Gemini 4 Argon مدل استدلالی گوگل برای کارهای پیچیده و چندمرحله‌ای است؛ از کدنویسی تا تحلیل اسناد و کار با ابزارها. برای تولیدکنندهٔ محتوا، سؤال کاربردی این است که آیا می‌تواند یک کار واقعی را با نتیجهٔ قابل‌بررسی جلو ببرد و هزینهٔ آن چقدر می‌شود. نام تازه و نمودار بنچمارک، به‌تنهایی پاسخ این سؤال نیستند.
این بررسی در ۱۵ اکتبر ۲۰۲۶ با مراجعه به اطلاعیه‌ها و مستندات رسمی تهیه شده است. کنارتم آزمایش عملی یا مقایسهٔ مستقیم مدل‌ها انجام نداده است. پیشنهادهای کاربردی پایین راه‌هایی برای امتحان‌کردن ابزارند؛ آن‌ها را نتیجهٔ اندازه‌گیری سرعت، کیفیت پاسخ فارسی یا صرفه‌جویی واقعی تلقی نکنید.
معرفی اولیه با عرضهٔ عمومی فرق دارد
گوگل در اطلاعیهٔ ۳۰ سپتامبر ۲۰۲۶ ابتدا Argon را با دسترسی مرحله‌ای معرفی کرد. سپس در اعلام عرضهٔ عمومی ۱۳ اکتبر مسیرهای دسترسی توسعه‌دهندگان و کاربران را توضیح داد. بنابراین خواندن خبر قدیمیِ دسترسی محدود می‌تواند تصویر ناقصی از وضعیت امروز بدهد.
در همان اعلام عمومی، Gemini app برای مشترکان Pro و Ultra ذکر شده است. این گزاره را به همهٔ محصولات گوگل تعمیم ندهید؛ دسترسی در اپ جمینای، AI Studio و استفادهٔ مستقیم از API قواعد یکسانی ندارند. پایین‌تر تفاوت مهم این مسیرها را دقیق‌تر می‌بینیم.
مشخصات مهم؛ ورودی چندرسانه‌ای، خروجی متنی
مستند رسمی مدل، به‌روزشده در ۱۴ اکتبر، شناسهٔ پایدار را gemini-4-argon اعلام می‌کند. ورودی شامل متن، تصویر، ویدیو، صدا و PDF است؛ خروجی مدل متن است. تولید تصویر، تولید صدا و Live API برای خود این مدل در جدول قابلیت‌های پشتیبانی‌شده قرار ندارند. Computer use نیز در همان جدول هنوز در مرحلهٔ پیش‌نمایش (Preview) است.
ظرفیت کل ورودی و خروجی ۱٬۰۴۸٬۵۷۶ توکن است. سقف خروجی در حالت معمول API ۶۵٬۵۳۶ توکن است؛ رسیدن به سقف بزرگ‌تر به مسیر long decode نیاز دارد. پس «خروجی یک‌میلیون توکن» را وعدهٔ پیش‌فرض هر درخواست ندانید و کل ظرفیت را هم‌زمان برای ورودی و خروجی دوبار حساب نکنید.
از نظر انتخاب ابزار، این تفاوت مهم است: توانایی فهم یک ویدیو با توانایی ساخت ویدیوی تازه یکی نیست. ممکن است مدل برای طراحی شات‌لیست یا توضیح مشکل یک کات مفید باشد، اما خروجی متنیِ خودش جای فایل ویدیویی قابل‌تحویل را نمی‌گیرد. تولید یا تدوین فایل به ابزارهای دیگری در گردش‌کار نیاز دارد.
ظرفیت بیشتر چه کمکی به کار شما می‌کند؟
برای کار خلاقه، مسئله اغلب پراکندگی اطلاعات است: سناریو در یک فایل، بازخورد مشتری در فایل دیگر و یادداشت‌های مصاحبه در چند سند جدا. ظرفیت بیشتر می‌تواند جا برای اسناد و اطلاعات مرتبط پروژه فراهم کند، اما ریختن همهٔ آرشیو در یک درخواست الزاماً تصمیم بهتری نمی‌سازد.
