Elkaszálta sokáig tervezett köztes frissítését, helyette pedig derült égből villámcsapásként egy teljesen új alapokra helyezett csúcsmodellel ugrott a következő generációba a Google. A Gemini 4 Argon egymillió tokenes kimeneti korlátjával nem csupán szövegeket generál, hanem negyvenmillió soros kódbázisokat strukturál át, fúziós reaktorok matematikai rejtélyeit oldja meg, és videófelvételek alapján tanít meg humanoid robotokat a fizikai világban mozogni. De persze a párkapcsolati dilemmák orvoslásában is szívesen segít, és nem mellesleg cigánykártyát is vet.
A mesterséges intelligencia piacán az elmúlt hónapokban látványosan átalakultak az erőviszonyok. Miközben az OpenAI a GPT-6 Astra, az Anthropic a Claude Opus 5.5, a Meta pedig a Muse Wonder modellekkel igyekezett bebiztosítani a vezető pozícióját, a Google háza tájáról egy ideig szokatlan csend hallatszott. A háttérben zajló folyamatok aztán az elmúlt napokban végre megmutatták magukat: a keresőóriás a belső tesztek során úgy döntött, hogy teljesen elkaszálja a korábban tervezett Gemini 3.5 Pro kiadását, mivel az nem hozta a várt minőségi ugrást. Helyette a Google DeepMind mérnökei tiszta lappal indultak, és egy alapjaiban új előtanítási folyamaton keresztül megalkották a vállalat új zászlóshajóját, a Gemini 4 Argont.
A most már globálisan is elérhető modell nem egyszerűen egy újabb lépcsőfok a csevegőrobotok evolúciójában, hanem egy kifejezetten hosszú távú, többlépcsős mérnöki, tudományos és vállalati munkafolyamatokra tervezett érvelő rendszer, amivel a Google – elmondásuk szerint – teljesen új érát nyit a mesterséges intelligencia korában.
Nem áll meg félúton
A korábbi generációs nyelvi modellek egyik legnagyobb rákfenéje az aszimmetria volt. Bár a bemeneti oldalon már képesek voltak hatalmas szövegtömegeket, könyveket vagy órákon át tartó videókat befogadni, a válaszadásnál szűk korlátokba ütköztek: az előző generáció 64 ezer tokenes kimeneti plafonja miatt a modellek képtelenek voltak egyetlen nekifutásból hatalmas, több száz fájlt érintő programkódokat vagy százoldalas matematikai levezetéseket végigvinni anélkül, hogy félbehagyták volna a munkát. Az új architektúrára épülő Gemini 4 Argon ezen a ponton hozza a legfontosabb technikai áttörést. Az egyesített, 1 048 576 tokenes kontextusablak mellett a modell – úgynevezett long decode üzemmódban – akár egymillió tokenes folyamatos kimenetelőállítására is képes.
Ez a hatalmas mozgástér lehetővé teszi, hogy az Argon százezer tokenen átívelő belső gondolatmeneteket és érvelési láncokat futtasson le.
Hogy ez a nyers számítási és érvelési kapacitás mit jelent a gyakorlatban, azt a Google saját fejlesztőcsapatainak belső munkája szemlélteti a legjobban. A vállalat mérnökei az Argont a saját fejlesztőkörnyezetükben – azaz a Google Antigravityben – vetették be a legkeményebb szoftverarchitektúrák rendbetételére, aminek eredményeként az önállóan dolgozó AI-ügynökök által beadott éles kódok aránya több mint 35 százalékkal nőtt, miközben a hibák miatti visszavonások száma közel a harmadával esett vissza.
A leglátványosabb munkát a Chrome böngésző motorjánál végezte a modell. A nyílt forráskódú Chromium mintegy 40 millió kódsort számláló bázisában évtizedes örökségként húzódott meg egy nagyjából hatmillió soros, sűrűn összegabalyodott mappa, amely a böngésző különböző funkcióit és az alapvető weboldalkezelést mosta egybe. A Gemini 4 Argon képes volt átlátni ezt a gigantikus kódtömeget, és párhuzamosan több száz fájlban hajtott végre tiszta architekturális refaktorálást, hetekre rövidítve egy olyan munkát, amely egy teljes mérnökcsapatnak hosszú hónapokba telt volna.
A modell emellett a vizuális kódolásban és a térbeli gondolkodásban is szintet lépett: egyetlen vázlatból vagy fotóból képes fizikailag pontos, böngészőben futó 3D-s világokat, árnyékolókat, szőrzetszimulációkat vagy akár az Android rendszerhez szánt dinamikus fénytörést és mattüveg-hatásokat használó háromdimenziós kezelőfelületeket leprogramozni. A hosszú távú szoftvermérnöki feladatokat mérő DeepSWE v1.1 teszten az Argon 77,9 százalékot ért el, megelőzve közvetlen riválisait – jóllehet a piac kiegyenlítettségét mutatja, hogy bizonyos terminálkezelési és egyéb specifikus mérnöki mérésekben a GPT-6 Astra és a Claude Opus 5.5 továbbra is kemény ellenfélnek bizonyul.
