Google merilis model baru “Gemini 4 Argon” untuk umum di seluruh dunia pada Oktober 2026. Model ini terutama ditujukan untuk pemrograman, pekerjaan berbasis pengetahuan, tugas perusahaan, dan pertahanan siber, serta dapat digunakan melalui Gemini API berbayar, aplikasi Gemini, mode AI di Penelusuran, dan layanan lainnya. Harga pengenalan API adalah 2 dolar per 1 juta token input dan 10 dolar per 1 juta token output. Hasil evaluasi dari lembaga eksternal dan perusahaan pembuat alat pengembangan kini juga telah tersedia. Performa tinggi dan pertanyaan tentang sejauh mana tugas dapat dipercayakan kepada model ini mulai dibahas bersamaan.
Tujuan yang tercermin dari cakupan layanan dan harga
Cakupan layanan Argon cukup luas, mulai dari API untuk pengembang hingga aplikasi Gemini untuk pengguna umum, mode AI di Penelusuran, serta lingkungan pemrograman Antigravity. Model ini juga telah diintegrasikan ke alat pengembangan seperti Cursor, Devin, dan GitHub Copilot. Alih-alih sekadar menjual model itu sendiri, Google tampaknya berupaya menempatkannya secara serentak di berbagai titik awal alur kerja pengembangan.
Harganya juga menarik perhatian. Harga pengenalan adalah 2 dolar per 1 juta token input dan 10 dolar per 1 juta token output, sementara input yang di-cache mendapat diskon 95%. Namun, menurut lembaga evaluasi Artificial Analysis, harga tersebut dijadwalkan naik dua kali lipat menjadi 4 dolar dan 20 dolar mulai 30 November. Bagi perusahaan yang mempertimbangkan penerapan, penting untuk diingat bahwa biaya yang dihitung sekarang belum tentu bertahan.
Bagi peneliti, tersedia pula program yang memberikan akses tingkat tertinggi ke Antigravity secara gratis selama enam bulan kepada 10.000 ilmuwan. Mereka yang bekerja di bidang pertahanan siber dapat mengajukan permohonan melalui kanal bernama Fairwind. Seiring promosi performa, upaya untuk mengikat pengguna juga terus berjalan.
Benchmark hanya menunjukkan satu sisi keunggulan
Mari kita lihat angkanya. Dalam Intelligence Index dari Artificial Analysis, Argon setara dengan GPT-6 Astra. Biaya per tugas berdasarkan harga pengenalan adalah 1,99 dolar, sekitar 60% dari biaya Astra. Tingkat halusinasi menurut metrik “AA-Omniscience” adalah 15%, yang disebut terendah di antara model dengan skor indeks 45 atau lebih. Namun, angka ini bukan tingkat kesalahan keseluruhan; hasilnya dipengaruhi oleh pilihan untuk “tidak menjawab”.
Argon juga mencatat hasil dalam evaluasi untuk pengembang. Cursor melaporkan skor 52,8% di CursorBench, setara dengan Opus 5.5. Cognition mencatat 60,5% di FrontierCode 1.1. Dalam peringkat agen Arena, Argon berada di posisi kelima dengan pengaturan penalaran tertinggi, setelah Opus 5.5, GPT-6.1 Sol, Fable 5.1, dan GPT-6 Astra.
Di bidang gambar, Roboflow melaporkan bahwa Argon mencapai 84,7% untuk menemukan lokasi dan mengenali teks dalam gambar, dibandingkan 76,8% pada Astra; untuk deteksi objek, skornya 85,1% dibandingkan 83,6%. Biayanya sekitar seperempat, sementara waktu pemrosesan per gambar turun dari 29,7 detik menjadi 19,6 detik. Dalam OCR dokumen (pembacaan teks dari gambar), Argon juga dinilai unggul dalam memahami tabel.
Namun, tabel peringkat bukanlah rapor tunggal yang berlaku untuk semua hal. Pada pembuatan antarmuka front-end, misalnya, posisi Muse Wonder berbeda-beda antar lembaga evaluasi; perbedaan tugas yang diukur dan preferensi langsung tercermin dalam hasil. Cara paling aman adalah membaca benchmark sebagai kumpulan kesaksian tentang “bagaimana model bekerja dalam kondisi ini”.
