Google представила Gemini 4 Argon — новую модель искусственного интеллекта, рассчитанную не столько на короткие ответы в диалоге, сколько на выполнение сложных и продолжительных задач. Главной особенностью стала возможность генерировать до 1 миллиона токенов в рамках одной продолжительной траектории работы. Ранее предельный размер вывода для предыдущего поколения составлял 64 тысячи токенов.
На первый взгляд увеличение лимита в пятнадцать раз может показаться обычным техническим улучшением. Однако его значение гораздо шире. Большое количество выходных токенов позволяет модели дольше рассуждать, анализировать большие объёмы информации, писать и проверять код, выполнять последовательность действий и самостоятельно доводить сложное поручение до результата.
Google описывает Argon как модель для так называемых long-horizon workflows — продолжительных рабочих процессов, где задача не заканчивается одним ответом. Компания уже использует модель для программирования, миграции больших кодовых баз, разработки алгоритмов, анализа корпоративной информации и задач кибербезопасности.
Миллион токенов — это не просто огромный текстовый ответ
Токен — это небольшая единица текста, которую языковая модель обрабатывает при генерации. В зависимости от языка и структуры текста один токен может соответствовать части слова, слову или нескольким символам. Google указывает, что в английском языке 100 токенов обычно соответствуют примерно 60–80 словам.
Поэтому миллион токенов — это действительно огромный объём информации. Но гораздо важнее не возможность написать миллион токенов подряд, а то, зачем модели предоставляется такой бюджет.
Большой лимит позволяет использовать Gemini 4 Argon для задач, которые требуют десятков тысяч или сотен тысяч промежуточных шагов. Например, агент может исследовать большой программный проект, найти взаимосвязи между модулями, изменить архитектуру, переписать отдельные компоненты, провести тестирование и исправить обнаруженные ошибки.
В таком сценарии пользователь не обязан постоянно отвечать на вопросы модели и выдавать ей следующую инструкцию. Вместо серии коротких запросов формируется одно более крупное поручение.
От чат-бота к исполнителю задач
Именно здесь появляется главное изменение подхода. Обычный чат с ИИ предполагает цикл: пользователь задаёт вопрос, получает ответ, проверяет его и формулирует следующий запрос. Такой формат удобен для поиска информации, написания текста или получения подсказок, но он плохо подходит для длинных процессов.
Агентная модель работы выглядит иначе. Пользователь формулирует конечную цель, после чего ИИ самостоятельно разбивает её на этапы, использует доступные инструменты, анализирует промежуточные результаты и продолжает работу.
Условно процесс можно представить так:
- получение большого задания;
- планирование последовательности действий;
- анализ исходных данных;
- выполнение отдельных операций;
- проверка промежуточных результатов;
- исправление ошибок;
- формирование конечного результата.
Таким образом, главным продуктом становится уже не отдельный ответ модели, а выполненная работа. Это важный переход для корпоративного использования искусственного интеллекта.
Какие задачи Google уже выполняет с помощью Gemini 4 Argon
Google приводит несколько показательных примеров использования новой модели. В частности, инженеры компании применяют Argon для работы с крупными программными проектами и миграции кода.
Один из наиболее интересных сценариев связан с автоматической миграцией внутреннего программного обеспечения с C и C++ на Rust. По данным Google, агент способен работать даже с чрезвычайно большими кодовыми базами, включая ядро объёмом более 800 тысяч строк.
Другой пример относится к анализу телеметрии дата-центров. В подобных задачах модель может самостоятельно обрабатывать огромные массивы информации и искать способы оптимизации инфраструктуры.
Google также подчёркивает возможности Argon в таких областях, как программная инженерия, финансовые и юридические процессы, корпоративный анализ и кибербезопасность. В частности, модель постепенно предоставляется специалистам по кибербезопасности в рамках программы Fairwind.
Почему увеличение времени работы важнее увеличения объёма контекста
У языковых моделей есть два связанных, но разных понятия: контекст и вывод. Большое контекстное окно позволяет модели прочитать большое количество информации. Большой лимит вывода позволяет ей генерировать длинный результат и продолжать рассуждение.
В случае Gemini 4 Argon Google делает особый акцент именно на продолжительности вычислительной траектории. Модель может расходовать значительно больше токенов на рассуждение и выполнение задачи, чем обычный чат-бот.
