Gemini 4 Argon API: الأسعار ومساحة التجربة والأمثلة

ما هو Gemini 4 Argon؟

نموذج الاستدلال الرائد من Google للهندسة المعقدة والعمل المعرفي المهني

Gemini 4 Argon هو نموذج الاستدلال الرائد من Google، وأُتيح رسميًا للمطوّرين والمؤسسات في 13 أكتوبر 2026. بخلاف النماذج المصممة أساسًا للإجابات السريعة، نراه خيارًا للمهام المعقدة: عليه فهم السؤال وتتبع القيود ودمج معلومات جديدة أثناء العمل، ثم تسليم نتائج قابلة للفحص.

مثلًا، قد يعاني نظام قائم تناقضات بيانات متقطعة، أو يتطلب تقرير مطابقة جداول وعقود وشروح أعمال. نهتم أكثر بقدرة Argon على تحديد المشكلة وشرح أدلته واقتراح تغييرات ذات معايير قبول قابلة للتحقق. تحدد Google الهندسة البرمجية المعقدة والوكلاء متعددي الخطوات والرياضيات والعلوم والمهام المهنية في القانون والتمويل من اتجاهاته الرئيسية.

نموذج MoE متناثر ومتعدد الوسائط أصليًا يقرأ النصوص والصور والصوت والفيديو

يستخدم Gemini 4 Argon بنية مزيج خبراء متناثرة (MoE) واسعة النطاق، مع معالجة أصلية للنص والصورة والصوت. تقبل API الرسمية النصوص والصور والصوت والفيديو وPDF؛ ويمكنه تحليل فيديو وشرح لقطة واجهة وكتابة شيفرة لتوليد رسوم متحركة من موجز.

نقترح اختبار القدرات متعددة الوسائط داخل مسارات عمل فعلية. قدم مثلًا لقطات منتج وتسجيلات شاشة ومتطلباتها، واطلب تحديد مشكلات التفاعل وإعداد قائمة تغييرات. أو قدم ملفات PDF لقوائم مالية مع شروح، واطلب ربط كل استنتاج بجدول محدد. قلما يكشف مجرد سؤال «ماذا في هذه الصورة؟» القيمة الحقيقية لهذا النوع من النماذج.

سياق مشترك بمليون رمز وثلاثة مستويات استدلال

تبلغ نافذة سياق Gemini 4 Argon 1,048,576 رمزًا، وحد الإخراج المتزامن الافتراضي 65,536 رمزًا. للمهام التي تحتاج فعلًا إلى إخراج طويل جدًا، توفر Google آلية long decode لتمديد التوليد عبر التنفيذ الخلفي والمتابعة. المواصفات الرسمية للنموذج | وثائق Long Decode

يوفر ثلاثة مستويات استدلال، low وmedium وhigh، مع medium افتراضيًا. ننصح بالبدء بـ medium: قارن low للتصنيف البسيط أو تنظيم النصوص، واختبر high لتحليل الحوادث المعقدة والقرارات الهندسية والاشتقاقات الرياضية. لا يحسّن المستوى الأعلى كل مهمة بالضرورة، ويؤثر أيضًا في الاستهلاك والانتظار، وهي مقايضة أكدناها باستمرار. نبحث عادةً عن أقل إعداد تكلفةً يجتاز فحوص القبول باستقرار، بدلًا من ضبط كل الطلبات على المستوى الأعلى. دليل مستويات الاستدلال من Google

أداة Gemini 4 Argon عبر الإنترنت وAPI في API Hop

نهدف عبر API Hop إلى مساعدة المطوّرين على اختيار نماذج مناسبة بتكلفة تجربة وخطأ أقل. للنماذج المتاحة بالفعل، العملية مباشرة: سجّل الدخول وأنشئ مفتاح API وأضف رصيدًا صغيرًا لتجربة المخرجات بالأداة. لا يتطلب التقييم بناء تكامل API كامل أولًا أو شراء خطة ثابتة لتجربة قصيرة. وعندما تحتاج إلى دمج نموذج في نظام قائم، اختر واجهة متاحة من كتالوج النماذج.

