Gemini 4 Argon: Isang Milyong Output Token, Ano Ngayon?

Dati, ang context window ang karera. Inililipat ng Gemini 4 Argon ang atensyon sa kabilang dulo ng modelo: kung gaano karami ang kaya nitong ilabas nang minsanan. Noong 30 Setyembre, ipinakilala ng Google DeepMind ang Argon na may output limit na isang milyong token, mula sa 64,000. Iyan ay sagot na kasinghaba ng isang libro. Ang mas kawili-wiling tanong para sa mga marketer ay kung anong uri ng trabaho ang nangangailangan nito.

Ano ang nangyari

Sa anunsyo ng Google, inilalarawan ni Koray Kavukcuoglu ang Argon bilang frontier model ng Google "para sa real-world coding, enterprise knowledge work, at cyber defense". Lumalawak sa 1M ang output token limit, at idinisenyo ang modelo para sa mahahaba at multi-step na gawain sa software engineering, legal at finance work at cybersecurity, na may malakas na visual understanding gaya ng chart analysis at pag-unawa sa mahahabang video.

Kakaiba ang rollout. Unang mapupunta ang Argon sa isang grupo ng mga pinagkakatiwalaang cyber defender sa pamamagitan ng Fairwind Program ng Google, na may mas malawak na access na pinaplano para sa mga developer, enterprise at consumer, simula sa mga bayad na API customer at mga subscriber ng Google AI Ultra. Ang introductory pricing ay US$2 bawat milyong input token at US$10 bawat milyong output token, na tataas sa US$4 at US$20 pagkatapos ng introductory period, at 95% na diskwento sa cached input.

Naglilista ang Google ng mga resulta ng benchmark, kabilang ang 77.9% sa DeepSWE v1.1 at 91.7% sa LVBench long-video benchmark, at naglalarawan ng mga panloob na gamit gaya ng malalaking code migration. Naglalarawan din ito ng mga hakbang sa kaligtasan, kabilang ang monitoring para sa maling paggamit at misalignment at resilience laban sa indirect prompt injection. Sariling resulta ng Google ang mga ito.

Bakit ito mahalaga

Ang isang milyong output token ay hindi tungkol sa pagsulat ng mas mahahabang blog post. Mahalaga ang mahahabang output kapag ang trabaho ay gumawa ng kumpletong artefact sa isang magkakaugnay na pasada: isang buong codebase migration, isang set ng kontrata, isang malaking structured dataset. Sa marketing, ang pinakamalapit na katumbas ay mga bagay gaya ng kumpletong muling pagsulat ng product feed, buong localisation ng isang website, o isang campaign library na may daan-daang magkakaugnay na variant.

Ang pag-unawa sa mahahabang video ay, para sa akin, ang kakayahang mas agad na kapaki-pakinabang. Nangingibabaw ang video sa mga social platform, at karamihan ng brand ay sinusuri pa rin ito sa panonood ng mga sample at pagtatala. Ang modelong maaasahang nakababasa ng mahahabang video, sa malawakang saklaw, ay nagbubukas ng competitor at category analysis na dating imposibleng gawin nang masinsinan.

At ang cyber-first na rollout ay senyales tungkol sa kung saan sa tingin ng mga frontier lab nakalagay ang panganib. Kapag binibigyan ng isang lab ng access ang mga defender bago ang lahat, sinasabi nito sa iyo na sapat ang kakayahan ng modelo upang maging mahalaga rin para sa mga attacker.

Ang sinasabi ng aking pananaliksik

Malaking bahagi ng aking pananaliksik ay tungkol sa social multimedia, hindi lamang text. Noong una, binuo namin ang bBridge (ACM Multimedia 2016), isang big data platform para sa pagsusuri ng social multimedia sa iba't ibang network. Kamakailan, sa SOEX: Explainable AI for Competitor Communications Analytics (WWW 2025 Companion), nakatuon kami sa pagpapaliwanag kung ano ang ipinapahayag ng mga kakumpitensya at kung bakit ito gumagana.

Ang aral mula sa gawaing iyon ay kalahati lamang ng problema ang laki ng pagsusuri. Ang modelong kayang manood ng isang libong video ng kakumpitensya ay kailangan pa ring sumagot sa mga tanong na mahalaga sa isang strategist: aling mga mensahe ang umuulit, alin ang mahusay ang performance, aling audience ang tinatarget nila at anong puwang ang naiiwang bukas. Pinamumura ng mga long-context at long-output na modelo ang pagbasa at pagsulat. Nananatiling kontribusyon ng tao ang pagbalangkas at pagpapatunay, na sinusuportahan ng performance data.

Magdaragdag ako ng isang babala. Mahirap suriin ang napakahahabang output. Ang isang 200-pahinang nalikhang dokumento ay maaaring 98% tama at naglalaman pa rin ng iisang pahayag na magpapahamak sa iyo. Kung mas mahaba ang output, mas kailangan mo ng istruktura, sampling at mga automated check.

Paano ko gagamitin ang isang long-horizon na modelo sa marketing

• Mga audit ng video sa kategorya. Humingi ng mga structured na natuklasan sa isang buong set ng mga video ng kakumpitensya: mga hook, pahayag, format, call to action. Pagkatapos ay patunayan nang mano-mano ang isang sample.
• Magkakaugnay na asset library. Lumikha ng buong set ng mga variant para sa isang campaign sa isang pasada upang manatiling pare-pareho ang tono at mga pahayag, at suriin ang mga ito laban sa isang checklist.
• Mga draft ng buong-site na localisation. Gumawa ng kumpletong draft para sa mga bagong market, pagkatapos ay ipasuri muna sa mga native reviewer ang mga pahinang mataas ang traffic.
• Mahahabang dokumento na may index. Hingin sa modelo na gumawa ng talahanayan ng mga pahayag kasama ang mga source, upang mabilis na maberipika ng mga tao ang mga mapanganib na bahagi.

Kahanga-hanga ang headline number ng Argon. Magmumula ang halaga para sa mga marketer sa pagsasama ng kapasidad na iyon at ng disiplina na suriin ang lumalabas.

FAQ