Gemini 4 Argon: Sejuta Token Keluaran, Lalu Apa?

Dulu jendela konteks menjadi ajang perlombaan. Gemini 4 Argon mengalihkan perhatian ke ujung lain dari model: seberapa banyak yang dapat dihasilkannya sekaligus. Pada 30 September Google DeepMind memperkenalkan Argon dengan batas keluaran satu juta token, naik dari 64.000. Itu setara jawaban sepanjang buku. Pertanyaan yang lebih menarik bagi pemasar adalah jenis pekerjaan apa yang membutuhkannya.

Apa yang terjadi

Dalam pengumuman Google, Koray Kavukcuoglu menggambarkan Argon sebagai model frontier Google "untuk coding dunia nyata, pekerjaan pengetahuan perusahaan, dan pertahanan siber". Batas token keluaran diperluas menjadi 1M, dan model ini dirancang untuk tugas panjang dan multilangkah dalam rekayasa perangkat lunak, pekerjaan hukum dan keuangan, serta keamanan siber, dengan pemahaman visual yang kuat seperti analisis grafik dan pemahaman video panjang.

Cara peluncurannya tidak biasa. Argon pertama-tama diberikan kepada sekelompok pembela siber tepercaya melalui Fairwind Program Google, dengan akses yang lebih luas direncanakan bagi pengembang, perusahaan, dan konsumen, dimulai dari pelanggan API berbayar dan pelanggan Google AI Ultra. Harga perkenalannya US$2 per juta token masukan dan US$10 per juta token keluaran, naik menjadi US$4 dan US$20 setelah masa perkenalan, dengan masukan yang di-cache mendapat potongan 95%.

Google mencantumkan hasil tolok ukur, termasuk 77,9% pada DeepSWE v1.1 dan 91,7% pada tolok ukur video panjang LVBench, serta menjelaskan penggunaan internal seperti migrasi kode berskala besar. Google juga menjelaskan langkah-langkah keselamatan, termasuk pemantauan penyalahgunaan dan misalignment serta ketahanan terhadap prompt injection tidak langsung. Ini adalah hasil Google sendiri.

Mengapa ini penting

Sejuta token keluaran bukanlah soal menulis artikel blog yang lebih panjang. Keluaran panjang penting ketika tugasnya adalah menghasilkan artefak lengkap dalam satu kali proses yang koheren: migrasi seluruh basis kode, satu set kontrak, kumpulan data terstruktur yang besar. Dalam pemasaran, padanan terdekatnya adalah hal-hal seperti penulisan ulang seluruh feed produk, lokalisasi penuh sebuah situs web, atau pustaka kampanye dengan ratusan varian yang terkoordinasi.

Pemahaman video panjang, menurut saya, adalah kemampuan yang lebih langsung berguna. Video mendominasi platform sosial, dan sebagian besar merek masih menganalisisnya dengan menonton sampel dan mencatat. Model yang dapat membaca video panjang secara andal, dalam skala besar, membuka analisis pesaing dan kategori yang dulu mustahil dilakukan secara menyeluruh.

Dan peluncuran yang mendahulukan keamanan siber adalah sinyal tentang di mana lab frontier menganggap risikonya berada. Ketika sebuah lab memberi akses kepada para pembela lebih dulu daripada yang lain, lab itu sedang memberi tahu Anda bahwa modelnya cukup mumpuni sehingga juga berarti bagi para penyerang.

Apa kata riset saya

Sebagian besar riset saya membahas multimedia sosial, bukan teks saja. Sejak awal kami membangun bBridge (ACM Multimedia 2016), platform big data untuk menganalisis multimedia sosial lintas jejaring. Baru-baru ini, dalam SOEX: Explainable AI for Competitor Communications Analytics (WWW 2025 Companion), kami berfokus menjelaskan apa yang dikomunikasikan pesaing dan mengapa hal itu berhasil.

Pelajaran dari karya itu adalah bahwa skala analisis hanyalah separuh masalahnya. Model yang dapat menonton seribu video pesaing tetap harus menjawab pertanyaan yang dipedulikan seorang strategis: pesan mana yang berulang, mana yang berkinerja baik, audiens mana yang disasar, dan celah apa yang masih terbuka. Model berkonteks panjang dan berkeluaran panjang membuat pembacaan dan penulisan lebih murah. Pembingkaian dan validasi tetap menjadi kontribusi manusia, didukung data kinerja.

Saya ingin menambahkan satu peringatan. Keluaran yang sangat panjang sulit diperiksa. Dokumen hasil generasi setebal 200 halaman bisa 98% benar dan tetap memuat satu klaim yang menjerumuskan Anda ke dalam masalah. Makin panjang keluarannya, makin Anda membutuhkan struktur, pengambilan sampel, dan pemeriksaan otomatis.

Bagaimana saya akan menggunakan model berhorizon panjang dalam pemasaran

• Audit video kategori. Minta temuan terstruktur di seluruh rangkaian video pesaing: hook, klaim, format, ajakan bertindak. Lalu validasi sampelnya secara manual.
• Pustaka aset yang terkoordinasi. Hasilkan satu set varian lengkap untuk sebuah kampanye dalam satu kali proses agar gaya bahasa dan klaim tetap konsisten, lalu tinjau terhadap daftar periksa.
• Draf lokalisasi seluruh situs. Hasilkan draf lengkap untuk pasar baru, lalu minta peninjau penutur asli memeriksa halaman dengan trafik tertinggi lebih dulu.
• Dokumen panjang dengan indeks. Wajibkan model menghasilkan tabel klaim beserta sumbernya, agar manusia dapat memverifikasi bagian yang berisiko dengan cepat.

Angka utama Argon memang mengesankan. Nilai bagi pemasar akan datang dari memadukan kapasitas itu dengan disiplin untuk memeriksa apa yang dihasilkannya.

FAQ