Másutt is áttörést hoz
Mindezek ellenére a Gemini 4 Argon képességei ott válnak igazán figyelemreméltóvá, ahol a tiszta matematika és a természettudományok találkoznak. A modell nem csupán összegzi a meglévő szakirodalmat, hanem aktív kutatótársként vesz részt az alapkutatásokban.
A tiszta és korlátlan fúziós energia egyik legígéretesebb irányát a sztellarátorok jelentik, ám ezeknek a rendkívül bonyolult berendezéseknek a háromdimenziós mágneses mezőit matematikailag optimalizálni szinte lehetetlen feladat volt. A fizikában 1967 óta tartotta magát az úgynevezett Grad-sejtés, amely szerint nem léteznek egzakt matematikai megoldások ezekre a mezőkre. A Google kutatói és Matt Landreman, a Marylandi Egyetem professzora az Argon segítségével azonban ellenpéldák egy teljesen új, széles osztályát fedezték fel a sejtésre, megbízható matematikai alapokat adva a jövő fúziós reaktorainak tervezéséhez.
A kvantum-számítástechnikában a modell a Google saját hibajavító dekóderét írta át egyetlen, végletekig optimalizált hardveres kernellé, megduplázva annak adatfeldolgozási sebességét, miközben a kvantumszimulációs algoritmusok egyik alapvető szubrutinjának tér-idő költségét több mint százszorosára csökkentette – a kódot ráadásul a Lean rendszerben formálisan is hitelesítette.
Az orvostudomány és a biológia területén az eredmények pedig közvetlenül emberéleteket érintenek. A Gamow Labs genetikusai újszülöttek ritka tüdőfejlődési rendellenességeinek genomját elemezték az Argonnal: a modell egy olyan rejtett kromoszómaátrendeződést szúrt ki, amely felett a hagyományos diagnosztikai szoftverek éveken át elsiklottak, és pontos magyarázatot is adott arra, miért maradt a hiba észrevétlen. Emellett a kutatók a modellel öt teljesen új szerin-észteráz enzimet is terveztek, amelyek laboratóriumi teszteken bizonyítottan képesek az észterkötések bontására, utat nyitva az ipari műanyag-újrahasznosítás és a gyógyszergyártás új módszerei előtt.
Videóból tanít robotokat
A fizikai robotika fejlődését eddig súlyosan lassította, hogy a valódi világ környezetét hetekig tartó manuális munkával kellett virtuális szimulációkká építeni, ahol a robotok gyakorolhattak. Az Argon új „Video-to-Sim-to-Real” folyamatával a modell viszont egy egyszerű, nyers videófelvételből önállóan megbecsüli a térbeli mélységet és a fizikai határokat, majd megírja a pontos szimulációs kódot. Ezzel a módszerrel az Apptronik Apollo nevű humanoid robotja például órák alatt elsajátította a járáshoz szükséges mozdulatsort, a valós teszteken pedig zsinórban hétszer hibátlanul célba talált.
Emellett a vállalati szektorban az Argon átvette a vezetést a Vals Index ranglistáján (68,9 százalékos eredménnyel), amely az amerikai GDP-hez való hozzájárulásuk alapján súlyozza a modellek teljesítményét a pénzügyi, jogi, adózási és programozási szektorokban. A modell képes strukturálatlan dokumentumhalmazokból, táblázatokból és grafikonokból pontos főkönyvi egyeztetéseket vagy komplex vállalatfelvásárlási jogi elemzéseket készíteni. Ami a kiberbiztonságot illeti: az Argon a CWE-Bench sebezhetőségjavítási listájának élére állt. Éles bevetésen a Wiz biztonsági cég „Scan for Good” programjában a modell egy egészségügyi szoftverben tárt fel egy kritikus sebezhetőségi láncot, amely egy nyilvános fájlletöltési megkerülésen keresztül mesterkulcsokat és rendszergazdai hozzáférést tett volna szabaddá – a javítással páciensek százezreinek egészségügyi adatait sikerült megvédeni.
A Google állítása szerint ráadásul az Argont kifejezetten úgy tanították, hogy tisztelje a rendszerhatárokat: a modell nem próbál „csalni” vagy rövidítéseket keresni a kódolási feladatoknál, a rejtett utasításos támadásokkal szemben pedig 99,3 százalékos védettséget mutatott.
De ami talán még ennél is fontosabb: ha egy feladatot nem tud megoldani, ahelyett, hogy hallucinálna, őszintén jelzi a negatív eredményt, a visszafordíthatatlan műveletek előtt pedig emberi jóváhagyást kér.
A Gemini 4 Argon a fejlesztők számára már elérhető a Google AI Studióban és a Vertex AI felületén, míg a Google AI Pro és Google AI Ultra előfizetők a Gemini alkalmazásban és a Google Kereső AI-módjában próbálhatják ki. A tudományos áttörések felgyorsítása érdekében a Google emellett egy különleges programot is indított: világszerte tízezer kutatónak biztosítanak fél évig teljesen ingyenes hozzáférést a legmagasabb számítási csomaghoz, hogy a laboratóriumokban a következő hónapokban még több évtizedes rejtélyre születhessen válasz.
Tovább a cikkre: index.hu (Gábor Zoltán)
