Google Gemini 4 Argon smanjuje jaz s OpenAI-em i Anthropicom, ali ne preuzima jasno vodstvo

Google je predstavio Gemini 4 Argon, novi frontier model koji smanjuje zaostatak za konkurentima iz OpenAI-a i Anthropica te ih nadmašuje na pojedinim referentnim testovima. Premda ne prednjači jasno u svim kategorijama, za frontier model je relativno pristupačan – barem po uvodnoj cijeni.

Argon je Googleov prvi frontier model u više od sedam mjeseci, nakon Gemini 3.1 Pro. Njime se tehnološki div vraća među tri vodeća AI laboratorija, iako Anthropic vjerojatno još uvijek drži primat. Nakon mukotrpnog i dugotrajnog razvoja tijekom kojeg je već najavljeni frontier model Gemini 3.5 u potpunosti preskočen, Google je ponovo u igri.

Većina korisnika morat će pričekati

Argon je u prvoj fazi dostupan odabranoj skupini „pouzdanih cyber branitelja” u sklopu programa Fairwind. Oni i Googleovi interni timovi dobit će model bez cyber zaštitnih mehanizama. Postupno uvođenje Google opravdava „faznim pristupom” koji, prema njihovim riječima, AI sposobnosti na ovoj razini zahtijevaju. Tvrtka sudjeluje i u dobrovoljnom programu američke vlade koji državnim agencijama omogućuje pristup novim modelima prije javnog objavljivanja.

Povratne informacije ranih testera poslužit će za oblikovanje sigurnosnih mehanizama modela. Tek nakon toga Google planira Argon otvoriti programerima, tvrtkama i krajnjim korisnicima – počevši od plaćenih API klijenata i pretplatnika Google AI Ultra. Datum nije naveden; tvrtka je rekla samo „što je prije moguće”.

Cijene su već poznate, barem kao uvodni iznosi: 2 dolara po milijunu ulaznih tokena i 10 dolara po milijunu izlaznih tokena. Predmemorirani ulazni tokeni koštaju 95 posto manje, što iznosi oko 10 centi po milijunu. Gemini 3.8 Flash imao je popust na predmemoriju od 90 posto. Time je Google znatno ispod ostalih frontier modela po cijeni tokena, premda ne i po potrošnji tokena (vidi niže).

*Google taj iznos ne navodi izričito, već samo napominje da je predmemorija 95 posto jeftinija od redovne cijene ulaznih tokena.

Google je ujedno povećao ograničenje izlaza s 64.000 na milijun tokena, što opisuje kao industrijsku novinu. Ideja je da model, ako može generirati stotine tisuća tokena u jednoj putanji, može temeljitije razraditi složene probleme i riješiti ih u jednom prolazu. U tu svrhu u Gemini API uvodi se nova značajka „Long Decode Continuation”, koja pauzira dugačke odgovore i nastavlja ih kroz naknadne zahtjeve kako zaključivanje ne bi dostiglo vremensko ograničenje.

Kontekstni prozor za ulaz ostaje na milijun tokena. Argon prihvaća tekst, slike, video i audio, ali isključivo generira tekstualni izlaz.

Neovisni testovi: Argon je ravan GPT-6 Astri, ali troši više tokena

Artificial Analysis donosi rano neovisno vrednovanje. Na najvišoj dostupnoj razini zaključivanja, „High”, Gemini 4 Argon postiže 53 boda na Artificial Analysis Intelligence Indexu. To ga izjednačuje s OpenAI-evim GPT-6 Astrom (max) i Claudeom Fable 5.1, te mu daje prednost od jednog boda pred GPT-6.1 Solom (max).

Anthropicovi modeli još uvijek prednjače. Claude Opus 5.5 stoji na 58 bodova, a Claude Sonnet 5.5 na 56. U usporedbi s Googleovim posljednjim frontier modelom, Gemini 3.1 Pro Previewom, Argon je skočio za 23 boda. „High” je tipično najviša razina zaključivanja za Gemini modele, premda se ponekad podržava i poseban način rada „Deep Think”.

Po trenutnoj promotivnoj cijeni, jedan zadatak na Intelligence Indexu košta 1,99 dolara. To je 60 posto cijene GPT-6 Astre (3,26 dolara), ali 2,7 puta skuplje od GPT-6.1 Sola. Nakon isteka popusta cijena raste na 3,98 dolara, što je oko 20 posto više od GPT-6 Astre. Cjenovna prednost proizlazi iz nižih stopa po tokenu, a ne iz učinkovitosti. Argon u prosjeku koristi 62.000 izlaznih tokena po zadatku, dok GPT-6 Astri treba svega 27.000.