پیشنهاد تحریریه این است که ورودی را بر اساس کاربرد مرتب کنید: هدف پروژه، واقعیت‌های قطعی، نظرها و موارد نامشخص. از مدل بخواهید هر نتیجه را به بخش مشخصی از ورودی وصل کند. اگر منبعی در داده‌ها وجود ندارد، باید آن را به‌عنوان مورد نیازمند بررسی گزارش کند، نه اینکه فاصله را با حدس پر کند.
برای نمونه، هنگام آماده‌کردن یک ویدیوی آموزشی، متن درس را کنار فهرست پرسش‌ها و ایرادهای مطرح‌شده از طرف مخاطبان بدهید و فقط تناقض‌ها را بخواهید. این درخواست محدودتر از «کل دوره را بهتر کن» است. خروجی خوب باید نشان بدهد هر پیشنهاد کدام ابهام را رفع می‌کند و کدام ادعا هنوز مدرک ندارد.
قیمت API؛ تعرفهٔ اولیه تا چه تاریخی است؟
جدول زیر از صفحهٔ رسمی قیمت Gemini API در تاریخ بررسی استخراج شده است. اعداد مربوط به Standard API، دلار آمریکا و هر یک‌میلیون توکن هستند؛ قیمت اشتراک اپ جمینای نیستند.
| نوع مصرف | تا ۳۰ نوامبر ۲۰۲۶ | از ۱ دسامبر ۲۰۲۶ |
|---|---|---|
| ورودی معمول | ۲ دلار | ۴ دلار |
| خروجی، شامل توکن‌های استدلال (thinking) | ۱۰ دلار | ۲۰ دلار |
| ورودی با implicit cache | ۰٫۱۰ دلار | ۰٫۲۰ دلار |
در همین صفحه، Free tier برای Argon موجود نیست و explicit caching پشتیبانی نمی‌شود. حالت‌های Batch، Flex و Priority تعرفه‌های جدا دارند؛ اعداد این جدول را به آن‌ها تعمیم ندهید. نرخ‌ها ممکن است به‌روزرسانی شوند، پس پیش از مصرف واقعی، صفحهٔ قیمت و صورتحساب خود را دوباره ببینید.
برای یک مثال محاسباتی، فرض کنید مصرف قابل‌صورتحساب یک کار شامل ۱۰۰ هزار توکن ورودی معمول و ۲۰ هزار توکن خروجی باشد و کش، ابزار یا هزینهٔ دیگری نداشته باشد. با تعرفهٔ اولیه، هزینهٔ توکن‌ها ۰٫۴۰ دلار و با تعرفهٔ بعدی ۰٫۸۰ دلار می‌شود. این عدد نتیجهٔ اجرای ما نیست؛ فقط ضرب حجم فرضی در نرخ جدول است.
در عمل، یک وظیفهٔ چندمرحله‌ای ممکن است چند درخواست داشته باشد. مقدار خروجی قابل‌نمایش هم لزوماً تمام مصرف قابل‌صورتحساب را نشان نمی‌دهد. برای برآورد پروژه، مصرف ثبت‌شدهٔ همان گردش‌کار را اندازه بگیرید و هزینهٔ ابزارها و تکرارهای ناموفق را جدا لحاظ کنید.
اشتراک Pro یا Ultra با API چه فرقی دارد؟
راهنمای رسمی Google AI plans برای AI Studio تصریح می‌کند Argon در AI Studio روی Free یا AI Pro در دسترس نیست؛ Ultra مسیر اشتراکیِ ذکرشده برای آن است. مزایای اشتراک در رابط وب AI Studio با استفادهٔ مستقیم از کلید API و صورتحساب پروژه یکی نیست.