ميزات Gemini 4 Argon الأساسية ومجالات قوته

برمجة المشاريع الفعلية: ما بعد توليد الشيفرة إلى إعادة الهيكلة والأداء

القدرة الهندسية الأكثر إثارة لاهتمامنا هي مواصلة Argon تحليل المشكلات في الشيفرة الحالية، لا عدد الأسطر الجديدة التي يولدها دفعة واحدة. في أمثلة Google الهندسية الداخلية المنشورة، ساعد في تحسين مشروع Agent Development Kit (ADK) بلغة Python: انخفض وقت إعداد جلسة الذاكرة للمحادثات الطويلة 40%، وأصبحت استيرادات البدء البارد أسرع 21%. ونشرت Google أيضًا أمثلة لإعادة هيكلة Chrome واسعة النطاق وتحسين الحوسبة العلمية.

ضمن ملاحظات مستخدمينا، قدم شخص متطلب خلفية Python نفسه إلى Argon High وOpus 5.5 لتخطيط التنفيذ، ثم طلب من نموذج آخر مراجعة الخطتين. حُكم في تلك المقارنة بأن خطة Argon أفضل قليلًا.

تحليل الوثائق الطويلة والوسائط المتعددة: ربط المعلومات عبر المواد

قيمة Argon ليست كمية المواد التي يستوعبها فقط، بل إقامة روابط موثوقة بينها. اطلب مثلًا مقارنة عشرات صفحات المتطلبات ولقطات الواجهة وملاحظات الاجتماعات، وتحديد الميزات المنفذة والمتطلبات المتعارضة والاستنتاجات التي تفتقر إلى أدلة. وفي الفيديو، يمكن تحليل الإطارات الرئيسية والشروح المنطوقة معًا لإنتاج خطوات اختبار أو خط زمني للأحداث.

شارك عملاء أمثلة لاستخدام Argon في ترجمة وثائق كاملة وتفسير ملفات PDF رياضية. وقدم آخر نحو 40 صفحة من موجزات تصميم غير منظمة، ووجد أن استخلاص النقاط الرئيسية تجاوز توقعاته.

الشروح المعقدة والنماذج التفاعلية: تسهيل فهم المسائل المجردة

نهتم أيضًا بطريقة شرح Argon للمشكلات المعقدة. وصف بعض العملاء إجابات محكمة البنية وواضحة المنطق تضمنت واجهة تفاعلية مباشرةً لمساعدة المستخدمين على فهم المسألة.

نرى تطبيقات في المحتوى التعليمي وعروض تحليل الأعمال والنماذج الأولية ومواقع الأدوات التي تشرح قواعد. عمليًا، ننصح بتحديد افتراضات الإدخال ومعادلات الإخراج والحدود قبل طلب نموذج HTML/JavaScript أولي.

المعرفة المهنية والمراجعة الأمنية: مهام لها أدلة ومعايير قبول

تبرز Google التمويل والقانون والأمن السيبراني والبحث العلمي كمجالات رئيسية لـ Argon. نفضّل استخدام هذه القدرات للمساعدة في المراجعة: فحص تعارض بنود العقود، أو علاقات غير معتادة في القوائم المالية، أو أمن الاعتماديات والإعدادات والشيفرة في مشروع مأذون. تمنح بطاقة النموذج الرسمية من Google نموذج Argon نسبة 68.0% في CWE-bench v1، قريبة من 68.0% لـ GPT-6 Astra في الجدول نفسه. تقييم Google DeepMind

نوصي باشتراط خمسة عناصر: موضع المشكلة وشروط إعادة إنتاجها وتأثيرها والإصلاح المقترح وطريقة التحقق. يجب أن يرتبط كل منها بمادة أصلية فعلية. تكلفة الإخفاق في العمل المهني عادةً أعلى من الأسئلة العادية. تحتاج الأحكام القانونية والبيانات المالية والإصلاحات الأمنية خصوصًا إلى مراجعة المعنيين؛ ولا ننصح باعتبار إخراج النموذج استنتاجًا مهنيًا نهائيًا.

