جمینای ۴ آرگون: وقتی مدل مرزی پیش از عرضه عمومی، فقط به مدافعان سایبری می‌رسد

گوگل دیپ‌مایند مدل مرزی تازه خود با نام Gemini 4 Argon را معرفی کرد، اما آن را ابتدا در اختیار توسعه‌دهندگان و مشتریان سازمانی نگذاشت؛ نخستین دریافت‌کنندگان، گروهی از مدافعان سایبری مورد اعتماد در چارچوب برنامه‌ای به نام Fairwind هستند^[۱][۲]. به گفته گوگل، عرضه ایمن قابلیت‌هایی در این سطح نیازمند رویکرد مرحله‌ای است و شرکت تا پیش از بازکردن دسترسی برای توسعه‌دهندگان، سازمان‌ها و کاربران عمومی، بازخورد آزمایش‌کنندگان اولیه را جمع می‌کند و حفاظ‌ها را تقویت می‌کند^[۱]. نکته‌ای که زیر سایه این محدودیت کمتر دیده می‌شود، دو عدد دیگر همین اعلامیه است: قیمت معرفی ۲ دلار برای هر میلیون توکن ورودی و ۱۰ دلار برای هر میلیون توکن خروجی، و گسترش سقف تولید خروجی مدل به ۱ میلیون توکن^[۱]. برداشت ما این است که همین دو عدد، بیش از جدول بنچمارک‌ها، اقتصاد گردش‌کارهای عامل‌محور را جابه‌جا می‌کند.

واقعیت‌های کلیدی

• گوگل دیپ‌مایند مدل مرزی Gemini 4 Argon را معرفی کرد و دسترسی اولیه را از طریق برنامه Fairwind به گروهی از مدافعان سایبری مورد اعتماد داد.^[۱][۲]
• قیمت معرفی: ۲ دلار برای هر میلیون توکن ورودی و ۱۰ دلار برای هر میلیون توکن خروجی، با ۹۵ درصد تخفیف برای توکن‌های ورودی کش‌شده.^[۱]
• به گفته گوگل، سقف تولید خروجی مدل به ۱ میلیون توکن گسترش یافته است.^[۱]
• به ادعای گوگل، Argon در DeepSWE v1.1 امتیاز ۷۷٫۹ درصد، در AutomationBench ۵۱٫۳ درصد، در LVBench ۹۱٫۷ درصد و در CWE-bench v1 امتیاز ۶۸ درصد گرفته است.^[۱]
• برای مدافعان مورد اعتماد و تیم‌های داخلی گوگل، مدل بدون حفاظ‌های سایبری عرضه می‌شود.^[۱]
• گوگل اعلام کرده در فرایند داوطلبانه دولت آمریکا برای دسترسی پیش از عرضه به مدل مشارکت دارد.^[۱][۲]

آنچه اعلام شد: دسترسی دروازه‌دار با قیمت مشخص

بر پایه اعلام گوگل دیپ‌مایند، Argon برای حفظ استدلال عمیق در گردش‌کارهای پیچیده و طولانی ساخته شده و شرکت می‌گوید در مهندسی نرم‌افزار واقعی، کار دانشی سازمانی مانند حقوق و مالی، و دفاع سایبری عملکرد مرزی ارائه می‌کند^[۱]. برای مدافعان مورد اعتماد و تیم‌های داخلی خود گوگل، مدل بدون حفاظ‌های سایبری منتشر می‌شود تا توان کامل دفاعی آن در دسترس باشد^[۱]. گوگل همچنین اعلام کرده در فرایند داوطلبانه دولت آمریکا برای دسترسی پیش از عرضه به مدل مشارکت دارد^[۱][۲]. اعلام‌کننده این خبر کوری کاووک‌چواوغلو، معمار ارشد هوش مصنوعی گوگل و معاون ارشد دیپ‌مایند بود که در ماه اوت به مدیریت دیپ‌مایند رسیده بود^[۲].

در کنار محدودیت دسترسی، ساختار هزینه هم اعلام شده است: ۲ دلار برای هر میلیون توکن ورودی، ۱۰ دلار برای هر میلیون توکن خروجی و ۹۵ درصد تخفیف برای توکن‌های ورودی کش‌شده نسبت به قیمت ورودی^[۱]. سقف تولید خروجی مدل نیز به ۱ میلیون توکن گسترش یافته است که به گفته گوگل در صنعت پیشتاز است^[۱].