این موضوع به دسترسی در AI Studio مربوط است؛ اشارهٔ اطلاعیه به Pro دربارهٔ اپ جمینای است. هنگام انتخاب اشتراک دقیقاً بپرسید دسترسی را کجا می‌خواهید: گفت‌وگو در اپ، نمونه‌سازی در محیط وب یا اجرای برنامه‌ای که از API استفاده می‌کند؟ از داشتن دسترسی در یکی، دسترسی و سهمیهٔ مشابه در دیگری را نتیجه نگیرید.
اطلاعیهٔ مخصوص توسعه‌دهندگان دسترسی به API پولی در AI Studio و Android Studio و دسترسی Ultra در AI Studio و Antigravity را شرح می‌دهد. ما قیمت اشتراک اپ جمینای را با دلار به‌ازای توکن مخلوط نمی‌کنیم؛ طرح و قیمت محلی را باید در حساب و محصول موردنظر بررسی کنید.
دسترسی از ایران و دیگر کشورها
در فهرست رسمی مناطق Gemini API و AI Studio، کانادا آمده و ایران در فهرست مشاهده‌شده نیست. آن صفحه همچنین شرط سنی و وضعیت تأیید حساب را توضیح می‌دهد. «عرضهٔ جهانی» در تیتر خبر را دسترسی بی‌قید در همهٔ کشورها و برای همهٔ حساب‌ها نخوانید.
اگر همکار یا مشتری شما در کشور دیگری است، پیش از طراحی یک فرایند وابسته به سرویس، امکان استفادهٔ خود او را بررسی کنید. اینکه ابزار روی حساب شما باز می‌شود، برای تحویل گردش‌کاری که طرف مقابل هم باید اجرا کند کافی نیست. برای پروژهٔ حساس نیز شرایط نگهداری داده و نوع حساب را جدا بخوانید.
ایجنت بودن یعنی چه کاری را می‌توان سپرد؟
پیشنهاد عملی ما شروع با کاری است که ورودی، ابزار مجاز و نتیجهٔ موردانتظار مشخص دارد. مثلاً «فایل‌های این پوشهٔ نمونه را فهرست کن و بگو نام کدام فایل‌ها با الگوی نام‌گذاری پوشه نمی‌خواند». مرحلهٔ بعد می‌تواند پیشنهاد تغییر نام باشد؛ اجرای تغییرات را بعد از بررسی طرح و روی نسخهٔ کپی انجام دهید.
یک نمونه برای تولید محتوا، ساخت جدول بررسی منابع است: ادعا، منبع، تاریخ و موارد حل‌نشده. از مدل بخواهید برای هر ادعای مهم، لینک منبع بدهد تا بتوانید آن را باز و بررسی کنید. مدل بدون دسترسی به منبع تازه نمی‌تواند با اطمینان وضعیت امروز یک محصول را تأیید کند؛ داشتن ظرفیت بیشتر برای ورودی جای پژوهش تازه را نمی‌گیرد.
برای درک تفاوت گفت‌وگو و انجام کار، راهنمای چت‌بات و ایجنت را بخوانید. در یک گردش‌کار ایجنتی، کیفیت ابزار، دسترسی‌ها و کنترل نتیجه به‌اندازهٔ انتخاب مدل مهم‌اند.
کاربرد پیشنهادی برای تدوینگر و فیلم‌ساز
برای پیش‌تولید، هدف ویدیو، مخاطب و محدودیت‌های تولید را کوتاه و روشن توضیح دهید. خروجی را به فهرست تصمیم‌ها محدود کنید: کدام صحنه برای فهم پیام ضروری است، کدام ایده با زمان یا بودجهٔ پروژه نمی‌خواند و کدام سؤال هنوز باید از مشتری پرسیده شود. این کار را می‌توانید بدون سپردن اختیار انتشار یا خرید انجام دهید.