معايير Gemini 4 Argon وأداؤه

نتعامل مع النتائج العامة بوصفها مؤشرات لاختيار النموذج، ثم نفسر الأداء بحكمنا المستقل وخبرتنا العملية. لا تثبت بضع نقاط مئوية في ترتيب وحدها أفضلية نموذج بالضرورة.

هندسة البرمجيات: 77.9% في DeepSWE، لكن 55.0% فقط في FrontierSWE

في جدول Google نفسه، يحقق Gemini 4 Argon نسبة 77.9% في DeepSWE v1.1، أعلى من 74.1% لـ GPT-6 Astra و74.2% لـ Claude Opus 5.5. لكنه في FrontierSWE v2 يحقق 55.0%، مقابل 65.5% لـ GPT-6 Astra و62.3% لـ Opus 5.5. يتغير الترتيب كثيرًا بين مجموعات الهندسة، لذا لا نرى تقدم DeepSWE وحده دليلًا على ملاءمته لكل مشروع. جدول Google الرسمي للتقييم

توصيتنا: لصيانة مشاريع قائمة، ابدأ باختبارات A/B باستخدام مشكلات سابقة وحوادث فعلية وتغييرات عبر الوحدات. قدم لكل نموذج إصدار المستودع وصلاحيات الأدوات وأوامر الاختبار نفسها، وتتبع pass@1 والتعديلات اليدوية ونتائج اختبارات الانحدار. وللتغييرات المعمارية الواسعة، افحص الوثائق وتوافق الواجهات والآثار الجانبية الخفية منفصلًا.

وكلاء سطر الأوامر: 57.4% في Terminal-Bench 4.0، دون صدارة مطلقة

يمنح جدول Google نفسه Argon نسبة 57.4% في Terminal-Bench 4.0، مقابل 58.2% لـ GPT-6 Astra و66.4% لـ Claude Opus 5.5. وتحت إطار الوكيل الخاص بـ Artificial Analysis، يحقق Argon نحو 57%، مقابل نحو 60% لـ Opus 5.5. نرى أن المصدرين يشيران إلى قدرات طرفية قوية، لكن لا يجعل أيهما Argon أفضل اختيار لكل مهمة أوامر. نتائج Google الرسمية | مقارنة Artificial Analysis المستقلة

توصيتنا: لبيئات الخوادم وتثبيت الاعتماديات والإصلاح الآلي والإعادات المتكررة، ابدأ بخادم اختبار. يحمل اختبار Argon مباشرةً في الإنتاج مخاطر كبيرة جدًا.

أتمتة الأعمال: 51.3% لـ High و50.1% لـ Medium في AutomationBench

عبر 657 مهمة في AutomationBench v1.0.6 من Zapier، يجتاز Argon medium عدد 329، وhigh عدد 337: أي 8 مهام إضافية و1.2 نقطة مئوية فقط. أعلى نتيجة منشورة لـ Claude Sonnet 5.5 في الترتيب العام نفسه هي 44.7%. يقيّم الاختبار حالات البيانات النهائية في أنظمة أعمال محاكاة، فيكون أقرب إلى الأتمتة الفعلية من الحكم على صحة إجابة فقط. تقرير Zapier الكامل

توصيتنا: ابدأ بـ medium الافتراضي لتحديثات CRM ومعالجة النماذج وتوجيه التذاكر أو مزامنة البيانات عبر التطبيقات. إذا فشلت بوضوح مهام خدمة العملاء أو التسويق أو معالجة الاستثناءات متعددة الخطوات، فاختبر جدوى تكلفة high وانتظاره الإضافيين. للأتمتة واسعة النطاق، تتبع معدل الإتمام النهائي ومتوسط استهلاك المهمة وعدد الإعادات ومعدل التدخل البشري معًا.