Это особенно важно для программирования. Исправление небольшой ошибки может занимать несколько запросов, а изменение архитектуры большого приложения требует гораздо большего количества операций. Если модель способна самостоятельно пройти весь этот путь, человек получает не отдельный фрагмент кода, а более законченный результат.
Рост возможностей ИИ уже измеряется часами
Интересно сравнить это развитие с исследованиями организации METR, которая измеряет так называемый time horizon — сложность задачи, которую агент способен выполнить с определённой вероятностью. Важно, что этот показатель не означает фактическое количество часов непрерывной работы модели. Он характеризует продолжительность человеческой работы, соответствующую сложности задания.
В опубликованных METR данных за 2026 год наиболее способные публичные системы приблизились к задачам, которые человек выполнял бы много часов. При этом сама организация предупреждает, что её набор тестов становится ненадёжным для оценки горизонтов выше 16 часов.
Это важное ограничение: нельзя напрямую утверждать, что современный ИИ уже способен стабильно выполнять любую задачу в течение рабочего дня. Однако направление развития очевидно — модели переходят от решения коротких вопросов к выполнению всё более продолжительных цепочек действий.
Миллион токенов не означает миллион полезных токенов
Большой лимит вывода сам по себе не гарантирует высокого качества. Модель может потратить огромное количество токенов на промежуточные рассуждения, повторяющиеся операции или действия, которые в итоге не улучшают результат.
Именно поэтому при оценке Gemini 4 Argon необходимо смотреть не только на максимальное количество токенов, но и на эффективность их использования.
По данным Artificial Analysis, Argon в среднем расходует около 62 тысяч выходных токенов на задачу в их Intelligence Index. Для сравнения, у некоторых конкурирующих моделей показатель значительно ниже. Это означает, что более дешёвый токен не обязательно означает более дешёвую работу всей системы.
Иными словами, стоимость ИИ постепенно начинает зависеть не только от цены одного миллиона токенов, но и от того, сколько токенов агент решит потратить для достижения результата.
Сколько стоит работа Gemini 4 Argon
На момент запуска Artificial Analysis оценивал стоимость выполнения одной задачи Intelligence Index для Gemini 4 Argon примерно в 1,99 доллара при действующей скидке. В дальнейшем ожидается повышение стоимости примерно до 3,98 доллара за аналогичную задачу.
При этом стоимость отдельного токена может создавать обманчивое впечатление о цене. Если одна модель использует 10 тысяч токенов для решения задачи, а другая — 60 тысяч, сравнивать только цену токена недостаточно.
Для бизнеса это означает необходимость переходить от вопроса «сколько стоит миллион токенов?» к более практичному вопросу: «сколько стоит выполнение конкретного рабочего процесса?»
В будущем компании, использующие автономных агентов, вероятно, будут устанавливать бюджеты не только на количество запросов, но и на отдельные типы задач. Это позволит ограничивать расходы, если агент неожиданно попадёт в длинный цикл рассуждений или повторяющихся действий.
Главная проблема — проверка результата
Чем дольше работает агент, тем сложнее человеку контролировать его действия. Если модель отвечает на вопрос за несколько секунд, пользователь может прочитать ответ целиком. Если же агент работает несколько часов и создаёт десятки тысяч строк кода или большой аналитический отчёт, проверять каждый промежуточный шаг становится практически невозможно.
В результате меняется сама роль человека. Вместо постоянного наблюдения за ИИ специалисту приходится:
- правильно формулировать конечную цель;
- задавать ограничения и критерии качества;
- определять допустимый бюджет вычислений;
- проверять итоговый результат;
- тестировать критически важные операции;
- контролировать потенциальные ошибки и последствия.
Получается своеобразная модель «делегирования». Человек становится не оператором каждой отдельной операции, а постановщиком задачи и аудитором результата.
Автономность увеличивает и риск ошибок
Продолжительная работа имеет и обратную сторону. Если ошибка возникает на раннем этапе, агент может продолжить работу уже на неправильных предположениях. Чем длиннее цепочка действий, тем больше потенциальных мест, где первоначальная ошибка способна повлиять на конечный результат.
Поэтому автономный агент нуждается в механизмах контроля. Это могут быть автоматические тесты, ограничения доступа, контрольные точки, подтверждение критических операций и возможность остановить выполнение.
Особенно важен такой подход в программировании, финансовых системах и кибербезопасности. Если агент имеет доступ к реальной инфраструктуре, ошибка в одном из промежуточных решений может привести не просто к неправильному тексту, а к изменению данных или программного окружения.