برای آرشیو، از نمونه‌ای با نام‌گذاری نامنظم شروع کنید و ابتدا فقط گزارش بخواهید. اگر پیشنهادهای تغییر نام دقیق بود، یک دستهٔ کوچک را بررسی کنید. حفظ ارتباط نام فایل با پروژهٔ تدوین مهم است؛ تغییر گستردهٔ نام‌ها بدون توجه به لینک رسانه می‌تواند به‌جای نظم، دوباره‌کاری بسازد.
برای تحقیق پیش از ساخت ویدیو، از مدل بخواهید بین نقل‌قول، برداشت و پیشنهاد خلاقه فرق بگذارد. جملهٔ جذاب ممکن است ادعای تأییدنشده داشته باشد. پیش از ضبط، فهرست ادعاها را با منابع واقعی تطبیق دهید. این سناریوها روش پیشنهادی ارزیابی‌اند و کیفیت پاسخ فارسی یا تشخیص جزئیات تصویری در آن‌ها توسط کنارتم سنجیده نشده است.
مقایسه با رقبا؛ برندهٔ همهٔ کارها نداریم
گزارش فنی مدل در DeepMind در جدول ارزیابی اکتبر، Argon را کنار GPT-6 Astra، Claude Fable 5.1 و Opus 5.5 قرار می‌دهد. برای نمونه، در DeepSWE امتیاز Argon بالاتر از Astra است، ولی در FrontierSWE ترتیب برعکس می‌شود. این نتایج گزارش منتشرکنندهٔ مدل‌اند؛ تست مستقل کنارتم نیستند.
برای انتخاب شخصی، یک ورودی ثابت و معیار ثابت داشته باشید. در کدنویسی، عبور از آزمون‌ها و حفظ رفتار قبلی مهم‌تر از ظاهر مرتب پاسخ است. در محتوا، صحت ارجاع، حفظ لحن و زمان اصلاح را بسنجید. در کار با فایل، امکان بازگشت و درستی گزارش عملیات را هم بررسی کنید.
بهترین مدل روی یک نمودار ممکن است برای کار کوچک روزمرهٔ شما انتخاب اقتصادی مناسبی نباشد. مدل قوی‌تر وقتی ارزش دارد که خطای کمتر یا توانایی حل مسئلهٔ دشوار، زمان و هزینهٔ اضافه را جبران کند. این را با چند نمونه از کار خودتان می‌توان فهمید، نه با تکرار یک رتبهٔ کلی.
محدودیت‌ها و قدم بعدی
گزارش فنی مدل، ساختن اطلاعات نادرست، کندی و تمام‌شدن مهلت پاسخ (timeout) را از محدودیت‌های احتمالی می‌داند. طبق همین گزارش، دانش پایهٔ مدل تا مارس ۲۰۲۶ است و ممکن است در بعضی حوزه‌ها قدیمی‌تر باشد. بنابراین لحن مطمئن پاسخ را دلیل درست‌بودن آن ندانید. کارهایی که به منبع تازه یا تصمیم حساس وابسته‌اند، به بررسی متناسب با همان موضوع نیاز دارند.
برای شروع، یک وظیفهٔ کم‌خطر انتخاب کنید که قبلاً خودتان انجامش داده‌اید. زمان آماده‌سازی، مصرف، اصلاح و تأیید نهایی را ثبت کنید. اگر از مرحلهٔ گفت‌وگو به اجرای ابزار می‌روید، دامنهٔ اختیار را کوچک نگه دارید و خروجی را با فایل یا نتیجهٔ واقعی تطبیق دهید. تصمیم خرید یا مهاجرت وقتی معنادار می‌شود که مدل در همین آزمایش محدود، ارزش مشخصی برای کار شما ساخته باشد.
برای قابل‌تکرارشدن آزمایش، نسخهٔ ورودی، تاریخ، نام مدل و تنظیمات انتخابی را کنار خروجی نگه دارید. اگر بار بعد نتیجه متفاوت بود، این یادداشت کمک می‌کند تغییر مدل را از تغییر درخواست یا داده‌های پروژه جدا کنید.