العمل المعرفي المهني: 68.90% في Vals Index مقابل 66.97% لـ Opus 5.5

في Vals Index v2.1 المحدّث في 18 أكتوبر 2026، تجمع Vals AI نتائج مهام التمويل والبرمجة والقانون والضرائب وغيرها بأوزان اقتصادية. يحقق Argon 68.90% في المركز الأول؛ وClaude Opus 5.5 نسبة 66.97%، وClaude Fable 5.1 نسبة 65.83%، وGPT-6 Astra نسبة 63.13%. ويعرض جدول Google الرسمي أيضًا 65.4% لـ Argon في Vals Finance Agent v2، لكن لا يمكن جمع الاختبارات الفرعية والمؤشر العام ببساطة. ترتيب Vals AI الأصلي ومنهجيته | بطاقة نموذج Google

توصيتنا: نعطي الأولوية لـ Argon في العمل الذي يجمع مصادر متعددة، مثل شرح فروق التسوية واستخراج معلومات العقود وبحث السوق والتعليق المالي. قيّم دقة الاستشهادات وإمكانية إعادة الحساب واكتمال الجداول، إلى جانب الإجابة النهائية. لا يعني تقدم Vals تفوق Argon في مجال عملك المحدد.

النص الطويل جدًا والفيديو: 84.2% في GraphWalks و91.7% في LVBench

لمهام السياق الطويل ذات البنية البيانية في GraphWalks بين 256K و1M رمز، تعرض بطاقة Google درجة BFS F1 لـ Argon تبلغ 84.2%، مقابل 71.8% لـ GPT-6 Astra و66.8% لـ Opus 5.5. وفي اختبار فهم الفيديو LVBench، يحقق Argon 91.7%، وAstra 87.5%، وOpus 5.5 83.7%. تظهر الأرقام مزايا في الاختبارات المقابلة، لكن توزيع المهام وعدد إطارات الفيديو المأخوذة وإعدادات الإدخال قد تختلف. لا تثبت إمكان معالجة أي وثيقة مليونية الرموز بدقة. تقييمات Google الرسمية للسياق الطويل والفيديو

توصيتنا: للمستودعات الكبيرة فعلًا أو ملفات التدقيق المتعددة أو الفيديوهات الطويلة، يستحق Argon اختبارًا مركزًا. نعد أسئلة عبر الأقسام ذات إجابات معروفة، ثم نقيس الاسترجاع والاستشهادات الخاطئة والتكلفة عند مدخلات 32K و128K و256K وأطول. لكن اختباراتنا حتى الآن تؤكد بقاء ضبط طول السياق مهمًا لتحسين الإجابات.

مقارنة Gemini 4 Argon مع GPT-6 Astra وClaude Opus 5.5 وClaude Fable 5.1 وGemini 3.8 Flash

مقارنة GPT-6 Astra: Argon للعمل المعرفي وAstra لبعض المهام الهندسية الصعبة

في Vals Index v2.1، يحقق Argon 68.90% وGPT-6 Astra 63.13%؛ وفي مقارنة AutomationBench الرسمية العامة من Zapier، يحققان 51.3% و41.4% على الترتيب. لكن FrontierSWE v2 من Google يمنح Astra 65.5% وArgon 55.0%؛ ويمنح Terminal-Bench Science 0.1 نموذج Astra 68.1% وArgon 57.6%. نراه مثالًا مفيدًا: اختلاف النماذج ليس دائمًا «قويًا» و«ضعيفًا»، بل اختلاف ملاءمة المهمة. Vals AI | Zapier | جدول تقييم Google

لدمج المواد المهنية وأتمتة العمليات وفهم المعلومات متعددة الوسائط، ننصح بتجربة Argon أولًا. وللمشكلات الهندسية الصعبة والمهام العلمية عبر الطرفية، أدرج GPT-6 Astra في القائمة المختصرة. إذا دعمت بنيتك توجيهًا متعدد النماذج، فوزّع حسب نوع المهمة بدلًا من نموذج واحد لكل شيء.

