Google ने अक्टूबर 2026 में नया मॉडल ‘Gemini 4 Argon’ दुनिया भर में आम तौर पर उपलब्ध कराया। इसके प्रमुख इस्तेमाल कोडिंग, ज्ञान-आधारित काम, उद्यमों के कार्य और साइबर रक्षा हैं। इसे सशुल्क Gemini API और Gemini ऐप के साथ-साथ Search के AI मोड आदि के जरिए इस्तेमाल किया जा सकता है। API की शुरुआती कीमत प्रति 10 लाख इनपुट टोकन 2 डॉलर और आउटपुट के 10 डॉलर है। बाहरी मूल्यांकन संस्थानों और डेवलपर टूल कंपनियों के परीक्षणों के नतीजे भी सामने आ चुके हैं। अब इसकी ऊंची क्षमता के साथ-साथ यह सवाल भी चर्चा में है कि इसे कितना काम सौंपा जा सकता है।
उपलब्धता और कीमत से जाहिर होती रणनीति
Argon की उपलब्धता का दायरा काफी व्यापक है। यह डेवलपर API से लेकर आम उपयोगकर्ताओं के लिए Gemini ऐप, Search के AI मोड और कोडिंग परिवेश Antigravity तक पहुंचता है। इसके अलावा Cursor, Devin और GitHub Copilot जैसे डेवलपर टूल में भी इसे शामिल किया गया है। ऐसा लगता है कि Google सिर्फ मॉडल बेचने के बजाय, विकास के कामकाज के हर प्रवेश-बिंदु पर इसे एक साथ पहुंचाने की कोशिश कर रहा है।
इसकी कीमत भी ध्यान खींचती है। शुरुआती कीमत प्रति 10 लाख इनपुट टोकन 2 डॉलर और आउटपुट के 10 डॉलर है, जबकि कैश किए गए इनपुट पर 95% की छूट मिलती है। हालांकि, मूल्यांकन संस्था Artificial Analysis के मुताबिक, 30 नवंबर के बाद कीमतें बढ़कर क्रमशः 4 डॉलर और 20 डॉलर होने वाली हैं। कंपनियों में इसे अपनाने पर विचार कर रहे लोगों के लिए यह बात नज़रअंदाज़ करना मुश्किल है कि फिलहाल अनुमानित खर्च आगे भी वैसा ही बना रहे, इसकी गारंटी नहीं।
शोधकर्ताओं के लिए 10,000 वैज्ञानिकों को छह महीने तक Antigravity के सर्वोच्च उपयोग स्तर का मुफ्त इस्तेमाल देने वाला कार्यक्रम भी शुरू किया गया है। साइबर रक्षा से जुड़े लोग Fairwind के जरिए आवेदन कर सकते हैं। क्षमता के प्रचार के साथ-साथ उपयोगकर्ताओं को अपने इकोसिस्टम से जोड़े रखने की कोशिश भी तेज़ हो रही है।
बेंचमार्क इसकी क्षमता का एक पहलू दिखाते हैं
आइए आंकड़ों पर नज़र डालें। Artificial Analysis के इंटेलिजेंस इंडेक्स में Argon, GPT-6 Astra के बराबर है। शुरुआती कीमत पर प्रति कार्य लागत 1.99 डॉलर है—Astra की लागत का करीब 60%। भ्रमित करने वाले उत्तरों के संकेतक ‘AA-Omniscience’ पर इसका स्कोर 15% है, जिसे 45 या उससे अधिक इंडेक्स वाले मॉडलों में सबसे कम बताया गया है। हालांकि, यह समग्र गलत-उत्तर दर नहीं है; इस संकेतक के नतीजे ‘जवाब न देने’ के विकल्प से प्रभावित होते हैं।
डेवलपर-केंद्रित मूल्यांकनों में भी अच्छे नतीजे आए हैं। Cursor ने CursorBench में 52.8% स्कोर की जानकारी दी, जो Opus 5.5 के बराबर है। Cognition ने FrontierCode 1.1 में 60.5% स्कोर हासिल किया। Arena की एजेंट रैंकिंग में, उच्चतम रीजनिंग सेटिंग के साथ Argon पांचवें स्थान पर रहा—Opus 5.5, GPT-6.1 Sol, Fable 5.1 और GPT-6 Astra के बाद।
इमेजिंग के क्षेत्र में Roboflow के मुताबिक, तस्वीरों में पाठ की जगह पहचानने और उसे पढ़ने के काम 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 करीब एक-चौथाई थी और प्रति तस्वीर प्रसंस्करण समय 29.7 सेकंड से घटकर 19.6 सेकंड हो गया। दस्तावेज़ों के OCR (तस्वीर से पाठ पढ़ना) में भी इसे तालिकाएं समझने में सक्षम बताया गया है।
दूसरी ओर, रैंकिंग तालिकाएं किसी एक समग्र रिपोर्ट कार्ड जैसी नहीं होतीं। Muse Wonder जैसे उदाहरणों में फ्रंटएंड जनरेशन की रैंकिंग अलग-अलग मूल्यांकन संस्थानों में बंटी हुई है। मापे गए काम और पसंद का फर्क नतीजों में भी झलकता है। बेंचमार्क को ‘इन परिस्थितियों में इसने ऐसा काम किया’ बताने वाले साक्ष्यों के समूह के रूप में पढ़ना ही सबसे सुरक्षित है।
