گوگل از جمنای ۴ هیدروژن رونمایی کرد؛ مدل قدرتمندی که به رایگان هم در دسترس است

گوگل، جمنای ۴ هیدروژن را منتشر کرد؛ مدل سریعی برای برنامه‌نویسی و کارهای روزمره که در برخی آزمون‌ها از جمنای ۴ آرگون هم پیشی می‌گیرد.

گوگل تنها چند روز پس از عرضه‌ی عمومی جمنای ۴ کربن، عضو جدیدی به خانواده‌ی مدل‌های هوش مصنوعی خود اضافه کرد. جمنای ۴ هیدروژن (Gemini 4 Hydrogen) با هدف انجام سریع‌تر کارهای روزمره، برنامه‌نویسی و مدیریت وظایف پیچیده معرفی شده است و برخلاف مدل‌های قدرتمندتر این خانواده، کاربران نسخه‌ی رایگان جمنای نیز می‌توانند از قابلیت‌های آن بهره‌مند شوند.

درحالی‌که مدل‌های جمنای ۴ آرگون و کربن بیشتر برای حل مسائل دشوار، استدلال عمیق و انجام پروژه‌های طولانی مناسب هستند، هیدروژن بر اجرای سریع و دقیق فعالیت‌هایی تمرکز دارد که کاربران و توسعه‌دهندگان به‌طور مداوم انجام می‌دهند.

نکته‌ی جالب اینکه هیدروژن با وجود تمرکز بر سرعت و بهره‌وری، در برخی ارزیابی‌های هوش مصنوعی حتی از مدل جمنای ۴ آرگون نیز پیشی گرفته است.

گوگل اعلام کرده است که عرضه‌ی این مدل از امروز در اپلیکیشن جمنای، موتور جست‌وجوی گوگل، محیط Google AI Studio و سرویس‌های مخصوص توسعه‌دهندگان و کسب‌وکارها آغاز می‌شود.

یکی از مهم‌ترین ویژگی‌های جمنای ۴ هیدروژن، عملکرد آن در آزمون‌های سنجش توانایی مدل‌های هوش مصنوعی است.

براساس اطلاعات منتشرشده توسط گوگل، این مدل در شاخص Artificial Analysis Intelligence Index با تنظیم پیش‌فرض سطح تفکر High توانسته است امتیاز ۵۱ را کسب کند؛ درحالی‌که جمنای ۴ آرگون در همین شاخص امتیاز ۵۰ دارد.

با فعال‌کردن بالاترین سطح تفکر، امتیاز هیدروژن به ۵۴ می‌رسد.

این نتیجه نشان می‌دهد که مدل جدید گوگل، با وجود تمرکز بر سرعت و کاهش هزینه‌های محاسباتی، لزوماً از مدل‌های سنگین‌تر ضعیف‌تر نیست.

گوگل همچنین جمنای ۴ هیدروژن را با مدل قبلی خود، یعنی جمنای ۳٫۸ فلش، مقایسه کرده است. براساس نتایج اعلام‌شده، هیدروژن در تنظیم پیش‌فرض High وظایف را ۲٫۵ برابر سریع‌تر از جمنای ۳٫۸ فلش به پایان می‌رساند.

در آزمون Terminal-Bench 4.1 که توانایی عامل‌های هوش مصنوعی را در انجام وظایف برنامه‌نویسی و کار با محیط ترمینال ارزیابی می‌کند، امتیاز مدل جدید به ۵۷ درصد رسید؛ درحالی‌که جمنای ۳٫۸ فلش در همین آزمون امتیاز ۱۸٫۲ درصدی کسب کرد.

به‌گفته‌ی گوگل، میزان تولید ادعاهای ساختگی یا نادرست نیز در هیدروژن بیش از پنج برابر کاهش یافته است.

مدل جدید هنگام مواجهه با خطا در فراخوانی ابزارها یا دریافت نتیجه‌ی خالی از جست‌وجو نیز بهتر می‌تواند مسیر انجام وظیفه را اصلاح کند.

گوگل هم‌زمان با معرفی جمنای ۴ هیدروژن، از قابلیت جدیدی به نام Orchestrator در پلتفرم Google Antigravity رونمایی کرد.

این قابلیت به مدل‌های مختلف هوش مصنوعی اجازه می‌دهد در یک پروژه با یکدیگر همکاری کنند و وظایف براساس میزان پیچیدگی میان آن‌ها تقسیم شود.

برای مثال، در یک پروژه‌ی بزرگ برنامه‌نویسی، مدل جمنای ۴ کربن می‌تواند مسئول طراحی معماری نرم‌افزار و تصمیم‌گیری‌های پیچیده باشد، درحالی‌که هیدروژن نوشتن بخش‌هایی از کد، اجرای آزمایش‌ها و بررسی تغییرات را برعهده بگیرد.

