Ты наверняка помнишь классическую боль при попытке сгенерировать с помощью ИИ что-то масштабнее короткого скрипта на пару десятков строк: задаешь модели задачу, она бодро начинает строчить код, а потом внезапно затыкается на полуслове, упершись в жесткий лимит вывода. Тебе приходится отправлять унизительное «продолжай», модель теряет контекст переменных из начала файла, путает типы данных, и вся стройная конструкция разваливается прямо на глазах.
В индустрии годами существовала колоссальная асимметрия: разработчикам щедро насыпали гигантские окна входного контекста в миллионы токенов, но обрубали выходной ответ до скромных 8 000 или 64 000 токенов.
Релиз флагманской модели Gemini 4 Argon от Google DeepMind переворачивает эту парадигму. Мы уже обсуждали независимое тестирование флагманской модели Google и способность ее архитектуры выдавать колоссальные массивы данных, а также анализировали вывод до 1 миллиона токенов и генерацию бизнес-инструментов в рамках экосистемы Google. Но одно дело — читать официальные спецификации, и совсем другое — посмотреть, как механизм сверхдлинного вывода (Long Decode) ведет себя в реальном стресс-тесте независимого исследователя.
Мэтью Берман провел показательный эксперимент: поставил перед Gemini 4 Argon амбициозную задачу — с нуля, без единой строчки предварительного кода, создать работающий веб-клон Microsoft Excel. И модель справилась всего за 20 минут.
Архитектура Long Decode: как устроен выход на 1 000 000 токенов
Давай разберем «под капотом», как Google удалось заставить модель генерировать до 750 000 слов в одном непрерывном логическом сеансе — это, на минуточку, эквивалент восьми увесистых томов художественной литературы.
В основе технологии Long Decode лежит концепция безопасных «хопов продолжения» (Continuation Hops):
- Порционный синтез по 64 000 токенов: Модель не пытается высчитать миллион токенов одним неделимым математическим взрывом. Инференс идет контролируемыми порциями по 64K токенов.
- Неявное кэширование контекста (Implicit Context Caching): На каждом новом шаге модель обращается к уже сгенерированному тексту через оптимизированный кэш состояний внимания. Это предотвращает квадратичный рост затрат памяти и позволяет алгоритму помнить, какие интерфейсы и функции были объявлены 100 000 токенов назад.
- Единый пул контекста для мыслей и кода: В Gemini 4 Argon входной промпт, токены внутреннего рассуждения (thinking tokens) и публичный вывод делят общий миллионный бюджет. Если задача архисложная, модель способна выполнять промежуточные reasoning-only хопы — тратить целые порции вычислений исключительно на сверку логики и архитектуры, не сбрасывая пользователю сырой незавершенный код.
Эксперимент с веб-клоном Excel: от промпта до готового интерфейса
В тесте Мэтью Бермана модель действовала в связке со средой исполнения Google Antigravity. Получив высокоуровневое ТЗ, Gemini 4 Argon выступила в роли главного архитектора: самостоятельно декомпозировала проект на модули, развернула интерактивную сетку ячеек в браузере, настроила обработку формул сложения (=SUM()), реализовала пересчет зависимых ячеек при изменении значений, перетаскивание диапазонов мышью и форматирование таблиц. Разработчик вообще не вмешивался в написание кода.
Сдвиг от сниппетов к автономным программным системам
Что этот прорыв меняет для нас с тобой на практике? Главное изменение — психологическое.
Раньше кодинг с нейросетью напоминал работу с быстрым, но невнимательным стажером: ты просишь написать функцию сортировки, копируешь ее в проект, вручную правишь импорты, пишешь обвязку, потом просишь компонент кнопки и сам вставляешь его в форму.
Gemini 4 Argon в связке с инструментами вроде Antigravity меняет сам масштаб единицы делегирования. Ты больше не заказываешь «сниппет» — ты поручаешь модели развернуть целостную подсистему. При этом модель не просто вываливает кучу несвязанных файлов, а способна использовать встроенные генераторы ассетов (например, Nano Banana) для отрисовки графики и запускать браузерную песочницу, чтобы прокликать созданные кнопки и проверить отсутствие ошибок в консоли.
Как метко заметил Мэтью Берман, стоимость механического написания программного кода падает к нулю. Если вся ценность твоего продукта заключалась лишь в аккуратно набранном шаблонном коде, то сегодня аналогичный функционал собирается автономной моделью за время обеденного перерыва. Настоящая устойчивость смещается в сторону уникальных данных, глубокого понимания бизнес-логики и надежной интеграции в инфраструктуру клиента.
Сверхдлинный вывод и глубокие reasoning-хопы требуют времени: сложный проект генерируется не за две секунды, а за 10–20 минут непрерывных вычислений. Кроме того, на первом проходе в формуле =SUM() модель допустила мелкую синтаксическую неточность при парсинге диапазона ячеек, которую пришлось скорректировать одним коротким уточняющим запросом. Полностью отключать критический надзор инженера пока рано: архитектурный контроль остается за человеком.
Что в итоге?
Gemini 4 Argon убедительно доказывает, что технологический барьер «короткой памяти на выходе» окончательно взломан. Модели научились не просто отвечать на вопросы, а удерживать архитектурный каркас больших проектов на протяжении сотен тысяч токенов.
Для нас это отличный повод пересмотреть свой рабочий стек: пора перестать использовать ИИ как продвинутый автокомплит и учиться ставить задачи на уровне законченных системных модулей.