Google je najavio Gemini 4 Argon, novi model umjetne inteligencije namijenjen radu na složenim zadacima koji zahtijevaju dugotrajno rezonovanje, uključujući razvoj softvera, poslovne procese i cyber sigurnost. Model se u početnoj fazi distribuira odabranoj grupi pouzdanih cyber branitelja kroz Googleov Fairwind program.
Kompanija navodi da će se pristup Argonu širiti postepeno, uz dodatno testiranje sigurnosnih mehanizama i prikupljanje povratnih informacija od ranih korisnika. Google istovremeno učestvuje u dobrovoljnom procesu američke vlade za rani pristup modelima prije njihovog šireg objavljivanja.
Milion izlaznih tokena i cijena API pristupa
Jedna od ključnih novina je povećanje izlaznog konteksta na do milion tokena, u odnosu na ranijih 64.000. Google tvrdi da će takav kapacitet omogućiti modelu da detaljnije analizira probleme i izvršava vrlo duge zadatke u jednoj radnoj sesiji.
Gemini 4 Argon bit će ponuđen po uvodnoj cijeni od dva dolara za milion ulaznih tokena i 10 dolara za milion izlaznih tokena. Keširani ulazni tokeni bit će naplaćivani uz popust od 95 posto u odnosu na osnovnu cijenu ulaza. Šira dostupnost trebala bi početi s korisnicima plaćenog API-ja i pretplatnicima na Google AI Ultra, nakon čega bi model trebao stići i drugim developerima, kompanijama i potrošačima.
Primjena unutar Googlea
Prema Googleovim navodima, hiljade zaposlenih već koriste Argon za specijalizirane programske zadatke, istraživanje, otklanjanje grešaka i pisanje. Model je korišten i u optimizaciji algoritama za kvantno računarstvo, gdje je u jednom primjeru nadmašio objavljenu početnu vrijednost za 40 posto.
Google također tvrdi da su Argonovi agenti analizirali telemetriju o korištenju memorije u podatkovnim centrima i identificirali optimizacije koje bi, nakon potpune implementacije, mogle osloboditi više od 300 TiB memorije. Procijenjene ukupne uštede kreću se između 500 TiB i jednog pebibajta.
Model se koristi i pri migraciji velikih C i C++ baza koda na Rust. Raspon projekata ide od biblioteka kao što su re2 i libgav1 do Fuchsia Zircon kernela, koji ima više od 800.000 linija koda. Google naglašava da se takve izmjene provjeravaju automatiziranim i ručnim revizijama, emulacijskim testovima i dodatnim pregledima prije produkcijske upotrebe.
U slučaju projekta libgav1, Argon je navodno zamijenio oko 32.000 linija SIMD koda u postojećoj Rust verziji. Rezultat je, prema kompaniji, memorijski sigurniji video dekoder koji radi 2,7 puta brže od prethodne Rust implementacije, uz identičan izlaz videa.
Rezultati na benchmark testovima
Google navodi da je Gemini 4 Argon ostvario rezultat od 77,9 posto na testu DeepSWE v1.1, koji mjeri sposobnost rješavanja dugotrajnih zadataka iz stvarnog softverskog inženjeringa. Na Zapierovom AutomationBench testu, usmjerenom na izvršavanje poslovnih zadataka, model je zabilježio rezultat od 51,3 posto i zauzeo prvo mjesto prema Googleovim podacima.
Kompanija ga opisuje i kao vodeći model na Vals Indexu, koji procjenjuje ekonomski utjecaj AI sistema u finansijama, programiranju, pravu i porezima. Na testu LVBench za razumijevanje dugih videosadržaja Argon je ostvario rezultat od 91,7 posto.
Fokus na odbranu od cyber napada
Poseban dio najave odnosi se na cyber sigurnost. Google tvrdi da Argon može autonomno pronaći, provjeriti i zakrpiti kritične ranjivosti. Za pouzdane cyber branitelje i interne Googleove timove model će, prema najavi, biti dostupan bez uobičajenih cyber zaštitnih ograničenja kako bi se iskoristile njegove pune odbrambene mogućnosti.
Kompanija Wiz već koristi Argon kroz inicijativu Scan for Good, koja besplatno pomaže u zaštiti kritične infrastrukture. U jednom ranom testu model je navodno otkrio kritičnu ranjivost koja je izlagala osjetljive lične podatke u zdravstvenom softveru koji koriste bolnice širom svijeta.
Na testu CWE-bench v1, koji procjenjuje popravljanje softverskih ranjivosti, Argon je prema Googleu podijelio prvo mjesto s rezultatom od 68 posto. U internim testovima model je također pronašao ranjivosti u složenim bazama koda koje obuhvataju 20 programskih jezika, dok je na Wizovom testu penetracije bez pristupa izvornom kodu nadmašio raniji model 3.8 Flash Cyber.
Sigurnosne mjere prije šireg lansiranja
Prije široke dostupnosti Google planira dodatno ojačati zaštitu od zloupotrebe, uključujući potencijalnu upotrebu u cyber napadima ili napadima hemijskim, biološkim, radiološkim i nuklearnim sredstvima. Model se testira i protiv indirektnih prompt injection napada, odnosno pokušaja da se njegov rad preuzme putem zlonamjernih uputa ili konteksta.
Google također uvodi mehanizme za praćenje mogućeg neusklađenog ponašanja modela, uz nadzor njegovog rezonovanja i postupaka te prekid izvršavanja kada je to potrebno. Dodatno se ojačavaju izolirana testna okruženja u kojima će se provoditi rizične obuke i evaluacije.
