизит счёт. Лимит вывода в 1 млн токенов пригодится в агентных задачах, где модель долго рассуждает и выдаёт большие объёмы кода или текста.

Тесты стоит воспринимать осторожно. Заявленные рекорды принадлежат самой Google, и проверка на реальных рабочих задачах начнётся только после открытия доступа.

Итог

Gemini 4 Argon доступна только участникам программы Fairwind. Google называет рекордными результаты на DeepSWE v1.1 (77,9%), LVBench (91,7%) и AutomationBench (51,3%). В CWE-bench v1 модель делит первое место с 68%. Лимит вывода вырос с 64 тысяч до 1 млн токенов. Тариф: $2 за миллион входных токенов, $10 за миллион выходных, кэш со скидкой 95%. Широкий запуск начнётся с платных клиентов API и подписчиков Google AI Ultra, когда Google закончит проверки.