API Gemini 4 Argon: ราคา พื้นที่ทดลอง และตัวอย่าง

Gemini 4 Argon คืออะไร?

โมเดลการให้เหตุผลเรือธง Google สำหรับวิศวกรรมซับซ้อนและงานความรู้วิชาชีพ

Gemini 4 Argon เป็นโมเดลการให้เหตุผลเรือธง Google เปิดอย่างเป็นทางการให้นักพัฒนาและองค์กรวันที่ 13 ตุลาคม 2026 ต่างจากโมเดลที่เน้นตอบเร็ว เรามองเป็นตัวเลือกงานซับซ้อนที่ต้องไม่เพียงเข้าใจคำถาม แต่ติดตามข้อจำกัด รวมข้อมูลใหม่ระหว่างกระบวนการ และสุดท้ายส่งผลที่ตรวจได้

เช่น ระบบเดิมอาจมีข้อมูลไม่สอดคล้องเป็นครั้งคราว หรือรายงานต้องตรวจเทียบตาราง สัญญา และคำอธิบายธุรกิจ เราสนใจว่า Argon หาปัญหา อธิบายหลักฐาน และเสนอการเปลี่ยนพร้อมเกณฑ์ตรวจรับที่ตรวจสอบได้หรือไม่ Google ระบุวิศวกรรมซอฟต์แวร์ซับซ้อน เอเจนต์หลายขั้น คณิตศาสตร์และวิทยาศาสตร์ และงานวิชาชีพ เช่น กฎหมายและการเงิน เป็นทิศทางหลัก

โมเดล sparse MoE หลายรูปแบบโดยกำเนิดที่อ่านข้อความ ภาพ เสียง และวิดีโอ

Gemini 4 Argon ใช้สถาปัตยกรรม sparse mixture-of-experts (MoE) ขนาดใหญ่พร้อมประมวลผลข้อความ ภาพ และเสียงโดยตรง API ทางการรับข้อความ ภาพ เสียง วิดีโอ และ PDF สามารถวิเคราะห์วิดีโอ อธิบายภาพหน้าจอ UI และเขียนโค้ดสร้างแอนิเมชันจากโจทย์

เราเสนอให้ทดสอบความสามารถหลายรูปแบบภายในเวิร์กโฟลว์ธุรกิจจริง เช่น ให้ภาพหน้าจอผลิตภัณฑ์ วิดีโอบันทึกหน้าจอ และข้อกำหนดที่ตรง แล้วขอให้หาปัญหาปฏิสัมพันธ์และเตรียมรายการแก้ หรือให้งบการเงิน PDF พร้อมคำอธิบายและขอให้เชื่อมแต่ละข้อสรุปกับตารางเฉพาะ การถามแค่ “ภาพนี้มีอะไร?” มักไม่เผยคุณค่าจริงของโมเดลประเภทนี้

บริบทล้านโทเคนที่ใช้ร่วมกันพร้อมการให้เหตุผลสามระดับ

Gemini 4 Argon มีหน้าต่างบริบท 1,048,576 โทเคน และขีดจำกัดเอาต์พุตซิงโครนัสเริ่มต้น 65,536 โทเคน สำหรับงานที่ต้องเอาต์พุตยาวมากจริง Google มี long decode เพื่อขยายการสร้างผ่านการทำเบื้องหลังและต่อเนื่องด้วย ข้อกำหนดโมเดลทางการ | เอกสาร Long Decode

มีการให้เหตุผลสามระดับ low, medium และ high โดย medium เป็นค่าเริ่มต้น เราแนะนำเริ่ม medium เทียบ low สำหรับจัดประเภทง่ายหรือจัดข้อความ และทดสอบ high สำหรับวิเคราะห์เหตุการณ์ซับซ้อน ตัดสินใจวิศวกรรม หรือพิสูจน์คณิตศาสตร์ ระดับสูงกว่าไม่ได้ทำให้ทุกงานดีขึ้นและมีผลต่อการใช้กับเวลารอด้วย ซึ่งเป็นข้อแลกเปลี่ยนที่เราย้ำเสมอ เรามักหา การตั้งค่าถูกที่สุดที่ผ่านการตรวจรับได้สม่ำเสมอ แทนตั้งทุกคำขอสูงสุด คู่มือระดับการให้เหตุผล Google