Orchestrator می‌تواند در طول یک نشست کاری، به‌صورت پویا میان مدل‌های مختلف جابه‌جا شود؛ بنابراین لازم نیست تمام مراحل پروژه با یک مدل واحد انجام شوند.

این روش به‌ویژه زمانی کاربرد دارد که بخشی از فعالیت‌ها به استدلال عمیق نیاز دارند، اما مراحل دیگر را می‌توان با مدلی سریع‌تر انجام داد.

گوگل می‌گوید استفاده از Orchestrator در آزمون Terminal-Bench 4.0 به نتایجی نزدیک به عملکرد جمنای ۴ کربن رسیده است، اما به‌طور میانگین ۲۴ درصد سهمیه‌ی پردازشی کمتری مصرف کرده و وظایف را ۱۹ درصد سریع‌تر انجام داده است.

بخش مهمی از قابلیت‌های جمنای ۴ هیدروژن به توسعه‌ی نرم‌افزار اختصاص دارد.

مدل جدید می‌تواند مخازن بزرگ کد را بررسی کند، درباره‌ی عملکرد بخش‌های مختلف برنامه پاسخ دهد و خطاهای نرم‌افزاری را بدون تغییر غیرضروری فایل‌های دیگر برطرف کند.

یکی از ویژگی‌های آن، توانایی انجام هم‌زمان چندین عملیات خواندن فایل و جست‌وجو است.

به‌جای بررسی تک‌تک فایل‌ها به‌صورت متوالی، هیدروژن می‌تواند چندین درخواست را در یک مرحله اجرا کند و اطلاعات موردنیازش را سریع‌تر به دست آورد.

گوگل می‌گوید در آزمایش‌های اولیه‌ی انجام‌شده توسط شرکای تجاری خود، مدل جدید در برخی فعالیت‌های پیچیده‌ی مرتبط با پایگاه‌های داده، SQL و ساختارهای گرافی، بین دو تا ۲٫۸ برابر سریع‌تر از جمنای ۳٫۸ فلش عمل کرده است. مصرف توکن در همین سناریوها بین ۱۲ تا ۲۳ درصد کاهش یافت.

هیدروژن در آزمون SWE-sweep که توانایی شناسایی و اصلاح خطاهای نرم‌افزاری بدون آسیب‌رساندن به بخش‌های سالم برنامه را بررسی می‌کند، عملکرد بهتری نسبت‌به مدل‌های هم‌رده داشت.

این مدل همچنین برای ساخت سریع نمونه‌های اولیه‌ی وب‌سایت‌ها، تبدیل طرح‌های گرافیکی به کد و توسعه‌ی برنامه‌های تعاملی بهینه شده است.

گوگل برای نمایش توانایی‌های جمنای ۴ هیدروژن، چند نمونه‌ی عملی از پروژه‌های ساخته‌شده با این مدل را معرفی کرده است.

یکی از آن‌ها Geminisland است؛ محیطی سه‌بعدی با گرافیک وکسلی که کاربران می‌توانند تنها با نوشتن یک دستور، سازه‌های جدیدی به آن اضافه کنند و سپس در محیط بازی حرکت کنند.

در نمونه‌ای دیگر، هیدروژن با استفاده از ابزارهای طراحی رابط کاربری در Google Antigravity، یک فروشگاه اینترنتی تعاملی را تنها با یک دستور اولیه ساخته است.

این پروژه شامل جلوه‌های گرافیکی سه‌بعدی، اسکرول تعاملی چندمرحله‌ای، ابزار مقایسه‌ی تصویری و امکان شخصی‌سازی زنده‌ی ظاهر محصول می‌شود.

یکی دیگر از آزمایش‌ها به Google Sheets مربوط است.

مدل جدید با کوچک‌کردن هزاران سلول و ترکیب کدنویسی پایتون، فرمول‌های LET و قالب‌بندی شرطی، یک صفحه‌ی گسترده‌ی معمولی را به محیطی برای نمایش انیمیشن‌های پیکسلی تبدیل کرده است.

هیدروژن همچنین توانسته است با دریافت ویدیوی یک سخنرانی در یوتیوب و یک قالب طراحی، مجموعه‌ای از اسلایدهای ارائه در Google Slides بسازد.

نکته‌ی جالب اینکه مدل پس از تولید اسلایدها، فرایندی خودکار برای شناسایی و اصلاح مشکلات ظاهری اجرا کرده است؛ ازجمله بررسی هم‌پوشانی متن‌ها و اصلاح چیدمان عناصر.

گوگل می‌گوید در محیط Gemini در Google Sheets نیز مدل جدید می‌تواند اطلاعات مالی را به مدل‌های تعاملی تبدیل کند تا کاربران سناریوهای مختلف پیش‌بینی را بررسی کنند.