مقارنة Claude Opus 5.5: أتمتة وتكلفة جذابتان، مع تقدم Opus في بعض التقييمات الأعمق

يوضح تقييمان مستقلان الفروق. يمنح Vals Index v2.1 نموذج Argon 68.90% وOpus 66.97%، بينما يمنح Intelligence Index v4.3.2 من Artificial Analysis نموذج Argon High 53 نقطة وOpus 5.5 Max، مع السماح بالبديل الافتراضي، 58 نقطة. في إعداد Artificial Analysis نفسه، تبلغ التكلفة المرجحة للمهمة نحو $1.99 و$5.98 على الترتيب. Vals AI | مقارنة Artificial Analysis المستقلة

للأتمتة عبر التطبيقات وتنظيم وثائق الأعمال والعمل المعقد المقيد بالتكلفة، ننصح باختبار Argon أولًا. ولتشغيل الطرفية عالي الموثوقية والتحليل الهندسي العميق والمخرجات المهنية المصقولة، يظل Opus 5.5 أفضل اختيار في بيئتنا. وفي ملاحظات عملائنا، تفضّل الأغلبية مقترحات Opus لتصميم الخلفية.

مقارنة Claude Fable 5.1: فحص النجاح النهائي واستقرار سير العمل الحالي

في Vals Index v2.1، يحقق Argon 68.90% وClaude Fable 5.1 65.83%. وفي جدول Google نفسه لـ DeepSWE v1.1، النتيجتان 77.9% و67.4%؛ لكن في FrontierSWE v2، يحقق Argon 55.0% وFable 5.1 56.3%، بنتائج متقاربة وترتيب معكوس. للفرق ذات مسار Fable قائم، تستحق المقاييس النظر لكنها لا تبرر انتقالًا غير مشروط. Vals AI | بطاقة Google DeepMind

إذا استخدم فريقك Fable 5.1 لتخطيط المشاريع أو مراجعة الشيفرة أو المهام الطويلة، فابدأ بمقارنة 20 مهمة سابقة احتاجت إلى أكبر جهد بشري. ابحث خصوصًا عن إغفالات منطقية جديدة ومعاملات أدوات غير متوافقة وانحدارات. يستحق Argon تجربة مبكرة للتحليل المهني والعمل عبر الأنظمة؛ وللتخطيط وتفكيك المشكلات المعقدة، ما زلنا ننصح بـ Fable 5.1.

مقارنة Gemini 3.8 Flash: الاحتفاظ بـ Flash للمهام البسيطة الكثيرة وArgon للصعبة

لهذين النموذجين في منظومة Gemini، نرى التوجيه حسب الصعوبة أكثر الأساليب عمليةً. يمنح Vals Index v2.1 نموذج Argon 68.90% وGemini 3.8 Flash 54.89%؛ وتمنح مقارنة AutomationBench العامة من Zapier نموذج Argon High 51.3% وGemini 3.8 Flash 29.7%. يدعم ذلك تقييم Argon للمهام ذات القرارات المتتالية ومعالجة الاستثناءات، لا استنتاج حاجة كل طلب نصي إليه. ترتيب Vals AI | تقييم Zapier

نوصي بتشغيل التصنيف واستخراج المعلومات والملخصات القصيرة والدفعات الكبيرة من الطلبات المعيارية على Flash أولًا، والترقية إلى Argon عند قصور الجودة. وللاستدلال عبر الوثائق وإصلاحات الشيفرة المعقدة والوكلاء متعددي الخطوات، أعطِ Argon أولوية في التقييم. قد ينجح نهج «تجربة نموذج أقل تكلفة، والتحقق، ثم التحويل عند الإخفاق» بشرط ألا يصبح التحقق أغلى من المهمة الأصلية.