เครื่องมือออนไลน์และ API ของ Gemini 4 Argon บน API Hop

ผ่าน API Hop เรามุ่งช่วยนักพัฒนาเลือกโมเดลเหมาะสมโดยลดต้นทุนลองผิดลองถูก สำหรับโมเดลที่มีแล้ว ขั้นตอนง่าย: เข้าสู่ระบบ API Hop สร้างคีย์ API และเติมยอดเล็กน้อยเพื่อลองเอาต์พุตในเครื่องมือออนไลน์ การประเมินไม่ต้องสร้างการเชื่อม API ครบก่อนหรือซื้อแผนตายตัวเพื่อทดลองสั้น เมื่อต้องเชื่อมโมเดลในระบบเดิม ให้เลือกอินเทอร์เฟซที่มีจากแค็ตตาล็อก

ฟีเจอร์หลักและงานที่ Gemini 4 Argon ถนัด

โค้ดโครงการจริง: จากสร้างโค้ดสู่ปรับโครงสร้างและประสิทธิภาพ

ความสามารถวิศวกรรมที่เราสนใจที่สุดคือ Argon วิเคราะห์ปัญหาในโค้ดเดิมต่อเนื่อง ไม่ใช่จำนวนบรรทัดใหม่ที่ผลิตครั้งเดียว ในตัวอย่างวิศวกรรมภายในที่ Google เผยแพร่ Argon ช่วยปรับโครงการ Python ของ Agent Development Kit (ADK) โดยเวลาเตรียมเซสชันในหน่วยความจำสำหรับสนทนายาวลด 40% และการนำเข้าตอนเริ่มเย็นเร็วขึ้น 21% Google ยังรายงานตัวอย่างปรับโครงสร้าง Chrome ขนาดใหญ่และปรับการคำนวณวิทยาศาสตร์

ในความคิดเห็นผู้ใช้ รายหนึ่งให้ข้อกำหนดแบ็กเอนด์ Python เดียวกันแก่ Argon High และ Opus 5.5 เพื่อวางแผนพัฒนา แล้วให้โมเดลอื่นตรวจแผน ในการเทียบนั้น แผน Argon ถูกประเมินว่าดีกว่าเล็กน้อย

วิเคราะห์เอกสารยาวและหลายรูปแบบ: เชื่อมข้อมูลข้ามเอกสาร

คุณค่า Argon ไม่ใช่แค่รับข้อมูลได้มากแค่ไหน แต่สร้างความเชื่อมโยงที่เชื่อถือได้ข้ามข้อมูลหรือไม่ เช่น ให้เทียบข้อกำหนดผลิตภัณฑ์หลายสิบหน้า ภาพหน้าจอ UI และบันทึกประชุม แล้วระบุฟีเจอร์ที่ทำแล้ว ข้อกำหนดที่ขัดกัน และข้อสรุปที่ไร้หลักฐาน สำหรับวิดีโอ วิเคราะห์เฟรมหลักกับคำอธิบายเสียงร่วมเพื่อทำขั้นตอนทดสอบหรือไทม์ไลน์เหตุการณ์ได้

ลูกค้าแบ่งปันกรณีใช้ Argon แปลเอกสารทั้งฉบับและตีความ PDF คณิตศาสตร์ อีกรายให้โจทย์ออกแบบที่ไม่เป็นระเบียบประมาณ 40 หน้า และพบว่าการสกัดประเด็นหลักดีกว่าคาด

คำอธิบายซับซ้อนและต้นแบบโต้ตอบ: ทำปัญหานามธรรมให้เข้าใจง่าย

เรายังสนใจวิธี Argon อธิบายปัญหาซับซ้อน ลูกค้าบางรายเล่าถึงคำตอบที่โครงสร้างแน่น ตรรกะชัด และมีอินเทอร์เฟซโต้ตอบมาเลยเพื่อช่วยผู้ใช้เข้าใจปัญหา

