Gemini 4 Argon: เอาต์พุตล้านโทเค็น แล้วอย่างไรต่อ?

หน้าต่างบริบท (context window) เคยเป็นสนามแข่งขัน Gemini 4 Argon ย้ายความสนใจไปยังอีกด้านของโมเดล: มันผลิตได้มากเพียงใดในครั้งเดียว เมื่อวันที่ 30 กันยายน Google DeepMind เปิดตัว Argon ที่มีขีดจำกัดเอาต์พุตหนึ่งล้านโทเค็น เพิ่มจาก 64,000 นั่นคือคำตอบยาวเท่าหนังสือหนึ่งเล่ม คำถามที่น่าสนใจกว่าสำหรับนักการตลาดคืองานแบบไหนที่ต้องการมัน

เกิดอะไรขึ้น

ในประกาศของ Google Koray Kavukcuoglu อธิบาย Argon ว่าเป็นโมเดลแนวหน้าของ Google "สำหรับการเขียนโค้ดในโลกจริง งานความรู้ในองค์กร และการป้องกันทางไซเบอร์" ขีดจำกัดโทเค็นเอาต์พุตขยายเป็น 1M และโมเดลออกแบบมาสำหรับงานยาวหลายขั้นตอนด้านวิศวกรรมซอฟต์แวร์ งานกฎหมายและการเงิน และความมั่นคงปลอดภัยไซเบอร์ พร้อมความเข้าใจภาพที่แข็งแกร่ง เช่น การวิเคราะห์แผนภูมิและการทำความเข้าใจวิดีโอยาว

การเปิดตัวนี้ไม่ธรรมดา Argon ให้บริการแก่กลุ่มผู้ป้องกันทางไซเบอร์ที่เชื่อถือได้ผ่าน Fairwind Program ของ Google ก่อน โดยวางแผนขยายการเข้าถึงไปยังนักพัฒนา องค์กร และผู้บริโภค เริ่มจากลูกค้า API แบบจ่ายเงินและผู้สมัคร Google AI Ultra ราคาช่วงแนะนำอยู่ที่ US$2 ต่อล้านโทเค็นอินพุต และ US$10 ต่อล้านโทเค็นเอาต์พุต เพิ่มเป็น US$4 และ US$20 หลังช่วงแนะนำ โดยอินพุตที่แคชไว้ลด 95%

Google ระบุผลเบนช์มาร์ก รวมถึง 77.9% บน DeepSWE v1.1 และ 91.7% บนเบนช์มาร์กวิดีโอยาว LVBench และอธิบายการใช้งานภายใน เช่น การย้ายโค้ดขนาดใหญ่ บริษัทยังอธิบายมาตรการความปลอดภัย รวมถึงการเฝ้าติดตามการใช้ในทางที่ผิดและความไม่สอดคล้อง และความทนทานต่อ indirect prompt injection ผลลัพธ์เหล่านี้เป็นของ Google เอง

ทำไมเรื่องนี้จึงสำคัญ

เอาต์พุตล้านโทเค็นไม่ได้เกี่ยวกับการเขียนบล็อกโพสต์ให้ยาวขึ้น เอาต์พุตยาวสำคัญเมื่องานคือการผลิตชิ้นงานที่สมบูรณ์ในรอบเดียวอย่างสอดคล้อง: การย้ายโค้ดเบสทั้งหมด ชุดสัญญา ชุดข้อมูลที่มีโครงสร้างขนาดใหญ่ ในการตลาด สิ่งที่ใกล้เคียงที่สุดคือการเขียนฟีดสินค้าใหม่ทั้งหมด การแปลเว็บไซต์ทั้งเว็บ หรือคลังแคมเปญที่มีเวอร์ชันประสานกันหลายร้อยชิ้น

สำหรับผม ความสามารถในการทำความเข้าใจวิดีโอยาวมีประโยชน์ทันทีมากกว่า วิดีโอครองแพลตฟอร์มโซเชียล และแบรนด์ส่วนใหญ่ยังวิเคราะห์ด้วยการดูตัวอย่างและจดบันทึก โมเดลที่อ่านวิดีโอยาวได้อย่างน่าเชื่อถือในระดับใหญ่เปิดทางให้การวิเคราะห์คู่แข่งและหมวดหมู่ที่เคยทำอย่างละเอียดไม่ได้