ادعاهای عملکردی همگی از سوی خود گوگل منتشر شده‌اند: به ادعای این شرکت، Argon در DeepSWE v1.1 با ۷۷٫۹ درصد رکورد تازه‌ای ثبت کرده، در AutomationBench زپیر با امتیاز ۵۱٫۳ درصد رتبه نخست را دارد، در LVBench با ۹۱٫۷ درصد در صدر است و در CWE-bench v1 با امتیاز ۶۸ درصد در جایگاه اول شریک است^[۱]. به نوشته The Verge، گوگل نموداری منتشر کرده که در آن Gemini 4 در بسیاری از بنچمارک‌ها جلوتر از مدل‌های رقیب OpenAI و Anthropic نشان داده شده است^[۲].

ویترین اصلی، کار داخلی خود گوگل است

گوگل می‌گوید Argon هم‌اکنون گردش‌کارهای داخلی این شرکت را پیش می‌برد و شمار زیادی از کارمندان گوگل روی توان آن در کدنویسی تخصصی، پژوهش عمیق‌تر و کیفیت نگارش تأکید کرده‌اند^[۱]. نمونه‌های اعلام‌شده مشخص‌اند: بهبود ۴۰ درصدی نسبت به مبنای منتشرشده در بهینه‌سازی منابع یک زیرروال محاسبات کوانتومی، آزادسازی بیش از ۳۰۰ تبی‌بایت حافظه در مراکز داده با برآورد ۵۰۰ تبی‌بایت تا ۱ پبی‌بایت صرفه‌جویی کل، و مهاجرت کدهای C/C++ به Rust از کتابخانه‌های اصلی مانند re2 و libgav1 تا هسته Zircon در سیستم‌عامل Fuchsia^[۱]. در libgav1، عامل‌های Argon کد SIMD پورت Rust موجود را با Rust ایمن جایگزین کردند و نتیجه، رمزگشای ویدئویی حافظه‌امن است که به گفته گوگل ۲٫۷ برابر سریع‌تر از آن پورت اجرا می‌شود^[۱].

در سمت امنیت، شرکت Wiz از Argon در ابتکار Scan for Good استفاده می‌کند و به گفته گوگل، مدل یک آسیب‌پذیری بحرانی در نرم‌افزار حوزه سلامت مورد استفاده بیمارستان‌ها را یافته که مدل‌های مرزی پیشین آن را از دست داده بودند^[۱]. گوگل همچنین می‌گوید در بنچمارک داخلی خود، Argon آسیب‌پذیری‌هایی را در کدپایه‌هایی با ۲۰ زبان برنامه‌نویسی کشف کرده است^[۱]. این نمونه‌ها گزارش خود فروشنده‌اند و تا زمانی که تیم‌های بیرونی همان کارها را تکرار نکنند، به نظر می‌رسد باید آن‌ها را شاهد جهت‌دار دانست، نه سنجه مستقل.

دروازه دسترسی، خودش یک تصمیم تجاری است

چه چیزی برای تیم‌های محصول، داده و امنیت عملی است

اقتصاد پروژه‌ها با سقف خروجی ۱ میلیون توکن تغییر می‌کند؛ به گفته گوگل، وقتی مدل فضای لازم برای تولید حجم بزرگی از توکن در یک مسیر را داشته باشد، عمق استدلال برای حل یک‌باره مسئله بیشتر می‌شود^[۱]. با تخفیف ۹۵ درصدی توکن ورودی کش‌شده، انضباط در طراحی پرامپت و بازاستفاده از زمینه ثابت مستقیماً روی صورت‌حساب اثر می‌گذارد^[۱]. برداشت ما این است که تیم‌هایی که هزینه را در سطح وظیفه و نه در سطح فراخوانی اندازه می‌گیرند، زودتر می‌فهمند کدام گردش‌کار عامل‌محور واقعاً صرفه دارد.

