Gemini 4 Argon menja uži izbor modela, ne produkcioni stek
Google je najavio agresivnu cenu, izlaz do milion tokena i snažne rezultate, ali ograničen pristup znači da timovi treba da pripreme evaluaciju, a ne migraciju.
Šta je lansirano
Google je 30. septembra predstavio Gemini 4 Argon, model namenjen dugotrajnim zadacima u softverskom inženjerstvu, poslovnom radu i sajber odbrani. Početna cena biće 2 dolara za milion ulaznih i 10 dolara za milion izlaznih tokena, uz 95% nižu cenu keširanog ulaza; posle promotivnog perioda cene rastu na 4 i 20 dolara. Model podržava izlaz do milion tokena, ali je pristup za sada ograničen na učesnike programa Fairwind.
Dokazi nisu konačni
Google navodi rezultat od 77,9% na testu DeepSWE v1.1. Vals je Argon nezavisno postavio na prvo mesto svog opšteg indeksa poslovnih zadataka, ali tek na peto mesto na Terminal-Bench 4.0 i pri dnu testa upravljanja računarom. Za produkcioni tim to je upozorenje da jedan zbirni rezultat ne govori dovoljno o pouzdanosti čitavog toka rada.
Šta bismo uradili
Odmah bismo pripremili adapterski sloj, reprezentativne zadatke i budžete za probe. Postojeću produkcionu rutu ne bismo menjali dok javni API ne omogući merenje latencije, stabilnosti pozivanja alata, broja ponovljenih pokušaja i stvarne cene po prihvaćenom rezultatu. Argon zaslužuje mesto u sledećoj evaluaciji, ali još ne i u planu isporuke.
Gemini 4 Argon je prvo lansiranje u ovom ciklusu zbog kojeg bismo ponovo otvorili poređenje vodećih modela, ali ne i razlog da odmah prebacimo produkcioni saobraćaj. Google najavljuje početnu cenu od 2 dolara za milion ulaznih i 10 dolara za milion izlaznih tokena, popust od 95% za keširani ulaz i izlaz do milion tokena; nezavisna Vals evaluacija ga pritom stavlja na prvo mesto svog širokog indeksa poslovnih zadataka. Ta kombinacija bi mogla značajno da smanji cenu po uspešno završenom dugotrajnom zadatku, ali samo ako isti rezultat ponovi na našim sistemima. Argon je trenutno ograničen na odabrane stručnjake za sajber odbranu, nema javni API identifikator, a nezavisni rezultati nisu jednako jaki u svim kategorijama: odličan je u radu sa znanjem i migraciji koda, ali nije vodeći na testovima rada u terminalu i upravljanja računarom. Virtual Arc bi sada pripremio adapterski sloj i zamrznut skup evaluacija, a po otvaranju plaćenog API pristupa pokrenuo paralelne probe na kopiji produkcionih zahteva. Ne bismo menjali podrazumevanu rutu, obećavali funkciju zasnovanu na Argonu niti prilagođavali orkestraciju putanjama od milion tokena dok ne izmerimo p95 latenciju, ponovljene pozive, greške alata i ukupan trošak po prihvaćenom rezultatu. Pravi potez je priprema, ne vezivanje za model koji još ne možemo pouzdano da kupimo i koristimo.