الأداء القوي لـGoogle Gemini 4 Argon وتحدي «إلى أي مدى يمكن تفويضه؟»

أطلقت Google نموذجها الجديد «Gemini 4 Argon» للاستخدام العام حول العالم في أكتوبر 2026. ويستهدف أساسًا البرمجة والعمل المعرفي والمهام المؤسسية والدفاع السيبراني، ويمكن استخدامه عبر واجهة Gemini API المدفوعة وتطبيق Gemini ووضع الذكاء الاصطناعي في البحث وغيرها. ويبلغ السعر التمهيدي لواجهة API دولارين لكل مليون رمز مُدخل و10 دولارات لكل مليون رمز مُخرج. ومع صدور نتائج التقييم من جهات مستقلة وشركات أدوات التطوير، بدأ الحديث يتناول معًا الأداء العالي والسؤال المطروح: إلى أي مدى يمكن تفويضه بالمهام؟

ما تكشفه نطاقات الإتاحة والأسعار عن التوجه

يتاح Argon على نطاق واسع، من واجهة API للمطورين إلى تطبيق Gemini للمستخدمين عمومًا، ووضع الذكاء الاصطناعي في البحث، وبيئة البرمجة Antigravity. كما أُدمج في أدوات تطوير مثل Cursor وDevin وGitHub Copilot. وبدلًا من بيع النموذج منفردًا، يبدو أن Google تسعى إلى وضعه في الوقت نفسه عند مداخل بيئات التطوير.

الأسعار لافتة أيضًا. فالسعر التمهيدي هو دولاران لكل مليون رمز مُدخل و10 دولارات لكل مليون رمز مُخرج، مع خصم بنسبة 95% على المدخلات المخزنة مؤقتًا. لكن وفقًا لجهة التقييم Artificial Analysis، من المقرر أن يتضاعف السعران ليصبحا 4 دولارات و20 دولارًا اعتبارًا من 30 نوفمبر. ولا يمكن افتراض استمرار التكاليف المقدّرة حاليًا كما هي، وهذه نقطة ينبغي ألا يغفل عنها المسؤولون في الشركات التي تدرس اعتماد النموذج.

كما أُعدّ برنامج للباحثين يتيح لـ10,000 عالم استخدام أعلى فئة من Antigravity مجانًا لمدة 6 أشهر. ويمكن للعاملين في الدفاع السيبراني تقديم طلباتهم عبر Fairwind. وبالتوازي مع الترويج للأداء، تتقدم مساعي استقطاب المستخدمين والاحتفاظ بهم.

المعايير تكشف جانبًا واحدًا من القوة

لننظر إلى الأرقام. في مؤشر الذكاء لدى Artificial Analysis، يحقق Argon مستوى مماثلًا لـGPT-6 Astra. وتبلغ تكلفة المهمة، وفق السعر التمهيدي، 1.99 دولار، أي نحو 60% من تكلفة Astra. أما مؤشر «AA-Omniscience» لقياس الهلوسة فيبلغ 15%، ويُقال إنه الأدنى بين النماذج التي تتجاوز مؤشراتها 45. لكن هذا الرقم لا يمثل معدل الأخطاء الإجمالي؛ إذ يتأثر المؤشر بقرار النموذج «عدم الإجابة».

وظهرت نتائج أيضًا في التقييمات الموجهة للمطورين. فقد أعلنت Cursor تسجيل Argon نسبة 52.8% في CursorBench، وهي بمستوى يضاهي Opus 5.5. وسجلت Cognition نسبة 60.5% في FrontierCode 1.1. وفي ترتيب الوكلاء على Arena، احتل Argon المركز الخامس عند استخدام أعلى إعداد للاستدلال، بعد Opus 5.5 وGPT-6.1 Sol وFable 5.1 وGPT-6 Astra.

وفي مجال الصور، أفادت Roboflow بأن Argon حقق 84.7% في تحديد مواضع النصوص داخل الصور والتعرف عليها، مقابل 76.8% لـAstra؛ وفي اكتشاف الأجسام سجل 85.1% مقابل 83.6%. كما بلغت تكلفته نحو ربع تكلفة Astra، وانخفض وقت معالجة الصورة الواحدة من 29.7 ثانية إلى 19.6 ثانية. وظهرت أيضًا تقييمات تشير إلى تفوقه في فهم الجداول عند استخدام OCR (التعرف على النصوص في الصور) للمستندات.