Сама Google подчёркивает необходимость поэтапного расширения доступа к Gemini 4 Argon и проведения дополнительных проверок безопасности перед более широким распространением модели.
Что меняется для разработчиков
Для разработчиков появление моделей с длинным горизонтом работы может оказаться особенно заметным. Сейчас ИИ уже используется для генерации функций, исправления ошибок, написания тестов и анализа отдельных файлов. Следующий этап — делегирование целых инженерных задач.
Например, вместо запроса «исправь эту функцию» можно поставить задачу «проанализируй репозиторий, найди причину проблемы, исправь её, добавь тесты и подготовь изменения». При достаточном уровне автономности агент самостоятельно пройдёт несколько этапов.
Однако это не отменяет необходимости человеческой экспертизы. Напротив, возрастает значение архитектурного мышления, понимания требований и способности оценивать качество полученного результата.
ИИ становится похож на цифрового подрядчика
Наиболее точная аналогия для нового поколения агентов — не поисковая система и не чат-бот, а цифровой подрядчик. Пользователь ставит задачу, определяет ограничения и получает результат после некоторого времени.
Такой подход способен изменить программирование, аналитику, техническую поддержку, исследования и многие другие виды интеллектуального труда. В некоторых процессах человек будет выполнять большую часть работы самостоятельно, а ИИ станет инструментом ускорения. В других случаях значительная часть операций может перейти агенту.
Но вместе с этим возникает новая проблема распределения ответственности. Если человек лично формировал каждый этап работы, проще определить, где возникла ошибка. Если же автономный агент самостоятельно принимал сотни решений, становится гораздо сложнее установить, кто должен отвечать за итоговый результат.
Выводы
Gemini 4 Argon показывает важный переход в развитии генеративного ИИ. Речь уже идёт не только о том, насколько хорошо модель отвечает на отдельный запрос. Всё большее значение приобретает её способность самостоятельно выполнять длинные последовательности действий.
Лимит в 1 миллион токенов важен именно в этом контексте. Он создаёт техническую возможность для гораздо более продолжительных вычислительных траекторий и сложных агентных сценариев.
Однако большой лимит не гарантирует правильного результата. Чем автономнее становится ИИ, тем важнее контроль, тестирование, ограничения доступа и независимая проверка выполненной работы.
Для пользователя это означает изменение самой модели взаимодействия с искусственным интеллектом. В будущем запрос может выглядеть не как вопрос с ожиданием ответа, а как полноценное техническое задание. И тогда главным критерием станет уже не красота ответа в чате, а то, насколько качественно система выполнила порученную ей работу.
Первоисточники и дополнительные материалы
Официальный анонс Gemini 4 Argon от Google DeepMind
Испанская версия официального материала Google о Gemini 4 Argon
Документация Google AI: что такое токены и как они считаются
METR: измерение горизонта выполнения задач современными ИИ-агентами
Artificial Analysis: анализ производительности и стоимости Gemini 4 Argon
Оригинальная статья Xataka о переходе Gemini 4 к длительной автономной работе
Часто задаваемые вопросы
Gemini 4 Argon — новая модель Google, ориентированная на сложные многоэтапные задачи, программирование, корпоративную аналитику и другие продолжительные рабочие процессы.
Google заявляет лимит до 1 миллиона выходных токенов, что значительно больше прежнего ограничения в 64 тысячи токенов.
Нет. Токен и слово — разные единицы. Один токен может соответствовать части слова, слову или нескольким символам. Поэтому миллион токенов — это большой объём текста, но не миллион слов.
Он позволяет модели дольше рассуждать и выполнять многоэтапные задачи: анализировать большие проекты, изменять код, проводить проверки и последовательно работать над сложной задачей.
Полностью полагаться на результат без проверки не следует. Для автономных агентов особенно важны автоматические тесты, контроль изменений, ограничения доступа и проверка результата человеком.
Развитие моделей движется в сторону увеличения продолжительности самостоятельного выполнения задач. Однако степень автономности зависит от конкретной системы, доступных инструментов, ограничений и требований безопасности.
При продолжительной работе агент может использовать десятки тысяч или сотни тысяч токенов. Поэтому для бизнеса важнее стоимость выполнения всей задачи, а не только цена одного миллиона входных или выходных токенов.
Вместо постоянного диалога с ИИ пользователь сможет всё чаще формулировать полноценное задание и получать результат после самостоятельной работы агента. При этом необходимость проверки результата сохранится.