เราเห็นการใช้งานในเนื้อหาการศึกษา สาธิตวิเคราะห์ธุรกิจ ต้นแบบผลิตภัณฑ์ และเว็บเครื่องมือที่ต้องอธิบายกฎ ในทางปฏิบัติ แนะนำระบุสมมติฐานอินพุต สูตรเอาต์พุต และเงื่อนไขขอบเขตก่อนให้โมเดลสร้างต้นแบบ HTML/JavaScript

ความรู้วิชาชีพและตรวจความปลอดภัย: งานที่มีหลักฐานและเกณฑ์ตรวจรับ

Google เน้นการเงิน กฎหมาย ความปลอดภัยไซเบอร์ และวิจัยวิทยาศาสตร์เป็นด้านหลัก Argon เราชอบใช้ความสามารถนี้ช่วยตรวจ เช่น ความขัดแย้งข้อสัญญา ความสัมพันธ์ผิดปกติในงบการเงิน หรือการพึ่งพา การตั้งค่า และความปลอดภัยโค้ดในโครงการที่ได้รับอนุญาต เอกสารโมเดลทางการ Google ให้ Argon 68.0% บน CWE-bench v1 ใกล้กับ GPT-6 Astra 68.0% ในตารางเดียวกัน การประเมิน Google DeepMind

คำแนะนำคือให้ครบห้าองค์ประกอบ: ตำแหน่งปัญหา เงื่อนไขทำซ้ำ ผลกระทบ ข้อเสนอแก้ และวิธีตรวจ แต่ละส่วนต้องผูกกับต้นทางจริง ต้นทุนล้มเหลวในงานวิชาชีพมักสูงกว่าถามตอบทั่วไป โดยเฉพาะความเห็นกฎหมาย ข้อมูลการเงิน และแก้ความปลอดภัยต้องให้ผู้เกี่ยวข้องตรวจ เราไม่แนะนำถือว่าเอาต์พุตโมเดลเป็นข้อสรุปวิชาชีพสุดท้าย

เบนช์มาร์กและประสิทธิภาพ Gemini 4 Argon

เราใช้ผลสาธารณะเป็น สัญญาณเพื่อเลือกโมเดล แล้วใช้วิจารณญาณอิสระและประสบการณ์ธุรกิจตีความผลงาน ความต่างไม่กี่จุดเปอร์เซ็นต์บนอันดับไม่ได้ยืนยันด้วยตัวเองว่าโมเดลหนึ่งดีกว่าแน่นอน

วิศวกรรมซอฟต์แวร์: 77.9% บน DeepSWE แต่เพียง 55.0% บน FrontierSWE

ในผลตารางเดียวกัน Google Gemini 4 Argon ได้ 77.9% บน DeepSWE v1.1 สูงกว่า GPT-6 Astra 74.1% และ Claude Opus 5.5 74.2% แต่บน FrontierSWE v2 Argon ได้ 55.0% เทียบ 65.5% ของ GPT-6 Astra และ 62.3% ของ Opus 5.5 อันดับเปลี่ยนมากตามชุดทดสอบวิศวกรรม เราจึงไม่คิดว่าการนำ DeepSWE อย่างเดียวพิสูจน์ว่าเหมาะทุกโครงการ ตารางประเมินทางการ Google

คำแนะนำของเรา: สำหรับบำรุงโครงการเดิม เริ่ม A/B ด้วยปัญหาในอดีต เหตุการณ์จริง และการเปลี่ยนข้ามโมดูล ให้แต่ละโมเดลได้เวอร์ชันคลัง สิทธิ์เครื่องมือ และคำสั่งทดสอบเดียวกัน ติดตาม pass@1 การแก้ด้วยคน และผลทดสอบการถดถอย การเปลี่ยนสถาปัตยกรรมกว้างควรตรวจเอกสาร ความเข้ากันได้อินเทอร์เฟซ และผลข้างเคียงซ่อนแยก