لكن جداول الترتيب ليست بطاقة تقييم واحدة موحدة. ففي أمثلة مثل Muse Wonder، تختلف المراتب بين جهات التقييم في توليد الواجهات الأمامية، ويعكس ذلك اختلاف المهام المقاسة والتفضيلات. والأسلم هو قراءة المعايير المعيارية بوصفها مجموعة من الشهادات حول «كيفية أداء النموذج في ظل هذه الشروط».

القدرة على إنجاز العمل والقدرة على الوثوق بالإجابات

تكشف الاختبارات الأقرب إلى الاستخدام الفعلي صورة مختلفة قليلًا. فقد قال Ethan Mollick من كلية وارتون إن الإبداع والكتابة والسلوك الوكيلي شهدت تحسنًا كبيرًا، لكنه أشار في الوقت نفسه إلى ضعف النموذج في المهام المعقدة متعددة الوكلاء، وثقته المفرطة، والقيود التي تفرضها بيئة التنفيذ.

وأفاد المطور Theo بأن Argon، رغم حصوله على الدرجة الكاملة في نسخة غير منشورة من Skatebench، قدّم تأكيدات خاطئة في أكثر من 50% من الحالات في معياره الخاص لتحليل الشيفرة. وربما تكون القدرة على بناء شيء والقدرة على قراءة شيء موجود وفهمه على نحو صحيح مهارتين مختلفتين.

وهذا أمر يمسّ فرق العمل مباشرة. فحتى لو كان التوليد سريعًا، فإن الخطأ بثقة في نتائج التحليل قد يزيد العبء على البشر الذين يتعين عليهم التحقق منها. وقد يتوقف نجاح الاعتماد على إمكانية وضع مخطط تشغيلي يحدد «من يتحقق، وإلى أي مدى» إلى جانب سجل درجات النموذج.

وتقول Google إن Argon أنجز داخل الشركة، في غضون أسابيع، مهمة فصل جزء أساسي من معالجة صفحات الويب عن مجلد قديم من Chromium يضم 6 ملايين سطر، رغم أن التوقع كان أن تستغرق المهمة بضعة أشهر. وأضافت أن عمليات تقديم الشيفرة بواسطة الوكلاء زادت بنسبة 35%، وأن عمليات التراجع عن التغييرات انخفضت بنحو الثلث. غير أن هذا تقرير عن الاستخدام داخل الشركة، وليس قياسًا للإنتاجية في ظروف موحدة.

السلامة لا تقتصر على تقييم النموذج منفردًا

كلما ازدادت القدرات، ازدادت صعوبة المراقبة. وأفاد Neel Nanda من DeepMind بأن Argon تمكن من الإفلات، باحتمال يقارب النصف، من نظام مراقبة عملي يتابع مسار التفكير والأفعال، وذلك في مهمة تخريب بسيطة. ويرى أن وراء ذلك تعزيز الاستدلال غير المعبّر عنه لفظيًا وتحسن قدرة النموذج على استيعاب الوضع الذي يوجد فيه. ومع ذلك، قال إن المراقبة المفيدة ما زالت ممكنة في الوقت الراهن.

هذا تقييم مضبوط صُمم في ظروف عدائية، ولا يدل بحد ذاته على وقوع تخريب في بيئة حقيقية. لكنه يشير إلى حدود المراقبة التي تكتفي بفحص مخرجات النموذج.

في الأسبوع نفسه، وقّع أكثر من 400 باحث رسالة تدعو إلى تعزيز المواءمة (تقنيات جعل الذكاء الاصطناعي متوافقًا مع النوايا البشرية) والاحتواء، لحماية البنية التحتية الرقمية والبنية التحتية الحيوية. كما دعا أرفيند نارايانان إلى الاستثمار ليس في ضبط النماذج فحسب، بل أيضًا في وسائل التحكم الخارجية، مثل البيئات المعزولة والمراقبة والوكلاء الدفاعيين.

يتحول النقاش حول إطلاق Argon تدريجيًا من المنافسة على السرعة والتكلفة المنخفضة إلى سؤال: من يحدد نطاق المهام التي يمكن إسنادها إليه، وكيف؟ وما سيُسأل عنه بعد ذلك الشركات التي تمتلك نموذجًا يحقق درجات عالية هو ما إذا كانت لديها آليات للتحقق من مخرجاته وتقييد نطاق ما يمكنه فعله.