قدرات Google Gemini 4 Argon العالية وتحدي «إلى أي حد نُسند إليه المهام»

أطلقت Google نموذجها الجديد «Gemini 4 Argon» للاستخدام العام حول العالم في أكتوبر 2026. وتشمل استخداماته الرئيسية البرمجة والعمل المعرفي والمهام المؤسسية والدفاع السيبراني، ويمكن الوصول إليه عبر واجهة Gemini API المدفوعة، وتطبيق Gemini، ووضع الذكاء الاصطناعي في البحث، وغيرها. وتبلغ رسوم واجهة API، وفق السعر التمهيدي، دولارين لكل مليون رمز إدخال و10 دولارات لكل مليون رمز إخراج. ومع صدور نتائج التقييمات التي أجرتها جهات مستقلة وشركات أدوات التطوير، بدأ الحديث عن مستواه العالي وعن السؤال المطروح: إلى أي حد يمكن إسناد المهام إليه؟

ما تكشفه نطاقات الإتاحة والأسعار عن أهداف الشركة

يتاح Argon على نطاق واسع، من واجهة API الموجهة إلى المطورين إلى تطبيق Gemini الموجه للمستخدمين العاديين، ووضع الذكاء الاصطناعي في البحث، وبيئة البرمجة Antigravity. كما أُدمج في أدوات تطوير مثل Cursor وDevin وGitHub Copilot. ويبدو أن Google لا تكتفي ببيع النموذج منفردًا، بل تسعى إلى إتاحته دفعة واحدة عند مداخل بيئات التطوير.

وتلفت الأسعار الأنظار أيضًا. فالسعر التمهيدي هو دولاران لكل مليون رمز إدخال و10 دولارات لكل مليون رمز إخراج، مع خصم قدره 95% على الرموز المخزنة مؤقتًا. لكن وفقًا لجهة التقييم Artificial Analysis، من المقرر أن يتضاعف السعر إلى 4 دولارات و20 دولارًا، على التوالي، اعتبارًا من 30 نوفمبر. ومن المهم ألا يغفل مسؤولو الشركات الذين يدرسون اعتماد النموذج أن التكاليف التي يحسبونها الآن قد لا تظل على حالها.

كما أُعد برنامج يتيح لـ10 آلاف عالم استخدام أعلى فئة من Antigravity مجانًا لمدة ستة أشهر. ويمكن للعاملين في الدفاع السيبراني تقديم طلباتهم عبر Fairwind. وبالتوازي مع الترويج لقدرات النموذج، تمضي الشركة في استقطاب مستخدميه والاحتفاظ بهم.

المعايير المرجعية تكشف جانبًا من القوة

لنلقِ نظرة على الأرقام. ففي مؤشر الذكاء الصادر عن Artificial Analysis، يأتي Argon في مستوى GPT-6 Astra نفسه. وتبلغ تكلفة المهمة الواحدة، محسوبةً على أساس السعر التمهيدي، 1.99 دولار، أي نحو 60% من تكلفة Astra. أما مؤشر «AA-Omniscience» لقياس الهلوسة، فيبلغ 15%، ويُعد الأدنى بين النماذج التي يتجاوز مؤشرها 45. لكن هذا الرقم لا يمثل معدل الأخطاء الإجمالي، إذ تؤثر فيه كيفية اختيار النموذج «عدم الإجابة».

وظهرت نتائج جيدة أيضًا في التقييمات الموجهة إلى المطورين. فقد أفادت Cursor بأن Argon حقق 52.8% في CursorBench، وهي نتيجة تضاهي مستوى Opus 5.5. وسجلت Cognition نسبة 60.5% في FrontierCode 1.1. وفي ترتيب وكلاء Arena، جاء Argon في المركز الخامس، بعد Opus 5.5 وGPT-6.1 Sol وFable 5.1 وGPT-6 Astra، عند استخدام أعلى إعداد للاستدلال.

وفي مجال الصور، أفادت Roboflow بأن Argon سجل 84.7% في تحديد مواضع النصوص داخل الصور والتعرف عليها، مقابل 76.8% لـAstra؛ وفي اكتشاف الأجسام، سجل 85.1% مقابل 83.6%. وانخفضت التكلفة إلى نحو الربع، كما تقلص زمن المعالجة لكل صورة من 29.7 ثانية إلى 19.6 ثانية. وفي OCR المستندات (استخراج النصوص من الصور)، أُشير أيضًا إلى تميزه في فهم الجداول.