เอเจนต์บรรทัดคำสั่ง: 57.4% บน Terminal-Bench 4.0 ไม่ได้นำเด็ดขาด

ตารางประเมิน Google เดียวกันให้ Argon 57.4% บน Terminal-Bench 4.0 เทียบ 58.2% ของ GPT-6 Astra และ 66.4% ของ Claude Opus 5.5 ภายใต้เฟรมเวิร์กเอเจนต์ของ Artificial Analysis เอง Argon ได้ประมาณ 57% เทียบประมาณ 60% ของ Opus 5.5 เราคิดว่าทั้งสองแหล่งชี้ความสามารถเทอร์มินัลแข็งแกร่ง แต่ไม่มีแหล่งใดทำให้ Argon ดีที่สุดทุกงานบรรทัดคำสั่ง ผลทางการ Google | การเทียบอิสระ Artificial Analysis

คำแนะนำของเรา: สำหรับสภาพแวดล้อมเซิร์ฟเวอร์ ติดตั้งการพึ่งพา ซ่อมอัตโนมัติ และลองซ้ำหลายรอบ ให้เริ่มบนเซิร์ฟเวอร์ทดสอบ การทดสอบ Argon ตรงในระบบจริงเสี่ยงเกินไป

ระบบธุรกิจอัตโนมัติ: AutomationBench High 51.3%, Medium 50.1%

ใน 657 งาน ของ AutomationBench v1.0.6 โดย Zapier Argon medium ผ่าน 329 ส่วน high ผ่าน 337 เพิ่มเพียง 8 งานและ 1.2 จุดเปอร์เซ็นต์ คะแนน Claude Sonnet 5.5 สูงสุดที่เผยแพร่ในอันดับสาธารณะเดียวกันคือ 44.7% การประเมินให้คะแนนสถานะข้อมูลสุดท้ายในระบบธุรกิจจำลอง จึงใกล้ระบบอัตโนมัติจริงกว่าตัดสินแค่ว่าคำตอบถูกหรือไม่ รายงานครบ Zapier

คำแนะนำของเรา: เริ่มค่าเริ่มต้น medium สำหรับอัปเดต CRM ประมวลผลแบบฟอร์ม ส่งต่อทิกเก็ต หรือซิงก์ข้อมูลข้ามแอป หากงานบริการลูกค้า การตลาด หรือจัดข้อยกเว้นหลายขั้นล้มเหลวชัด ให้ทดสอบว่า high คุ้มต้นทุนและเวลารอเพิ่มหรือไม่ ระบบอัตโนมัติขนาดใหญ่ให้ติดตาม อัตราสำเร็จสุดท้าย การใช้เฉลี่ยต่องาน จำนวนลองใหม่ และอัตราคนแทรก ร่วมกัน

งานความรู้วิชาชีพ: Vals Index 68.90% สูงกว่า Opus 5.5 ที่ 66.97%

ใน Vals Index v2.1 อัปเดต 18 ตุลาคม 2026 Vals AI รวมผลจากงานการเงิน โค้ด กฎหมาย ภาษี และอื่นด้วยน้ำหนักเศรษฐกิจ Argon ได้ 68.90% อันดับแรก Claude Opus 5.5 ได้ 66.97%, Claude Fable 5.1 65.83% และ GPT-6 Astra 63.13% ตารางทางการ Google ยังรายงาน Argon 65.4% บน Vals Finance Agent v2 แต่การทดสอบย่อยแยกกับดัชนีรวมบวกเข้าด้วยกันง่าย ๆ ไม่ได้ อันดับต้นฉบับและวิธีวิจัย Vals AI | เอกสารโมเดล Google

