Два поста в блоге Google DeepMind вышли под одной подписью — Коррей Кавукоджу, старший вице-президент Google DeepMind и главный AI-архитектор Google. В первом Gemini 4 Carbon назван «our next frontier model», во втором Google DeepMind выпустила Gemini 4 Argon с формулировкой «built to solve your hardest problems» и обещанием «next era of frontier intelligence». Ни таблиц с результатами, ни сроков открытия доступа, ни сравнения с предыдущим поколением в ленте нет.
Отсутствие цифр в анонсе определяет, что можно планировать сейчас, а что придётся проверять самому. Сейчас получается планировать только собственную проверку: остальное зависит от того, появятся ли лимиты, тарифы и публичные замеры. Для команды, которая присматривается к переезду, это пауза длиной в несколько недель, а не решение в день релиза.
Что подтверждено в анонсе, а что осталось формулировкой
Подтверждено немногое, и это немногое важно. Модель с именем Gemini 4 Argon действительно анонсирована в блоге Google DeepMind, текст подписан Кавукоджу, а в заголовке стоит обещание про «самые трудные задачи». Рядом опубликована запись про Gemini 4 Carbon. Обе относятся к четвёртому поколению линейки — на это указывает цифра в названии, разъяснений в самом тексте нет.
Чего в ленте не найти: результатов тестов, ограничений по длине контекста, расценок на API, даты открытия доступа и перечня стран. Утверждение, что новая версия «лучше предыдущей на сколько-то процентов», из этого анонса не выводится вовсе. Даже соотношение Argon и Carbon остаётся неясным: посты идут рядом, оба названы очередным шагом, но какая модель для чего предназначена, DeepMind не поясняет.
Третья запись того же периода — Gemini Omni 1.2 Flash, авторства Аниша Нанги, продакт-менеджера Google DeepMind. Акценты там сдвинуты: скорость, стоимость и более длинные клипы. Сигнал существенный. Линейка растёт не только в сторону «умнее», но и в сторону «дешевле на потоковых операциях», и эти две ветки конкурируют за один и тот же бюджет.
Google DeepMind выпустила Gemini 4 Argon: место в линейке
Практический смысл разбора названий простой. Архитектуру и бюджет выбирают не по слову frontier, а по позиционированию конкретной модели, а в ленте DeepMind соседствуют записи с разной логикой: максимум возможностей, цена за токен, длина обрабатываемого материала. Сравнивать их между собой напрямую бессмысленно, поскольку решают они разные задачи.
| Модель | Как её описывает DeepMind | Что это меняет при выборе |
|---|---|---|
| Gemini 4 Argon | «построена для самых трудных задач», «новая эра frontier-интеллекта» | кандидат на сложные многошаговые сценарии, но без тестов и лимитов он остаётся кандидатом |
| Gemini 4 Carbon | «наша следующая frontier-модель» | вторая ветка того же поколения; где она уступает Argon, не сказано |
| Gemini Omni 1.2 Flash | быстрая и экономичная, с более длинными клипами | рабочая лошадка для потоковых и мультимедийных задач, где важнее цена, чем максимум качества |
Часть вопросов снимается не ответом, а его отсутствием. Если вендор не сравнивает две модели одного поколения, различие лежит в области тарифов и внутренних тестов, которые предстоит проводить самостоятельно. Для команды это минимум одна дополнительная итерация проверки — с фиксацией формата ответа и времени отклика на своих данных, а не на демонстрационных примерах из блога.
Frontier в названии не описывает качество
Слово frontier в релизах AI-компаний обозначает позицию: модель относят к верхней границе того, что умеют современные системы. Метрики за этой границей не закреплены, единого рейтинга не существует, а наборы задач у каждого вендора свои. Фраза про «новую эру frontier-интеллекта» описывает амбицию, а не измеримое свойство продукта.
«Gemini 4 Argon: Built to solve your hardest problems.»
Блог Google DeepMind, анонс модели
Отсюда типичная ошибка: сразу после анонса перевести на новую версию процесс, который до этого работал стабильно. Обнаруживается она не сразу. Через неделю меняется формат ответа, обрезается длинный документ или приходит счёт за API, не заложенный в смету, и разбираться приходится уже под дедлайном.
Второе заблуждение касается того, что считать «трудной задачей». Модель, выигрывающая на олимпиадных примерах, может проигрывать на русскоязычных договорах или на разборе выгрузки из учётной системы. Сравнение работает только на собственной выборке, собранной из реальных обращений команды за последний месяц, и только при одинаковых промптах у обеих версий.
Доступ из России: где узкое место
Для читателя из России анонс упирается в бытовой вопрос — чем это попробовать. Приложение Gemini официально не представлено на российском рынке, оплата API из страны затруднена, а вход через аккаунт с другим регионом нарушает условия использования сервиса: при проверке такую учётную запись блокируют вместе с историей диалогов. Для личных экспериментов риск ограничивается потерей доступа. Для рабочего проекта цена выше, потому что под удар попадает корпоративная переписка.
Есть и содержательная сторона. Если задача связана с персональными данными клиентов, вопрос не в том, какая модель умнее, а в том, где физически обрабатывается запрос и кто выступает оператором. У перепродавцов доступа к зарубежным API этот ответ, как правило, отсутствует, и проверить его нечем.
- Условия использования. Пункт про регион и нарушения читается до первой интеграции, а не после блокировки.
- Наличие договора и российского юрлица у поставщика доступа: без этого претензию предъявлять некому.
- Логи запросов — сохраняются ли они на стороне посредника и на какой срок.
- Возможность переключить модель одной строкой конфига, если доступ к выбранной версии закроется.
Вариант с посредником не подходит и тем, кто работает с чувствительными данными: медицина, кадровый учёт, банковские выписки. Здесь разумнее смотреть на модели с локальным размещением или на провайдеров, работающих в российской юрисдикции, даже если по формальным тестам они слабее свежего анонса.
Проверка на своих задачах до переезда
Начинать стоит не с чтения релиза, а с архива собственных запросов за последние недели. Из него отбираются повторяющиеся сценарии: подготовка писем, разбор таблиц, черновики договоров, ответы в поддержке. На них и проверяется любая новая версия, причём в одинаковых условиях с текущей моделью и с записью результата — что именно улучшилось и на что ушло больше времени.
Отдельно фиксируется поведение на длинных документах и на русском языке, потому что именно там расхождение между рекламным обещанием и фактическим результатом проявляется быстрее всего. Имя модели при этом лучше держать в конфигурационном файле: у DeepMind версии сменяются часто, а код, завязанный на конкретную строку идентификатора, ломается при первом же обновлении.