الأسئلة الشائعة عن Gemini 4 Argon API

كيف أستدعي Gemini 4 Argon، ولماذا لا يظهر في قائمة نماذج API Hop؟

توفر Google API الرسمية gemini-4-argon، لكن إصدار Google لا يعني أن كل مجمّع خارجي يدمجه في اليوم نفسه. حتى تاريخ التحقق من المقالة، لم يكن كتالوج API Hop العام قد أدرج Argon. استعلم عن قائمة النماذج بمفتاحك الحالي للتحقق من الوصول؛ لا تفترض توافق API Hop اعتمادًا على معرّف Google وحده. وثائق Google الرسمية | كتالوج API Hop

curl --request GET \
  --url https://api.apihop.ai/v1/models \
  --header 'Authorization: Bearer YOUR_APIHOP_API_KEY'

إذا لم تتضمن الاستجابة gemini-4-argon، فلا يوجد وصول مؤكد إلى Argon لهذا المفتاح. لا ننصح بإضافة رصيد بافتراض أنه قابل للاستخدام بالفعل. ولتقييم Argon API الأصلية فورًا، اتبع وثائق Google باستخدام https://generativelanguage.googleapis.com/v1beta/interactions ومفتاح Google API. بعد فتح API Hop الوصول رسميًا، ننصح بالتحقق من طلب بسيط أولًا، ثم التدفق واستدعاء الأدوات والسياق الطويل بهذا الترتيب. مثال Google REST | وثائق API Hop Chat Completions

لماذا يسبب thinking_budget خطأ، بينما لا يؤثر temperature؟

يوصي Argon باستخدام thinking_level لضبط عمق الاستدلال، ويقبل low وmedium وhigh، مع medium افتراضيًا. عند الانتقال من إصدارات Gemini أخرى، قد تسبب معاملات ميزانية التفكير القديمة ومستويات الاستدلال غير المدعومة أخطاء 400. وتوضح إرشادات Google أيضًا أن Argon يتجاهل إعدادات أخذ العينات حتى عند تقديم temperature وtop_p وtop_k. قائمة انتقال Google

ننصح بإزالة المعاملات القديمة من الطلبات السابقة وتحديد النموذج والإدخال ومستوى الاستدلال الضرورية فقط. لضبط التكلفة، قارن نتائج low وmedium الفعلية أولًا، ثم اختبر high للمهام الهندسية والعلمية الأصعب. نمرر جميع المعاملات المدعومة عبر بروتوكول التوافق الموحد في API Hop.

لماذا قد يؤدي سياق مليون رمز إلى اقتطاع أو إجابة فارغة أو انتهاء مهلة؟

المليون رمز ميزانية سياق مشتركة، وليس مخصص إخراج غير محدود للطلبات المتزامنة العادية. حد التوليد المتزامن الافتراضي لـ Argon هو 65,536 رمزًا، ويحد max_output_tokens الاستدلال الداخلي والنص النهائي معًا. إذا كان صغيرًا، فقد تنفد الميزانية قبل إتمام الإجابة. تقترح Google أن تنظر التطبيقات التي استخدمت حدود إخراج صغيرة جدًا في رفعها فوق 32,768، ثم تعديلها أكثر للمهام المعقدة حسب الحاجة. إرشادات Google لميزانية الإخراج

للمحتوى الذي يحتاج فعلًا إلى أكثر من 64K رمز، توصي Interactions API الأصلية من Google بضبط background: true وmax_output_tokens فوق 65,536، والاستعلام عن حالة المهمة، ودمج خطوات model_output متعددة. وقد تستغرق الطلبات المعقدة عدة دقائق، لذلك توصي Google بمهل مناسبة أو تنفيذ خلفي.