Argon je ostvario i značajan napredak na agentskim zadacima, koji su prema Artificial Analysisu dosad bili slaba točka Gemini modela. Na AutomationBench-AA, varijanti Artificial Analysisa, zauzima prvo mjesto s 77,5 posto – šest postotnih bodova ispred Claudea Sonnet 5.5 (max). Na Terminal Bench 4 postiže 57 posto, što je skok od 53 boda u odnosu na Gemini 3.1 Pro Preview. Ipak, to ga još uvijek ostavlja iza Claudea Sonnet 5.5 (64 posto), Claudea Opus 5.5 (60 posto) i GPT-6 Astre (59 posto).

Artificial Analysis posebno ističe nisku stopu halucinacija Argona. Na AA-Omniscienceu, referentnom testu koji provjerava činjenično znanje i pošteno postupanje s prazninama u znanju, stopa halucinacija Argona iznosi 15 posto. GPT-6 Astra (max) bilježi 51 posto, a GPT-6.1 Sol (max) čak 54 posto. Argon je daleko skloniji priznati da ne zna odgovor nego pogađati pogrešno. Njegova točnost, međutim, doseže samo 50 posto – pet bodova manje od Gemini 3.1 Pro Previewa i 13 bodova manje od GPT-6 Astre (max, 63 posto). Na ukupnom rezultatu tog referentnog testa Argon osvaja 42 boda, što je otprilike jednako GPT-6 Astri (43) i GPT-6.1 Solu (42).

Googleovi vlastiti rezultati referentnih testova prikazuju situaciju u povoljnijem svjetlu. Na većini tih testova Argon prednjači, ponekad i s velikim razlikama.

Argon predvodi i Vals Index. S 68,9 posto zauzima prvo mjesto prema Vals AI-u, čime postaje prvi Gemini model koji je dostigao vrh tog indeksa. Na 20 od 22 testirana referentna testa Argon završava u prvih pet, s posebno izraženom snagom u financijama, pravu, programiranju i sigurnosti. Valja napomenuti da u ovom testu srednji model Sonnet 5.5 nadmašuje Anthropicov vodeći model Opus 5.5, pa rezultate treba uzeti s rezervom.

Kao i uvijek, AI modeli moraju dokazati svoju vrijednost u stvarnoj primjeni, a učinkovitost ne ovisi samo o samom modelu nego i o softveru koji ga okružuje. Tu je trenutno Googleova slaba točka: Gemini aplikacija još uvijek zaostaje za Claude Coworkom i ChatGPT Workom.

Argon predvodi ljestvice ljudskih preferencija za tekst

Na Arena.ai, gdje ljudi ocjenjuju izlaze modela u izravnim usporedbama, Argon se pokazuje izvrsno. U Text Areni Gemini 4 Argon (High) zauzima prvo mjesto s 1.525 bodova, 20 bodova ispred Claudea Opus 4.6 (High) na drugom mjestu. To ga čini snažnim kandidatom za zadatke pisanja – posebno nakon dugog razdoblja bez konkurentnih modela za pisanje i budući da Opus 5.5 još uvijek ne dostiže Opus 4.6 na ljestvicama ljudskih preferencija. Googleov prethodni model, Gemini 3.8 Flash (High), nalazio se na jedanaestom mjestu.

Prema Areni, Argon predvodi u programiranju, zahtjevnim upitima, praćenju uputa, dužim upitima i kreativnom pisanju. Zauzima i prvo mjesto u svim ocijenjenim profesionalnim područjima, kao i za upite na engleskom, kineskom, ruskom te za neengleske upite općenito.

Rezultati u web razvoju skromniji su. U Code Areni: WebDev Argon osvaja 1.679 bodova i završava na osmom mjestu. To je poboljšanje od 96 bodova u odnosu na Gemini 3.8 Flash (High) i skok s 29. mjesta, ali nije dovoljno za vrh ljestvice.

Što se tiče omjera cijene i učinkovitosti, Arena stavlja Argon ispred konkurencije. Po mješovitoj stopi od 8 dolara po milijunu tokena, Argon pomiče Pareto granicu Text Arene i trenutno je najisplativiji model na ljestvici.