คำแนะนำของเรา: เราจะให้ Argon มาก่อนสำหรับงานรวมหลายแหล่ง เช่น อธิบายส่วนต่างกระทบยอด สกัดข้อมูลสัญญา วิจัยตลาด และความเห็นการเงิน ประเมินทั้งคำตอบสุดท้าย ความถูกต้องการอ้างอิง การคำนวณที่ทำซ้ำได้ และความครบตาราง การนำ Vals ไม่ได้หมายถึง Argon เหนือโมเดลอื่นในธุรกิจเฉพาะของคุณ

ข้อความยาวมากและวิดีโอ: 84.2% บน GraphWalks, 91.7% บน LVBench

สำหรับงานบริบทยาวโครงสร้างกราฟ GraphWalks ที่ 256K ถึง 1M โทเคน เอกสารโมเดล Google รายงาน BFS F1 ของ Argon 84.2% เทียบ 71.8% ของ GPT-6 Astra และ 66.8% ของ Opus 5.5 ในการทดสอบเข้าใจวิดีโอ LVBench Argon ได้ 91.7%, Astra 87.5% และ Opus 5.5 83.7% ตัวเลขแสดงข้อได้เปรียบในแบบทดสอบที่ตรง แต่การกระจายงาน จำนวนเฟรมที่สุ่ม และการตั้งค่าอินพุตอาจต่าง ไม่ได้ยืนยันว่าเอกสารล้านโทเคนใดก็ประมวลผลถูกได้ การประเมินบริบทยาวและวิดีโอทางการ Google

คำแนะนำของเรา: สำหรับคลังโค้ดใหญ่จริง ไฟล์ตรวจสอบหลายชุด หรือวิดีโอยาว Argon ควรได้รับการทดสอบเฉพาะ เราจะเตรียมคำถามข้ามส่วนที่ทราบคำตอบ แล้ววัดการเรียกคืน การอ้างผิด และต้นทุนที่อินพุต 32K, 128K, 256K และยาวกว่า แต่จากการทดสอบถึงตอนนี้ การควบคุมความยาวบริบทยังสำคัญเมื่อต้องการคำตอบดีขึ้น

เปรียบเทียบ Gemini 4 Argon กับ GPT-6 Astra, Claude Opus 5.5, Claude Fable 5.1 และ Gemini 3.8 Flash

เทียบ GPT-6 Astra: Argon สำหรับงานความรู้ Astra สำหรับงานวิศวกรรมยากบางแบบ

ใน Vals Index v2.1 Argon ได้ 68.90% และ GPT-6 Astra 63.13% ในการเทียบ AutomationBench สาธารณะทางการ Zapier ได้ 51.3% และ 41.4% ตามลำดับ แต่ FrontierSWE v2 ของ Google ให้ Astra 65.5% และ Argon 55.0% ส่วน Terminal-Bench Science 0.1 ให้ Astra 68.1% และ Argon 57.6% เรามองเป็นภาพอธิบายที่มีประโยชน์: ความต่างโมเดลไม่ได้เป็นแค่ “เก่ง” กับ “อ่อน” เสมอ แต่ต่างด้านความเหมาะกับงาน Vals AI | Zapier | ตารางประเมิน Google

สำหรับรวมข้อมูลวิชาชีพ ทำกระบวนการธุรกิจอัตโนมัติ และเข้าใจข้อมูลหลายรูปแบบ แนะนำลอง Argon ก่อน ปัญหาวิศวกรรมยากและงานวิทยาศาสตร์ผ่านเทอร์มินัลให้รวม GPT-6 Astra ในตัวเลือก หากโครงสร้างพื้นฐานรองรับกำหนดเส้นทางหลายโมเดล ให้แบ่งตามประเภทงานแทนใช้ตัวเดียวทุกอย่าง

เทียบ Claude Opus 5.5: ระบบอัตโนมัติและต้นทุนน่าสนใจ ส่วน Opus นำการประเมินลึกบางด้าน

สองการประเมินอิสระทำความต่างชัดขึ้น Vals Index v2.1 ให้ Argon 68.90% และ Opus 66.97% ส่วน Intelligence Index v4.3.2 ของ Artificial Analysis ให้ Argon High 53 คะแนน และ Opus 5.5 Max ที่อนุญาตโมเดลสำรองเริ่มต้น 58 คะแนน ในการตั้งค่า Artificial Analysis เดียวกัน ต้นทุนถ่วงน้ำหนักต่องานประมาณ $1.99 และ $5.98 ตามลำดับ Vals AI | การเทียบอิสระ Artificial Analysis

