Google ने अक्टूबर 2026 में अपना नया मॉडल “Gemini 4 Argon” दुनिया भर में आम उपयोग के लिए उपलब्ध कराया। इसके मुख्य उपयोग कोडिंग, ज्ञान-आधारित काम, कारोबारी कार्यों और साइबर सुरक्षा में हैं। इसे सशुल्क Gemini API, Gemini ऐप और Search के AI Mode जैसी सेवाओं के जरिए इस्तेमाल किया जा सकता है। API की शुरुआती कीमत इनपुट के 10 लाख टोकन पर 2 डॉलर और आउटपुट के 10 लाख टोकन पर 10 डॉलर है। बाहरी मूल्यांकन संस्थाओं और डेवलपर टूल कंपनियों के परीक्षण के नतीजे भी सामने आ चुके हैं। अब इसकी दमदार क्षमता के साथ-साथ यह सवाल भी चर्चा में है कि इसे कितना काम सौंपा जा सकता है।
उपलब्धता और कीमत से दिखती रणनीति
Argon की उपलब्धता का दायरा काफी बड़ा है: डेवलपरों के लिए API से लेकर आम उपयोगकर्ताओं के Gemini ऐप, Search के AI Mode और कोडिंग माहौल Antigravity तक। यह Cursor, Devin और GitHub Copilot जैसे डेवलपर टूल में भी शामिल हो गया है। ऐसा लगता है कि Google मॉडल को अकेले बेचने के बजाय विकास के कामकाज में प्रवेश के कई अहम रास्तों पर एक साथ पहुंचा रहा है।
इसकी कीमत भी ध्यान खींचती है। शुरुआती दर इनपुट के 10 लाख टोकन पर 2 डॉलर और आउटपुट के 10 लाख टोकन पर 10 डॉलर है। कैश किए गए इनपुट पर 95% की छूट मिलती है। हालांकि, मूल्यांकन संस्था Artificial Analysis के अनुसार, 30 नवंबर के बाद ये दरें बढ़कर क्रमशः 4 और 20 डॉलर होने वाली हैं। कंपनियों में इसे अपनाने पर विचार कर रहे लोगों के लिए यह बात अहम है कि अभी किए गए लागत के अनुमान आगे भी वैसे ही बने रहें, यह जरूरी नहीं।
शोधकर्ताओं के लिए एक कार्यक्रम भी शुरू किया गया है, जिसके तहत 10,000 वैज्ञानिकों को छह महीने तक Antigravity के सबसे ऊंचे उपयोग स्तर की सुविधा मुफ्त मिलेगी। साइबर सुरक्षा में काम करने वाले लोग Fairwind के जरिए इसके लिए आवेदन कर सकते हैं। प्रदर्शन के प्रचार के साथ-साथ उपयोगकर्ताओं को अपने साथ जोड़े रखने की कोशिश भी तेज हो रही है।
बेंचमार्क ताकत का सिर्फ एक पहलू दिखाते हैं
आइए, आंकड़ों पर नजर डालें। Artificial Analysis के Intelligence Index में Argon का प्रदर्शन GPT-6 Astra के बराबर है। शुरुआती कीमत पर प्रति कार्य इसकी लागत 1.99 डॉलर है—Astra की लागत का करीब 60%। भ्रमित करने वाले उत्तरों के संकेतक “AA-Omniscience” पर इसका स्कोर 15% है। कहा जाता है कि 45 या उससे अधिक इंडेक्स वाले मॉडलों में यह सबसे कम है। हालांकि, यह आंकड़ा समग्र गलत उत्तर दर नहीं बताता: नतीजे इस बात से प्रभावित होते हैं कि मॉडल “जवाब नहीं देने” का विकल्प चुनता है या नहीं।
डेवलपरों के लिए किए गए मूल्यांकन में भी नतीजे सामने आए हैं। Cursor ने CursorBench में 52.8% स्कोर बताया, जो Opus 5.5 के बराबर है। Cognition का FrontierCode 1.1 में स्कोर 60.5% रहा। Arena की एजेंट रैंकिंग में, तर्क के सबसे ऊंचे सेटिंग पर Argon पांचवें स्थान पर रहा—Opus 5.5, GPT-6.1 Sol, Fable 5.1 और GPT-6 Astra के बाद।
छवि क्षेत्र में Roboflow के मुताबिक, छवियों में मौजूद टेक्स्ट की जगह पहचानने और उसे पढ़ने में Argon ने 84.7% स्कोर किया, जबकि Astra का स्कोर 76.8% था। वस्तु पहचान में Argon का स्कोर 85.1% और Astra का 83.6% रहा। लागत लगभग एक-चौथाई थी और हर छवि को संसाधित करने का समय 29.7 सेकंड से घटकर 19.6 सेकंड हो गया। दस्तावेजों के OCR (छवि से टेक्स्ट पढ़ने) में भी इसे तालिकाएं समझने में मजबूत बताया गया है।