และการเปิดตัวที่ให้ความสำคัญกับไซเบอร์ก่อนเป็นสัญญาณว่าห้องแล็บแนวหน้าคิดว่าความเสี่ยงอยู่ที่ใด เมื่อห้องแล็บให้ผู้ป้องกันเข้าถึงก่อนคนอื่น มันกำลังบอกคุณว่าโมเดลมีความสามารถมากพอที่จะมีความหมายต่อผู้โจมตีด้วย

งานวิจัยของผมบอกอะไร

งานวิจัยส่วนใหญ่ของผมเกี่ยวกับมัลติมีเดียโซเชียล ไม่ใช่ข้อความเพียงอย่างเดียว ในช่วงแรกเราสร้าง bBridge (ACM Multimedia 2016) แพลตฟอร์มบิ๊กดาต้าสำหรับวิเคราะห์มัลติมีเดียโซเชียลข้ามเครือข่าย ล่าสุดใน SOEX: Explainable AI for Competitor Communications Analytics (WWW 2025 Companion) เรามุ่งอธิบายว่าคู่แข่งสื่อสารอะไรและทำไมจึงได้ผล

บทเรียนจากงานนั้นคือ ขนาดของการวิเคราะห์เป็นเพียงครึ่งหนึ่งของปัญหา โมเดลที่ดูวิดีโอคู่แข่งได้พันชิ้นยังต้องตอบคำถามที่นักกลยุทธ์สนใจ: ข้อความใดซ้ำ ข้อความใดได้ผล มุ่งเป้ากลุ่มใด และเหลือช่องว่างใดไว้ โมเดลบริบทยาวและเอาต์พุตยาวทำให้การอ่านและการเขียนถูกลง การวางกรอบและการตรวจสอบยังคงเป็นส่วนของมนุษย์ โดยมีข้อมูลประสิทธิภาพสนับสนุน

ผมขอเพิ่มข้อควรระวังหนึ่งข้อ เอาต์พุตที่ยาวมากตรวจสอบได้ยาก เอกสาร 200 หน้าที่สร้างขึ้นอาจถูกต้อง 98% แต่ยังมีข้อกล่าวอ้างข้อเดียวที่ทำให้คุณเดือดร้อน ยิ่งเอาต์พุตยาว คุณยิ่งต้องมีโครงสร้าง การสุ่มตรวจ และการตรวจสอบอัตโนมัติ

ผมจะใช้โมเดลระยะยาวในการตลาดอย่างไร

• ตรวจสอบวิดีโอทั้งหมวดหมู่ ขอข้อค้นพบที่มีโครงสร้างจากวิดีโอคู่แข่งทั้งชุด: จุดดึงดูดความสนใจ ข้อกล่าวอ้าง รูปแบบ และคำกระตุ้นการตัดสินใจ จากนั้นตรวจสอบตัวอย่างด้วยมือ
• คลังสินทรัพย์ที่ประสานกัน สร้างเวอร์ชันทั้งชุดสำหรับแคมเปญในรอบเดียวเพื่อให้น้ำเสียงและข้อกล่าวอ้างสอดคล้องกัน และตรวจทานตามรายการตรวจสอบ
• ร่างการแปลทั้งเว็บไซต์ ผลิตร่างที่สมบูรณ์สำหรับตลาดใหม่ แล้วให้ผู้ตรวจทานที่เป็นเจ้าของภาษาตรวจหน้าที่มีทราฟฟิกสูงก่อน
• เอกสารยาวพร้อมดัชนี กำหนดให้โมเดลจัดทำตารางข้อกล่าวอ้างพร้อมแหล่งที่มา เพื่อให้มนุษย์ตรวจสอบส่วนที่มีความเสี่ยงได้อย่างรวดเร็ว

ตัวเลขพาดหัวของ Argon น่าประทับใจ คุณค่าสำหรับนักการตลาดจะมาจากการจับคู่ขีดความสามารถนั้นกับวินัยในการตรวจสอบสิ่งที่ได้ออกมา

คำถามที่พบบ่อย