สำหรับระบบอัตโนมัติข้ามแอป จัดเอกสารธุรกิจ และงานซับซ้อนที่จำกัดต้นทุน แนะนำทดสอบ Argon ก่อน ส่วนการใช้เทอร์มินัลที่ต้องเชื่อถือได้สูง วิเคราะห์วิศวกรรมลึก หรือชิ้นงานวิชาชีพเรียบร้อย Opus 5.5 ยังดีที่สุดในสภาพแวดล้อมเรา ในความคิดเห็นลูกค้า ส่วนใหญ่ชอบข้อเสนอออกแบบแบ็กเอนด์ของ Opus

เทียบ Claude Fable 5.1: ตรวจอัตราผ่านสุดท้ายและความนิ่งเวิร์กโฟลว์เดิม

ใน Vals Index v2.1 Argon ได้ 68.90% และ Claude Fable 5.1 65.83% ผล DeepSWE v1.1 ในตารางเดียว Google คือ 77.9% ต่อ 67.4% แต่ FrontierSWE v2 ให้ Argon 55.0% และ Fable 5.1 56.3% ผลใกล้กันและลำดับกลับ สำหรับทีมที่มีเวิร์กโฟลว์ Fable แล้ว เราคิดว่าตัวชี้วัดน่าพิจารณาแต่ไม่ให้เหตุผลพอย้ายแบบไม่มีเงื่อนไข Vals AI | เอกสารโมเดล Google DeepMind

หากทีมใช้ Fable 5.1 วางแผนโครงการ ตรวจโค้ด หรืองานยาว ให้เริ่มเทียบ 20 งานในอดีต ที่ใช้แรงคนมากที่สุด เน้นหาตรรกะตกหล่นใหม่ พารามิเตอร์เครื่องมือไม่เข้ากัน และการถดถอย Argon ควรได้ลองเร็วสำหรับวิเคราะห์วิชาชีพและงานข้ามระบบ ส่วนวางแผนและแยกปัญหาซับซ้อนเรายังแนะนำ Fable 5.1

เทียบ Gemini 3.8 Flash: เก็บ Flash สำหรับงานง่ายจำนวนมาก และ Argon สำหรับงานยาก

สำหรับสองโมเดลในระบบ Gemini เรามองว่ากำหนดเส้นทางตามความยากใช้ได้จริงที่สุด Vals Index v2.1 ให้ Argon 68.90% และ Gemini 3.8 Flash 54.89% ส่วนการเทียบ AutomationBench สาธารณะ Zapier ให้ Argon High 51.3% และ Gemini 3.8 Flash 29.7% สิ่งนี้สนับสนุนประเมิน Argon สำหรับงานที่ต้องตัดสินใจต่อเนื่องและจัดข้อยกเว้น ไม่ใช่สรุปว่าทุกคำขอข้อความต้องใช้ Argon อันดับ Vals AI | การประเมิน Zapier

เราแนะนำรันการจัดประเภท สกัดข้อมูล สรุปสั้น และคำขอมาตรฐานจำนวนมากบน Flash ก่อน แล้วอัปเกรด Argon เมื่อคุณภาพไม่พอ สำหรับให้เหตุผลข้ามเอกสาร แก้โค้ดซับซ้อน และเอเจนต์หลายขั้น ให้ Argon มาก่อนในการประเมิน แนวทาง “ลองโมเดลถูกกว่า ตรวจ แล้วใช้สำรองเมื่อล้มเหลว” ใช้ได้หากการตรวจเองไม่แพงกว่างานต้นฉบับ

คำถามที่พบบ่อยเกี่ยวกับ Gemini 4 Argon API

เรียก Gemini 4 Argon อย่างไร และเหตุใดไม่มีในรายการโมเดล API Hop?