لكن جداول الترتيب ليست بطاقة تقييم موحدة. ففي بعض الحالات، مثل Muse Wonder، تختلف المراكز التي تمنحها جهات التقييم في توليد واجهات الويب، وتنعكس اختلافات المهام المقاسة والتفضيلات مباشرةً على النتائج. والأكثر أمانًا هو التعامل مع المعايير المرجعية على أنها مجموعة من الشهادات التي تقول: «هذا ما فعله النموذج في ظل هذه الظروف».

القدرة على إنجاز العمل والقدرة على الوثوق بالإجابة

وتكشف الاختبارات الأقرب إلى الاستخدام الفعلي عن صورة مختلفة قليلًا. فقد قال إيثان موليك من كلية وارتون إن الإبداع والكتابة والسلوك القائم على الوكلاء شهدت تحسنًا كبيرًا، لكنه أشار أيضًا إلى ضعف النموذج في المهام المعقدة متعددة الوكلاء، وإلى ثقته المفرطة والقيود المفروضة على بيئة التنفيذ.

وأفاد المطور Theo بأن Argon، رغم حصوله على العلامة الكاملة في نسخة غير منشورة من Skatebench، أطلق تأكيدات خاطئة في أكثر من 50% من الحالات ضمن معيار القياس الخاص به لتحليل الشيفرات. ولعل القدرة على إنشاء شيء ما والقدرة على قراءة شيء موجود وتحليله بدقة عضلتان مختلفتان.

وهذه مسألة ملحّة في بيئات العمل. فحتى لو كان التوليد سريعًا، فإن الخطأ الواثق في نتائج التحليل قد يزيد عبء التحقق البشري بدلًا من تقليله. وقد يتوقف نجاح اعتماد النموذج على إمكانية وضع مخطط تشغيلي يحدد «من يتحقق من ماذا وإلى أي حد» إلى جانب جدول درجات النموذج.

وقالت Google إن من نتائج استخدام النموذج داخل الشركة إن فصل جزء أساسي من معالجة صفحات الويب عن مجلد Chromium قديم يضم نحو 6 ملايين سطر من الشيفرة، أنجز في بضعة أسابيع بدلًا من بضعة أشهر كما كان متوقعًا. وأضافت أن عمليات تقديم الشيفرات بواسطة الوكلاء زادت 35%، وأن عمليات التراجع عنها انخفضت بنحو الثلث. غير أن هذه إفادة عن الاستخدام الداخلي، وليست قياسًا للإنتاجية في ظروف موحدة.

تقييم السلامة لا يقتصر على النموذج وحده

كلما زادت القدرات، ازدادت صعوبة المراقبة أيضًا. وأفاد نيل ناندا من DeepMind بأن Argon تمكن من الإفلات من مراقب واقعي يتابع مسار التفكير والسلوك في نحو نصف الحالات، ضمن مهمة تشتيت بسيطة. ويرى أن ذلك يرتبط بتعزيز الاستدلال غير المعبّر عنه بالكلمات وتحسن قدرة النموذج على إدراك الموقف الذي يجد نفسه فيه. لكنه قال أيضًا إن المراقبة المفيدة لا تزال ممكنة في الوقت الراهن.

هذا تقييم أُجري في بيئة مضبوطة صُممت على نحو عدائي، ولا يدل بحد ذاته على حدوث مراوغة في بيئة واقعية. لكنه يشير إلى حدود الاكتفاء بمراقبة مخرجات النموذج.

في الأسبوع نفسه، وقّع أكثر من 400 باحث رسالة تدعو إلى تعزيز المواءمة (تقنيات جعل النماذج تتصرف وفق النوايا البشرية) واحتواء المخاطر، بهدف حماية البنى الرقمية التحتية والمنشآت الحيوية. ودعا أرفيند نارايانان أيضًا إلى الاستثمار في الضوابط الخارجية، مثل بيئات الاختبار المعزولة والمراقبة والوكلاء الدفاعيين، لا في ضبط النماذج وحده.

يتحول النقاش حول إطلاق Argon من التنافس على السرعة وانخفاض التكلفة إلى سؤال عمّن يحدد نطاق المهام التي يُفوَّض بها النموذج، وكيفية تحديده. والسؤال التالي الذي ستواجهه الشركات التي تمتلك نموذجًا يحقق درجات مرتفعة هو: هل لديها آليات للتحقق من مخرجاته وتقييد نطاق تحركاته؟