Gemini ۴؛ گوگل برای نسل بعدی هوش مصنوعی خود چه چیزی آماده می‌کند؟

گوگل هنوز Gemini ۴ را معرفی نکرده، اما طی چند هفته گذشته اطلاعات و نمونه‌هایی از مدلی منتشر شده که باعث شده توجه زیادی به نسل بعدی مدل‌های این شرکت جلب شود. بخشی از این اطلاعات از خود گوگل می‌آید و بخشی دیگر از آزمایش‌هایی که توسعه‌دهندگان با مدل‌های ناشناس انجام داده‌اند.

داستان از اواخر ژوئیه جدی شد. گوگل در گزارش مالی سه‌ماهه دوم خود اعلام کرد که آموزش Gemini ۴ را آغاز کرده است. ساندار پیچای، مدیرعامل Alphabet، گفت این شرکت برای نسل بعدی مدل‌های خود «جاه‌طلبانه‌ترین عملیات پیش‌آموزش» تا آن زمان را شروع کرده و از پیشرفت مدل در سطح Frontier راضی است. او در ادامه صحبت‌هایش درباره رقابت مدل‌های هوش مصنوعی، به نیاز برای مدل‌های پایه بزرگ‌تر و همچنین پیشرفت در coding و agentic coding اشاره کرد.

اظهارات رسمی ساندار پیچای درباره Gemini ۴ در وب‌سایت Google

این بخش از ماجرا مهم است، چون برخلاف بسیاری از اطلاعاتی که بعداً منتشر شدند، خود گوگل وجود Gemini ۴ را تأیید کرده است. با این حال شرکت هنوز نگفته مدل چه زمانی عرضه می‌شود، چه اندازه‌ای دارد یا دقیقاً چه قابلیت‌هایی خواهد داشت.

در همین فاصله، گوگل توسعه خانواده Gemini ۳ را ادامه داد. Gemini ۳.۸ Flash که در اوایل سپتامبر عرضه شد، روی کارهای نرم‌افزاری، reasoning چندمرحله‌ای و agentها تمرکز دارد و در API رسمی گوگل با یک میلیون توکن ورودی و ۶۵٬۵۳۶ توکن خروجی ارائه شده است. این مدل همچنین به قابلیت‌هایی مانند اجرای کد و استفاده از کامپیوتر دسترسی دارد.

مستندات رسمی مدل‌های Gemini در Google AI

بعد از عرضه ۳.۸ Flash اتفاق عجیبی افتاد. در Arena مدلی با همان نام gemini-3.8-flash ظاهر شد، اما بعضی توسعه‌دهندگانی که آن را آزمایش کردند متوجه شدند خروجی‌هایش با چیزی که از نسخه رسمی ۳.۸ Flash انتظار می‌رفت تفاوت زیادی دارد.

نمونه‌هایی که در شبکه‌های اجتماعی منتشر شد بیشتر روی کارهایی متمرکز بود که مدل‌های جدید معمولاً برای نمایش توانایی agentic خود انجام می‌دهند. ساخت SVG، طراحی صفحات وب، تولید محیط‌های سه‌بعدی و حتی ساخت بازی از جمله آزمایش‌هایی بود که کاربران به اشتراک گذاشتند.

در یکی از آزمایش‌ها، توسعه‌دهندگان از مدل خواستند یک صحنه سه‌بعدی تعاملی بسازد. مدل چند دقیقه برای انجام کار زمان گذاشت و در نهایت یک محیط قابل اجرا تولید کرد. در نمونه دیگری، یک صفحه وب با طراحی مینیمال ساخته شد که برخلاف خروجی‌های معمول مدل‌های Gemini، از نظر ظاهر و جزئیات طراحی توجه کاربران را جلب کرد.

گزارش 36Kr درباره مدل مشاهده‌شده در Arena

این آزمایش‌ها به‌تنهایی ثابت نمی‌کنند که مدل مذکور Gemini ۴ است، اما زمان‌بندی آنها باعث شد گمانه‌زنی‌ها خیلی سریع شکل بگیرد. Gemini ۳.۸ Flash از قبل عرضه شده بود و مشخصات و سطح عملکرد آن برای توسعه‌دهندگان شناخته شده بود؛ بنابراین دیدن مدلی با همان نام اما خروجی بسیار متفاوت، سؤال مشخصی ایجاد کرد: گوگل دارد یک مدل جدید را پشت نام نسخه فعلی آزمایش می‌کند؟

گزارش‌های منتشرشده در اواسط سپتامبر، این مدل را به Gemini ۴ Pro نسبت دادند و نام Argon هم به‌عنوان کدنام داخلی احتمالی آن مطرح شد.

در ۱۴ سپتامبر، حساب کاربری Lentils در X تصویری از چیزی منتشر کرد که آن را نخستین خروجی Gemini ۴ Pro با کدنام Argon معرفی کرد. در توضیح این تصویر آمده بود که مدل با حالت High Thinking حدود ۲.۴ دقیقه برای تولید خروجی زمان گذاشته و سقف خروجی آن ۲۵۶ هزار توکن است؛ عددی که در صورت صحت، چهار برابر سقف ۶۴ هزار توکنی مدل‌های Gemini فعلی خواهد بود.

