Если ты активно работаешь с большими языковыми моделями над серьезными задачами — например, анализируешь архитектуру огромного проекта или генерируешь комплексную кодовую базу, — то прекрасно знаешь, где упирается большинство современных систем. Модель может заявлять контекстное окно хоть в два миллиона токенов на вход, но как только дело доходит до генерации ответа, она задыхается на 32 или 64 тысячах токенов. Приходится искусственно нарезать вывод, склеивать куски руками и мириться с тем, что на середине скрипта логика обрывается.
Корпорация Google нанесла мощный удар по этой проблеме, представив модель Gemini 4 Argon. Это первый флагман нового поколения, где входной и выходной контекст объединены в общее бесшовное пространство: функция long decode позволяет генерировать до одного миллиона токенов непрерывного вывода. Мы уже тестировали эту возможность в материале о практическом применении Gemini 4 Argon, а теперь разберем спецификации релиза глубже.
Отказ от температуры и три уровня рассуждений
Главный архитектурный сдвиг Argon — переход к детерминированному поиску решений. Разработчики полностью отключили привычные стохастические регуляторы: модель игнорирует параметры temperature, top_p и top_k. Вместо того чтобы наугад варьировать случайность генерации, ты управляешь глубиной размышлений через конфигурационный параметр thinking_level:
- minimal: быстрый отклик для тривиальных преобразований текста и базового форматирования.
- medium: сбалансированный режим для стандартного рефакторинга кода, анализа юридических документов и поиска фактов.
- high: максимальная глубина логического поиска с построением развернутых деревьев гипотез перед формированием ответа.
Рекорды в бенчмарках и реальный код
В синтетических и прикладных тестах Argon показал впечатляющие результаты, потеснив конкурентов:
- 1-е место в Vals Index: в рейтинге, оценивающем решение практических комплексных задач программирования и анализа правовых кейсов, модель набрала 68.9 балла. Это первый случай в истории, когда флагман линейки Gemini возглавил данный независимый бенчмарк.
- Пространственное мышление (ERQA): в тесте на пространственную ориентацию и 3D-моделирование модель получила 87 баллов, установив абсолютный рекорд среди передовых систем.
- Устойчивость к инъекциям (Gray Swan): в специализированных стресс-тестах на взлом промптов система безопасности успешно нейтрализовала 99.3% атак — успешное срабатывание prompt-инъекций зафиксировано всего в 0.7% случаев.
Но больше всего меня впечатлила статистика из рабочей среды разработчиков Google Anti-Gravity. Команды зафиксировали увеличение объема принятого агентного кода на 35%, в то время как число вынужденных откатов (rollbacks) сократилось почти на треть. Количество так называемых «срезок углов» (когда модель вместо реализации сложной функции оставляет комментарий // TODO: implement later) упало до рекордных 2%.
При прямом вызове Gemini 4 Argon через SDK обязательно выставляй max_output_tokens не менее 32 000, поскольку модель расходует существенную часть бюджета на внутренний монолог рассуждений. Также критично увеличить сетевой таймаут клиентской библиотеки минимум до 15 минут для предотвращения разрыва соединения во время глубокого анализа.
Мгновенное внедрение в платформу Manus
Показательно, что автономная агентная среда Manus интегрировала Gemini 4 Argon непосредственно в день публичного релиза. Внутри Manus 2.0 модель стала базовым движком для сценариев Wide Research (многочасовых глубоких кабинетно-аналитических исследований), генерации веб-приложений и процедурного 3D-моделирования в среде Manus Studio.
Доступ к модели открыт в Google AI Studio, через API по подпискам Google AI Pro и Ultra, а исследователи в сфере кибербезопасности могут получить квоты в рамках специализированной программы Google Fairwind. Это зрелый инструмент для тех, кому нужны надежные многочасовые рассуждения без компромиссов.