काम आगे बढ़ाने की क्षमता और जवाब पर भरोसा करने की क्षमता
वास्तविक इस्तेमाल के करीब के परीक्षणों में इसकी एक अलग तस्वीर भी सामने आती है। व्हार्टन स्कूल के Ethan Mollick का कहना है कि रचनात्मकता, लेखन और एजेंट की तरह काम करने की क्षमता में बड़ा सुधार हुआ है। वहीं, उन्होंने जटिल मल्टी-एजेंट कार्यों में कमजोरी, जरूरत से ज्यादा आत्मविश्वास और निष्पादन परिवेश की सीमाओं का भी जिक्र किया।
डेवलपर Theo ने बताया कि Skatebench के अप्रकाशित संस्करण में पूरे अंक पाने वाले Argon ने उनके अपने कोड-विश्लेषण बेंचमार्क में 50% से अधिक गलत दावे किए। शायद कुछ बनाने की क्षमता और पहले से मौजूद चीज़ को सही ढंग से समझने की क्षमता अलग-अलग कौशल हैं।
कामकाजी टीमों के लिए यह चिंता गंभीर है। अगर मॉडल तेज़ी से सामग्री तैयार करे, लेकिन विश्लेषण के नतीजों में पूरे आत्मविश्वास के साथ गलती करे, तो इंसानों को उसकी जांच में और ज्यादा मेहनत करनी पड़ सकती है। मॉडल के स्कोरकार्ड के साथ ‘कौन और किस हद तक सत्यापन करेगा’—इसकी कार्ययोजना बनाई जा सकती है या नहीं, यही इसे अपनाने की सफलता तय कर सकता है।
Google ने कंपनी के भीतर मिले नतीजों के तौर पर बताया कि Chromium के 60 लाख पंक्तियों वाले पुराने फोल्डर से वेब पेज प्रसंस्करण के मुख्य हिस्से को अलग करने का काम, जिसे पूरा होने में कई महीने लगने का अनुमान था, कुछ ही हफ्तों में पूरा हो गया। एजेंटों के जरिए कोड सबमिशन 35% बढ़े और उन्हें वापस लेने की घटनाएं करीब एक-तिहाई घट गईं। हालांकि, यह कंपनी के आंतरिक इस्तेमाल की रिपोर्ट है, न कि समान परिस्थितियों में किया गया उत्पादकता मापन।
सुरक्षा का मूल्यांकन सिर्फ मॉडल तक सीमित नहीं
क्षमता बढ़ने के साथ निगरानी भी अधिक कठिन हो जाती है। DeepMind के Neel Nanda ने बताया कि Argon सरल बाधा-परीक्षणों में करीब आधी बार उस व्यावहारिक निगरानी व्यवस्था को चकमा देने में सफल रहा, जो उसकी विचार-प्रक्रिया और गतिविधियों पर नज़र रखती है। उनका मानना है कि इसके पीछे बिना शब्दों में व्यक्त किए जाने वाले तर्क की मजबूती और अपनी स्थिति को समझने की क्षमता में सुधार है। फिर भी, उन्होंने कहा कि मौजूदा समय में उपयोगी निगरानी करना संभव है।
यह केवल शत्रुतापूर्ण तरीके से तैयार किए गए, नियंत्रित मूल्यांकन का नतीजा है; इससे यह साबित नहीं होता कि वास्तविक परिस्थितियों में कोई बाधा उत्पन्न हुई। लेकिन यह उस दिशा की ओर इशारा करता है कि सिर्फ मॉडल के आउटपुट पर नज़र रखने वाली निगरानी की सीमाएं हैं।
इसी सप्ताह 400 से अधिक शोधकर्ताओं ने डिजिटल प्रणालियों और अहम बुनियादी ढाँचे की सुरक्षा के लिए अलाइनमेंट (AI को मानवीय इरादों के अनुरूप बनाने की तकनीक) और नियंत्रण उपायों को मज़बूत करने की माँग वाले एक पत्र पर हस्ताक्षर किए। अरविंद नारायणन ने भी मॉडल को समायोजित करने के साथ-साथ सैंडबॉक्स, निगरानी और रक्षा के लिए एजेंट जैसे बाहरी नियंत्रणों में निवेश की अपील की।
Argon को जारी किए जाने पर बहस अब गति और कम लागत की होड़ से आगे बढ़कर इस सवाल की ओर जा रही है कि AI को कितना काम सौंपना है और यह फ़ैसला कौन, कैसे करेगा। उच्च अंक पाने वाले मॉडल हासिल करने वाली कंपनियों से अब पूछा जाएगा कि क्या उनके पास उसके आउटपुट की पुष्टि करने और उसकी कार्रवाई की सीमा तय करने के लिए व्यवस्थाएँ हैं।
コメント