گزارش TestingCatalog درباره checkpointهای Gemini ۴ Pro و پست Lentils

چند روز بعد نمونه‌های دیگری از این مدل منتشر شد. توسعه‌دهنده‌ای با نام کاربری @thtbee_ چند آزمایش مختلف را با آن انجام داد؛ از ساخت یک پاگودای سه‌بعدی تا طراحی صفحه‌ای برای نمایش یک هلیکوپتر Airbus H145. در یک آزمایش دیگر نیز مدل برای ساخت یک وب‌سایت تک‌رنگ حدود ۱۴ دقیقه زمان صرف کرد.

این زمان پردازش نسبتاً طولانی خودش نکته جالبی است. چیزی که در این آزمایش‌ها دیده می‌شود بیشتر به مدل‌هایی شبیه است که قبل از ارائه پاسخ نهایی، مدت بیشتری برای برنامه‌ریزی و اجرای کار وقت می‌گذارند. چنین رفتاری با مسیری که گوگل برای agentic coding و کارهای چندمرحله‌ای ترسیم کرده، همخوانی دارد.

در گزارش‌های جدیدتر حتی ادعا شده که مدل داخلی با شناسه G4P-ARGON دیده شده است. تصویری که در این رابطه منتشر شده، مشخصاتی مانند سقف خروجی ۲۵۶ هزار توکن و context بیشتر از ۱۰ میلیون توکن را نشان می‌دهد. در همان اطلاعات ادعایی، قابلیت‌هایی مانند حافظه بین جلسات و اجرای اسکریپت در backend هم مطرح شده است.

گزارش We0 درباره اطلاعات منتسب به backend مدل Argon

اگر عدد ۱۰ میلیون توکن واقعاً به نسخه نهایی Gemini ۴ برسد، یکی از بزرگ‌ترین تغییرات این نسل خواهد بود. برای کاربر معمولی شاید تفاوت چندانی نداشته باشد، اما برای توسعه‌دهنده‌ای که می‌خواهد یک پروژه بزرگ را به مدل بسپارد، مسئله فرق می‌کند. کل کد یک پروژه، مستندات، فایل‌های پیکربندی و اطلاعات مربوط به بخش‌های مختلف آن می‌توانند در یک context بسیار بزرگ قرار بگیرند.

همین قابلیت در کنار agentها اهمیت بیشتری پیدا می‌کند. یک مدل که قرار است فقط به سؤال جواب دهد به چنین context بزرگی کمتر نیاز دارد؛ مدلی که قرار است یک پروژه را بررسی کند، کد تغییر دهد، تست اجرا کند و نتیجه را دوباره بررسی کند، از فضای بیشتر استفاده بسیار بهتری خواهد داشت.

گزارش‌های مربوط به Gemini ۴ همچنین از حافظه بین جلسات صحبت می‌کنند. در چنین حالتی مدل می‌تواند اطلاعات مربوط به پروژه یا ترجیحات کاربر را برای استفاده در تعامل‌های بعدی نگه دارد. این ویژگی اگر وارد محصول نهایی شود، برای agentهایی که قرار است کارهای چندروزه یا چندمرحله‌ای انجام دهند اهمیت بیشتری از یک قابلیت ساده در چت خواهد داشت.

البته جالب‌ترین بخش ماجرا برای توسعه‌دهندگان، عملکرد این مدل در coding است.

یک جدول بنچمارک که در روزهای اخیر در شبکه‌های اجتماعی منتشر شده، برای مدل منتسب به Gemini ۴ Pro امتیاز ۸۸.۷ درصد در DeepSWE v1.۱، امتیاز ۹۵.۳ درصد در Terminal-Bench ۲.۱ و ۸۶.۸ درصد در OSWorld ۲.۰ را نشان می‌دهد. در همین جدول برای HLE-Verified امتیاز ۷۲.۱ درصد و برای GDPval-AA v2 نیز امتیاز ۲۰۶۴ Elo درج شده است.

گزارش Dataconomy درباره نتایج منتسب به Gemini ۴ Pro

این اعداد اگر در آزمایش‌های مستقل تکرار شوند، نشان می‌دهند تمرکز Gemini ۴ فقط روی پاسخ‌های بهتر در چت نیست. DeepSWE و Terminal-Bench بیشتر به توانایی مدل در کارهای نرم‌افزاری مربوط هستند و OSWorld نیز توانایی انجام وظایف در محیط کامپیوتر را بررسی می‌کند.

در واقع این همان بخشی است که صحبت‌های رسمی ساندار پیچای درباره agentic coding را قابل توجه‌تر می‌کند. گوگل پیش از معرفی Gemini ۴ گفته بود که یکی از حوزه‌هایی که می‌خواهد در نسل بعدی بهتر شود، همین بخش است.