API ทางการ Google มี gemini-4-argon แต่การเปิดตัว Google ไม่ได้หมายความว่าผู้รวมบริการภายนอกทุกรายเชื่อมวันเดียวกัน ณ วันที่ตรวจบทความ แค็ตตาล็อกสาธารณะ API Hop ยังไม่ลง Argon ใช้คีย์ API เดิมตรวจรายการโมเดลว่าคีย์นั้นมีสิทธิ์หรือไม่ อย่าถือว่าเข้ากันได้กับ API Hop จาก ID โมเดล Google เพียงอย่างเดียว เอกสารทางการ Google | แค็ตตาล็อกโมเดล API Hop

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

หากคำตอบไม่มี gemini-4-argon ยังไม่มีสิทธิ์ Argon ที่ยืนยันสำหรับคีย์นั้น เราไม่แนะนำเติมยอดโดยสมมติว่าใช้ได้แล้ว หากต้องประเมิน API Argon ดั้งเดิมทันที ทำตามเอกสาร Google โดยใช้ https://generativelanguage.googleapis.com/v1beta/interactions กับคีย์ Google API เมื่อ API Hop เปิดสิทธิ์ทางการ แนะนำตรวจคำขอขั้นต่ำก่อน แล้วสตรีม เรียกเครื่องมือ และบริบทยาวตามลำดับ ตัวอย่าง REST Google | เอกสาร Chat Completions API Hop

เหตุใด thinking_budget ทำให้ผิดพลาด แต่ temperature ไม่มีผล?

Argon แนะนำ thinking_level ควบคุมความลึกการให้เหตุผล รับ low, medium และ high โดย medium เป็นค่าเริ่มต้น เมื่อย้ายจาก Gemini รุ่นอื่น พารามิเตอร์งบคิดเก่าและระดับที่ไม่รองรับอาจทำให้เกิด 400 แนวทางย้าย Google ระบุชัดด้วยว่า Argon ไม่ใช้การตั้งค่าสุ่มแม้ส่ง temperature, top_p และ top_k รายการตรวจย้าย Google

เราแนะนำลบพารามิเตอร์ล้าสมัยจากคำขอเดิมและระบุเฉพาะโมเดล อินพุต และระดับการให้เหตุผลจำเป็น เพื่อควบคุมต้นทุน เทียบผลจริงของ low และ medium ก่อน แล้วทดสอบ high สำหรับงานวิศวกรรมและวิทยาศาสตร์ยาก ผ่านโปรโตคอลเข้ากันได้แบบรวมของ API Hop เราส่งต่อพารามิเตอร์ที่รองรับทั้งหมดให้คุณ

เหตุใดบริบทล้านโทเคนยังทำให้ถูกตัด คำตอบว่าง หรือหมดเวลาได้?

ล้านโทเคนเป็นงบบริบทร่วม ไม่ใช่โควตาเอาต์พุตไม่จำกัดสำหรับคำขอซิงโครนัสปกติ ขีดจำกัดสร้างซิงโครนัสเริ่มต้น Argon คือ 65,536 โทเคน และ max_output_tokens จำกัดทั้งการให้เหตุผลภายในกับข้อความสุดท้าย หากน้อยเกิน โมเดลอาจใช้งบหมดก่อนตอบจบ Google แนะนำแอปที่เคยใช้ขีดจำกัดเอาต์พุตต่ำมากให้พิจารณาเพิ่มเกิน 32,768 แล้วปรับเพิ่มตามงานซับซ้อนเมื่อจำเป็น แนวทางงบเอาต์พุต Google

สำหรับเนื้อหาที่ต้องเกิน 64K โทเคนจริง Interactions API ดั้งเดิม Google แนะนำตั้ง background: true และ max_output_tokens มากกว่า 65,536 วนตรวจสถานะงาน และรวมหลายขั้น model_output คำขอซับซ้อนอาจรันหลายนาที Google จึงแนะนำเวลาหมดที่เหมาะหรือการทำเบื้องหลัง