दूसरी ओर, रैंकिंग तालिका किसी एक समग्र रिपोर्ट कार्ड जैसी नहीं होती। Muse Wonder के मामले की तरह, फ्रंट-एंड बनाने के काम में अलग-अलग मूल्यांकन संस्थाओं की रैंकिंग अलग हो सकती है। काम को मापने के तरीकों और पसंद में फर्क ही नतीजों के अंतर की वजह बनता है। बेंचमार्क को “इन परिस्थितियों में मॉडल ने इस तरह काम किया” बताने वाले सबूतों के संग्रह की तरह पढ़ना सबसे सुरक्षित है।
काम पूरा करने की क्षमता और जवाब पर भरोसा करने की क्षमता
वास्तविक इस्तेमाल के करीब किए गए परीक्षणों में मॉडल का एक अलग रूप भी दिखता है। Wharton School के Ethan Mollick का कहना है कि रचनात्मकता, लेखन और एजेंट की तरह काम करने के व्यवहार में बड़ा सुधार हुआ है। हालांकि, उन्होंने जटिल मल्टी-एजेंट कामों में कमजोरियों, अति-आत्मविश्वास और निष्पादन परिवेश की सीमाओं का भी जिक्र किया।
डेवलपर Theo ने बताया कि Skatebench के एक अप्रकाशित संस्करण में पूरे अंक पाने वाले Argon ने उनके अपने कोड विश्लेषण बेंचमार्क में 50% से अधिक बार गलत दावे किए। शायद कुछ बनाने की क्षमता और पहले से मौजूद चीजों को सही ढंग से समझने की क्षमता अलग-अलग कौशल हैं।
कामकाजी टीमों के लिए यह एक गंभीर मुद्दा है। मॉडल तेजी से सामग्री तैयार करे, लेकिन विश्लेषण के नतीजे पूरे आत्मविश्वास से गलत बताए, तो इंसानों को उसकी जांच में और समय लग सकता है। मॉडल के स्कोर के साथ-साथ यह तय करने वाली संचालन योजना भी बनानी होगी कि कौन और किस हद तक सत्यापन करेगा—इसे अपनाने की सफलता इसी पर निर्भर हो सकती है।
Google ने अपने भीतर के नतीजों के तौर पर बताया कि पुराने Chromium के करीब 60 लाख लाइनों वाले फ़ोल्डर से वेबपेज प्रोसेसिंग के मुख्य हिस्से को अलग करने का काम, जिसमें कई महीने लगने का अनुमान था, कुछ ही हफ्तों में पूरा कर लिया गया। एजेंटों द्वारा कोड सबमिशन 35% बढ़ा और रोलबैक करीब एक-तिहाई घटे। हालांकि, यह कंपनी के आंतरिक इस्तेमाल की रिपोर्ट है, समान परिस्थितियों में किया गया उत्पादकता का मापन नहीं।
सुरक्षा का मूल्यांकन सिर्फ मॉडल तक सीमित नहीं
क्षमताएं बढ़ने के साथ निगरानी करना भी मुश्किल हो जाता है। DeepMind के Neel Nanda ने बताया कि विचार-प्रक्रिया और व्यवहार पर नजर रखने वाले एक व्यावहारिक निगरानी तंत्र को Argon एक सरल तोड़फोड़ परीक्षण में लगभग आधे मामलों में चकमा दे सका। उनका मानना है कि इसकी वजह ऐसी तर्क-प्रक्रिया का मजबूत होना है जिसे शब्दों में व्यक्त नहीं किया जाता, साथ ही मॉडल की अपनी स्थिति को समझने की क्षमता में सुधार भी है। फिर भी, उन्होंने कहा कि फिलहाल उपयोगी निगरानी संभव है।
यह विरोधी परिस्थितियों को ध्यान में रखकर बनाए गए नियंत्रित परीक्षण का नतीजा है; इससे यह साबित नहीं होता कि वास्तविक दुनिया में तोड़फोड़ हुई है। लेकिन यह संकेत जरूर देता है कि सिर्फ मॉडल के आउटपुट देखते रहने वाली निगरानी की सीमाएं हैं।
इसी सप्ताह, 400 से अधिक शोधकर्ताओं ने डिजिटल बुनियादी ढाँचे और महत्वपूर्ण अवसंरचना की रक्षा के लिए एलाइनमेंट (AI को मानवीय इरादों के अनुरूप बनाने की तकनीक) और उसे सीमित रखने के उपायों को मजबूत करने की माँग वाले एक पत्र पर हस्ताक्षर किए। Arvind Narayanan ने भी केवल मॉडल को बेहतर ढंग से ट्यून करने के बजाय सैंडबॉक्सिंग, निगरानी और रक्षात्मक एजेंटों जैसे बाहरी नियंत्रणों में निवेश की अपील की है।
Argon की रिलीज़ को लेकर बहस अब गति और कम लागत की होड़ से आगे बढ़कर इस सवाल पर आ रही है कि किसे और कैसे तय करना चाहिए कि मॉडल को कितना काम सौंपा जाए। उच्च स्कोर वाले मॉडल हासिल कर चुकी कंपनियों से अब पूछा जाएगा कि क्या उनके पास उसके आउटपुट की पुष्टि करने और उसके कार्रवाई के दायरे को सीमित रखने की व्यवस्था है।
コメント