اما برای Gemini ۴ یک سؤال دیگر هم وجود دارد: گوگل با Gemini ۳.۵ Pro چه خواهد کرد؟

Gemini ۳.۵ Pro هنوز در حال آزمایش است و گوگل در ژوئیه گفته بود این مدل همراه با شرکا در حال تست است. در همین زمان، توسعه نسل بعدی یعنی Gemini ۴ هم شروع شده بود.

این فاصله زمانی باعث شده برخی گزارش‌ها این احتمال را مطرح کنند که گوگل بخش قابل توجهی از منابع خود را مستقیماً روی نسل چهارم گذاشته باشد. فعلاً هیچ اعلام رسمی درباره کنار گذاشتن Gemini ۳.۵ Pro وجود ندارد، اما روند انتشار مدل‌های Flash نشان می‌دهد گوگل در حال حرکت سریع‌تری است و نمی‌خواهد فاصله زیادی با مدل‌های Frontier رقیب داشته باشد.

این موضوع را می‌شود در خود Gemini ۳.۸ Flash هم دید. گوگل در مدت کوتاهی چند نسخه Flash را منتشر کرده و هر بار بخش‌هایی مثل coding، reasoning و agentها را جلو برده است. حالا انتظار اصلی از Gemini ۴ این است که همین قابلیت‌ها را در سطح مدل‌های قدرتمندتر ارائه کند.

در مورد تاریخ عرضه، هنوز تاریخ رسمی وجود ندارد. گزارش‌های مختلف از پاییز ۲۰۲۶ و حتی ماه‌های پایانی سال صحبت کرده‌اند، اما گوگل هیچ روز مشخصی را اعلام نکرده است. با توجه به اینکه خود شرکت در ژوئیه گفته بود عملیات پیش‌آموزش Gemini ۴ تازه در جریان است، فاصله بین شروع آموزش و عرضه عمومی می‌تواند به آزمایش‌های گسترده و آماده‌سازی زیرساخت محصول وابسته باشد.

آنچه در حال حاضر درباره Gemini ۴ جالب است، بیشتر از یک عدد بنچمارک یا یک screenshot است. مسیر توسعه مدل کاملاً با چیزی که گوگل در محصولات اخیرش دنبال کرده هماهنگ شده: context بزرگ‌تر، استفاده از ابزار، coding، computer use و agentهایی که بتوانند یک کار را در چند مرحله جلو ببرند.

اگر گزارش‌های اخیر درباره Argon هم به یک checkpoint واقعی Gemini ۴ مربوط باشند، این احتمال وجود دارد که گوگل پیش از معرفی رسمی، مدل را در محیط‌هایی مانند Arena با کاربران واقعی آزمایش کند. چنین آزمایشی می‌تواند توضیح دهد چرا مدلی که نام Gemini ۳.۸ Flash دارد، در برخی کارها رفتار متفاوتی نشان داده است.

با این حال، مشخصات نهایی هنوز منتشر نشده‌اند. صفحه رسمی مدل‌های Google AI همچنان Gemini ۳.۸ Flash را با سقف یک میلیون توکن ورودی و ۶۵٬۵۳۶ توکن خروجی نشان می‌دهد و هنوز صفحه‌ای برای Gemini ۴ Pro در API گوگل وجود ندارد.

مستندات رسمی Google AI برای مدل‌های Gemini

به همین دلیل احتمالاً مهم‌ترین چیزی که در معرفی Gemini ۴ باید دنبال کرد، فقط امتیاز آن در یک بنچمارک نخواهد بود. باید دید گوگل تا چه حد می‌تواند مدلی بسازد که از مرحله پاسخ دادن عبور کند و واقعاً یک کار طولانی را از ابتدا تا انتها انجام دهد.

چنین تغییری برای توسعه‌دهندگان محسوس‌تر از چند درصد افزایش در یک آزمون خواهد بود. اگر Gemini ۴ بتواند یک پروژه نرم‌افزاری را بگیرد، کد آن را بررسی کند، تغییرات را اعمال کند، تست بگیرد و خطاهایش را خودش دنبال کند، تفاوت آن با یک chatbot معمولی خیلی زود در استفاده روزمره مشخص خواهد شد.

فعلاً آنچه قطعی است این است که گوگل Gemini ۴ را در دست ساخت دارد و برای آموزش آن از یک عملیات بزرگ‌تر از نسل‌های قبلی استفاده می‌کند. آنچه در Arena و شبکه‌های اجتماعی دیده شده، سرنخ‌هایی از چیزی است که ممکن است در راه باشد؛ از Argon و context بسیار بزرگ گرفته تا خروجی‌های طولانی‌تر و تمرکز جدی‌تر روی agentها.

تا زمان معرفی رسمی، جزئیات بیشتری احتمالاً از همین مسیر منتشر خواهد شد؛ مدل‌هایی که با نام‌های موقت ظاهر می‌شوند، آزمایش‌های توسعه‌دهندگان و شاید نمونه‌های بیشتری از Gemini ۴ Pro. اما اگر جهت فعلی گوگل را ملاک قرار دهیم، نسل بعدی Gemini بیش از هر چیز قرار است برای انجام کار ساخته شود، نه فقط صحبت کردن درباره آن.