Длинный контекст не делает модель выгодной автоматически

Gemini 4 Argon пока нельзя включить в рабочий процесс

Gemini 4 Argon заявлена как модель с контекстным окном до 1 млн токенов. На вход она принимает текст, изображения, видео и речь. Максимальный объём генерации тоже указан до 1 млн токенов. Раньше пределом были 64 тыс. токенов.

Это меняет класс задач. В один запуск можно отдать большой массив материалов, не разрезая его на десятки мелких запросов: договоры с приложениями, переписку, отчёты, записи встреч, исследовательские материалы. Потенциально модель способна долго рассуждать и собирать крупный документ целиком.

Но есть базовая проблема: публичного доступа нет. Указано, что модель доступна бенчмаркерам и «надёжным партнёрам». Для обычной команды это пока не инструмент внедрения, а объект наблюдения. Нельзя строить на ней процесс, обещать результат заказчику или сравнивать её с тем, что уже доступно сотрудникам.

Сначала проверяют доступ и цену готовой задачи, потом восхищаются миллионом токенов.

Цена токена скрывает стоимость результата

На старте для Gemini 4 Argon заявлены тарифы $2 за 1 млн входных токенов и $10 за 1 млн выходных. Позже они должны вырасти до $4 и $20. Для кэшированных запросов указана скидка 95%.

На первый взгляд цифры выглядят привлекательно. Но модель, по приведённому сравнению, в среднем расходует 62 тыс. токенов на задачу. GPT-6 Astra расходует 27 тыс. Разница больше чем в 2 раза, и именно она определяет счёт при регулярной работе.

Расчётная стоимость задачи у Gemini 4 Argon составляет около $1,99 только на стартовых условиях со скидкой. После изменения тарифа - $3,98. Для ориентира: GPT-6.1 Sol при той же цене токена даёт почти сопоставимый уровень интеллекта примерно за $0,72 на задачу.

Стоимость завершённой задачи важнее прайса за миллион токенов. Особенно когда модель запускают в агентных цепочках, где один запрос тянет дополнительные вызовы, проверки и длинные ответы.

Сильные бенчмарки показывают профиль, а не универсальное лидерство

В опубликованных сравнениях Gemini 4 Argon показала 77,9% в DeepSWE v1.1 против 74,1% у GPT-6 Astra и 74,2% у Opus 5.5. В Harvey Legal Agent заявлены 19,6% против 5,4% у Astra и 3,8% у Opus. В GraphWalks на контексте 256K-1M токенов - 84,2% против 71,8% у Astra.

Это выглядит убедительно для задач, где важны длинный контекст, работа с объёмными документами и удержание связей в большом массиве данных. В таких сценариях не нужно механически дробить материалы и вручную восстанавливать контекст между частями.

Но в программировании картина не такая ровная. В FrontierSWE v2 заявлено 55,0% у Gemini 4 Argon против 65,5% у Astra. В Terminal-Bench 4.0 - 57,4% против 66,4% у Opus. По независимой оценке Artificial Analysis модель получила 53 балла: на уровне GPT-6 Astra, но ниже Opus 5.5 с 58 баллами. В Text Arena она занимает 1 место, а в Code Arena и Agent Arena - 8.

Из этого не следует, что модель плоха для кода. Следует другое: нельзя назначать её основной для инженерной команды, опираясь на результаты в текстовых или юридических тестах. Бенчмарк проверяет конкретный тип работы. Рабочий процесс почти всегда сложнее теста: в нём есть требования, доступы, файлы, ошибки данных, правки и ответственность за финальное решение.

Низкие галлюцинации ценнее лишних процентов там, где ошибка дорога

Для Gemini 4 Argon приведена оценка галлюцинаций 15% против 51% у Astra. Это связывают с тем, что модель чаще признаёт неопределённость вместо уверенного выдумывания ответа.

Для финансов, юридических задач и разбора длинных документов это сильное свойство. В этих сферах опаснее не медленный ответ и не менее эффектная формулировка. Опаснее правдоподобная ошибка: неверно найденное условие, придуманный факт, потерянное исключение в договоре, ложный вывод из отчёта.

При этом 15% - не разрешение отключить проверку. Даже редкая ошибка критична, если ответ влияет на деньги, обязательства или решение руководителя. Модель должна помогать искать, сопоставлять и черново формулировать. Финальная проверка фактов, ссылок внутри документов и расчётов остаётся у человека.

Выбирать модель нужно по узкому сценарию, а не по общему месту в рейтинге

Полезный сценарий для такой модели - большой комплект документов, где надо найти противоречия, собрать хронологию, выделить риски или подготовить черновик заключения. Слабый сценарий - ожидание, что одна высокая позиция в Text Arena гарантирует точную работу агента, стабильный код и низкую цену каждого запуска.

Для команды разумнее заранее записать условия выбора и не менять их после красивой презентации. Такой шаблон можно положить в описание пилота:

Если нужен интерфейс, где команда запускает такие сценарии, хранит шаблоны и видит результаты без хаоса в чатах, подойдёт ATLAS PANEL. Но даже панель не заменит пилот: сначала надо понять, какую именно работу вы собираетесь измерять.

Начните сегодня с простого: возьмите 3 длинных документа из реального потока, опишите ожидаемый результат в 3-5 пунктах и сохраните его как эталон. Когда Gemini 4 Argon станет доступна шире, сравните её с используемыми моделями на этом наборе. Тогда решение будет принято по деньгам, ошибкам и пользе, а не по чужому месту в таблице.