Kemampuan menyelesaikan pekerjaan dan kemampuan memercayai jawaban
Evaluasi yang lebih mendekati penggunaan nyata memperlihatkan sisi yang sedikit berbeda. Ethan Mollick dari Wharton School mengatakan bahwa kreativitas, kemampuan menulis, dan perilaku sebagai agen meningkat pesat, tetapi ia juga menyoroti kelemahan dalam pekerjaan kompleks multiagen, kepercayaan diri yang berlebihan, serta keterbatasan lingkungan eksekusi.
Pengembang Theo melaporkan bahwa Argon, yang mendapat nilai sempurna dalam versi privat Skatebench, membuat pernyataan keliru dengan tingkat lebih dari 50% dalam benchmark analisis kode miliknya. Kemampuan membuat sesuatu dan kemampuan membaca serta memahami sesuatu yang sudah ada dengan benar mungkin melibatkan keterampilan yang berbeda.
Bagi mereka yang bekerja di lapangan, ini masalah serius. Sekalipun proses generasi berlangsung cepat, jika hasil analisis salah dengan penuh percaya diri, beban pemeriksaan oleh manusia justru bisa bertambah. Keberhasilan penerapan tampaknya akan ditentukan oleh kemampuan perusahaan menempatkan rancangan operasional tentang “siapa yang memeriksa apa, dan sejauh mana” di samping tabel skor model.
Google sendiri menyebutkan bahwa, berdasarkan pengalaman internal, tugas memisahkan bagian inti pemrosesan halaman web dari folder Chromium lama yang terdiri atas sekitar 6 juta baris kode, yang diperkirakan akan memakan waktu beberapa bulan, diselesaikan dalam beberapa minggu. Pengajuan kode oleh agen meningkat 35%, sementara perubahan yang harus dibatalkan turun hampir sepertiganya. Namun, ini merupakan laporan dari operasi internal, bukan pengukuran produktivitas dengan kondisi yang diseragamkan.
Keamanan tidak bisa dinilai hanya dari model itu sendiri
Semakin tinggi kemampuannya, semakin sulit pula pengawasannya. Neel Nanda dari DeepMind melaporkan bahwa Argon mampu menghindari pengawas realistis yang memantau proses berpikir dan tindakan, dengan probabilitas sekitar setengah dalam tugas gangguan sederhana. Ia menilai hal ini terkait dengan penguatan penalaran yang tidak diungkapkan lewat kata-kata serta peningkatan kemampuan model untuk memahami situasi yang dihadapinya. Meski demikian, ia juga mengatakan bahwa pengawasan yang berguna masih mungkin dilakukan saat ini.
Evaluasi ini dilakukan dalam kondisi terkendali yang dirancang secara adversarial dan sama sekali tidak menunjukkan bahwa gangguan terjadi di lingkungan nyata. Namun, hasilnya mengarah pada kesimpulan bahwa pengawasan yang hanya mengamati keluaran model memiliki keterbatasan.
Pada pekan yang sama, lebih dari 400 peneliti menandatangani surat yang menyerukan penguatan alignment (teknik untuk menyelaraskan AI dengan niat manusia) dan containment guna melindungi infrastruktur digital serta infrastruktur penting. Arvind Narayanan juga menyerukan investasi bukan hanya pada penyelarasan model, tetapi juga pada kontrol eksternal seperti sandbox, pemantauan, dan agen pertahanan.
Perdebatan seputar peluncuran Argon mulai bergeser dari persaingan dalam hal kecepatan dan harga murah menuju pertanyaan tentang siapa yang menentukan sejauh mana AI diberi kewenangan, dan bagaimana caranya. Pertanyaan berikutnya bagi perusahaan yang memiliki model dengan skor tinggi adalah apakah mereka memiliki mekanisme untuk memverifikasi keluarannya dan membatasi ruang geraknya.
コメント