در سمت امنیت، گوگل می‌گوید Argon مقاوم‌ترین مدل این شرکت در برابر تزریق غیرمستقیم پرامپت است و در بنچمارک Gray Swan پیشتاز است، اما هم‌زمان تأکید می‌کند این حملات به دفاع چندلایه و مراقبت مستمر نیاز دارند^[۱]. پیام عملی روشن است: مقاومت مدل جایگزین معماری ایزوله، محدودسازی اختیارات عامل و پایش اجرای آن نمی‌شود. اینکه OpenAI هم اعلام کرده مدل برنامه‌ریزی‌شده GPT-6.1 Astra را به دلیل نگرانی‌های ایمنی منتشر نمی‌کند، نشان می‌دهد مشروط‌کردن یا نگه‌داشتن عرضه در این سطح از توانایی، به رویه‌ای مشترک میان آزمایشگاه‌ها تبدیل شده است^[۲].

خط زمانی

1. 2026-08: کوری کاووک‌چواوغلو به مدیریت گوگل دیپ‌مایند منصوب شد.^[۲]
2. 2026-09: OpenAI در رویداد DevDay عامل Dots و مدل GPT-6.1 Sol را معرفی کرد و اعلام کرد مدل GPT-6.1 Astra را به دلیل نگرانی ایمنی منتشر نمی‌کند.^[۲]
3. 2026-09-30: گوگل دیپ‌مایند Gemini 4 Argon را معرفی کرد و عرضه آن را به مدافعان سایبری مورد اعتماد در برنامه Fairwind محدود کرد.^[۱][۲]

برای کسب‌وکارهای ایرانی

برای تیم‌های فنی در ایران، مهم‌ترین بخش این خبر دسترسی نیست، ساختار هزینه و شکل کار است. وقتی سقف خروجی به ۱ میلیون توکن می‌رسد و توکن ورودی کش‌شده با ۹۵ درصد تخفیف محاسبه می‌شود، معیار درست برای مقایسه هر مدلی، چه بسته و چه با وزن باز، هزینه هر کار کامل‌شده است، نه قیمت اسمی هر توکن^[۱]. دومین نکته، الگوی دسترسی مرحله‌ای است: هرچه قابلیت‌های مرزی پشت برنامه‌های تأییدشده قرار بگیرند، فاصله میان مدل‌های با وزن باز و مدل‌های بسته در کارهای عامل‌محور طولانی محسوس‌تر می‌شود و طراحی معماری روی مدل‌های در دسترس اهمیت بیشتری پیدا می‌کند. سوم، هیچ‌کدام از ادعاهای عملکردی جایگزین ارزیابی داخلی روی داده و زبان خود سازمان نمی‌شود؛ ساختن مجموعه آزمون اختصاصی و سنجش مقاومت در برابر تزریق پرامپت، کاری است که مستقل از دسترسی به یک مدل خاص باید انجام شود.

چه چیزی را باید دنبال کرد

• تاریخ و شرایط عرضه Argon برای توسعه‌دهندگان و مشتریان سازمانی و اینکه آیا قیمت معرفی ۲ و ۱۰ دلار در عرضه عمومی حفظ می‌شود.
• انتشار نتایج ارزیابی مستقل از سوی تیم‌های بیرونی روی همان بنچمارک‌هایی که گوگل گزارش کرده است.
• اینکه آیا الگوی عرضه بدون حفاظ سایبری به فهرست مدافعان تأییدشده، از سوی دیگر آزمایشگاه‌ها هم تکرار می‌شود.
• تأثیر سقف خروجی ۱ میلیون توکن بر قیمت‌گذاری و طراحی محصولات عامل‌محور رقبا.

داده‌های مرتبط در همین سایت: دانلود روزانه کیت‌های توسعه هوش مصنوعی در npm

منابع

1. Gemini 4 Argon: our next era of frontier intelligence — Google DeepMind، انتشار: 2026-09-30، دسترسی: 2026-09-30
2. Google announces Gemini 4 and says it’s so capable that only ‘trusted cyber defenders’ can have it right now — The Verge AI، انتشار: 2026-09-30، دسترسی: 2026-09-30

روش تهیه: این تحلیل با سامانه پایش خودکار khavarzadeh.com و کمک مدل‌های زبانی از منابع بالا تهیه شده و پیش از انتشار، تطابق اعداد، تاریخ‌ها و ارجاع‌ها با منابع به‌صورت خودکار کنترل شده است. واقعیت‌ها با شماره منبع مشخص شده‌اند و بقیه متن برداشت تحلیلی است. تاریخ تهیه: 2026-10-01.