این نمونه‌ها توانایی مدل را در انجام پروژه‌های چندمرحله‌ای نشان می‌دهند، هرچند ممکن است اجرای پروژه‌های مشابه در عمل همچنان به بررسی و اصلاح انسانی نیاز داشته باشد.

جمنای ۴ هیدروژن از پنجره‌ی زمینه‌ی یک میلیون توکنی پشتیبانی می‌کند؛ قابلیتی که به مدل اجازه می‌دهد حجم بزرگی از اطلاعات را در یک درخواست دریافت و پردازش کند. گوگل همچنین اعلام کرده است که مدل از تولید حداکثر یک میلیون توکن خروجی پشتیبانی می‌کند.

هیدروژن می‌تواند اطلاعات موجود در فایل‌های PDF، صفحات گسترده، نمودارها، فایل‌های صوتی و ویدیوهای ضبط‌شده را بررسی کند و براساس آن‌ها گزارش‌های ساختاریافته و مستند تولید کند.

برای مثال، می‌توان مجموعه‌ای از اسناد مالی، جدول‌ها و نمودارهای یک شرکت را در اختیار مدل قرار داد و از آن خواست گزارش تحلیلی همراه با منابع و نتایج قابل‌بررسی آماده کند.

گوگل می‌گوید هیدروژن در آزمون Multimodal Knowledge Agent یا MKA که انجام فعالیت‌های چندمرحله‌ای با اسناد پیچیده و چندرسانه‌ای را ارزیابی می‌کند، امتیاز ۵۳٫۴ درصد کسب کرده است.

این مدل در آزمون Agents' Last Exam نسخه‌ی ۱٫۱ نیز به امتیاز ۷۱٫۶ درصد رسیده است.

در ارزیابی‌های دیگر، هیدروژن توانسته است در آزمون HLE-Diamond امتیاز ۵۸٫۸ درصد، در Vals Tax Agent Bench امتیاز ۵۲٫۳ درصد و در Vals Legal Research Bench امتیاز ۵۵٫۸ درصد کسب کند.

گوگل همچنین اعلام کرده است که مدل جدید در رتبه‌بندی زنده‌ی Agent Arena برای اجرای وظایف چندمرحله‌ای، در جایگاه پنجم قرار دارد.

این نتایج نشان می‌دهند که کاربرد هیدروژن تنها به برنامه‌نویسی محدود نیست و می‌توان از آن برای فعالیت‌های تخصصی مانند تحلیل اسناد حقوقی، بررسی داده‌ها و تحقیقات چندمرحله‌ای نیز استفاده کرد.

یکی از قابلیت‌های مهم جمنای ۴ هیدروژن، پشتیبانی از چهار سطح مختلف تفکر است.

کاربران و توسعه‌دهندگان می‌توانند متناسب با نوع فعالیت، میزان توان پردازشی و زمان موردنیاز برای استدلال را تنظیم کنند. این سطوح شامل Low و Medium و High و XHigh هستند.

حالت High به‌صورت پیش‌فرض فعال است و تعادلی میان سرعت و کیفیت پاسخ ایجاد می‌کند. در مقابل، حالت XHigh برای وظایفی طراحی شده که به بررسی عمیق‌تر و محاسبات بیشتری نیاز دارند. حالت‌های سبک‌تر نیز می‌توانند برای فعالیت‌های ساده و پرتکرار مناسب باشند؛ به‌ویژه زمانی که سرعت پاسخ‌گویی اهمیت بیشتری دارد.

به‌گفته‌ی گوگل، افزایش سطح تفکر به‌صورت تدریجی باعث افزایش عمق استدلال و هزینه‌ی پردازش می‌شود و کاربران می‌توانند براساس نیازشان میان این گزینه‌ها جابه‌جا شوند.

گوگل اعلام کرده است که هیدروژن علاوه‌بر ابزارهای برنامه‌نویسی، به اپلیکیشن جمنای و موتور جست‌وجوی این شرکت نیز اضافه می‌شود.

در اپلیکیشن جمنای، تمرکز مدل جدید بر درک دقیق‌تر دستورهای کاربران، حفظ زمینه‌ی گفتگوهای چندمرحله‌ای و استفاده‌ی مناسب از ابزارهای مختلف است.

برای مثال، اگر کاربر بخواهد گزارشی را با لحن و قالب مشخص بازنویسی کند، هیدروژن طوری آموزش دیده است که محدودیت‌های تعیین‌شده را دقیق‌تر رعایت کند و نتیجه را با رفت‌وبرگشت کمتری ارائه دهد.

مدل جدید همچنین می‌تواند برای انجام فعالیت‌های پیچیده از فایل‌های بارگذاری‌شده، اطلاعات موجود در سرویس‌هایی مانند Gmail و Google Drive و اتصال‌دهنده‌های سرویس‌هایی مانند Airtable و Dropbox استفاده کند؛ البته به شرط آنکه دسترسی‌های لازم فراهم شده باشند.

این توانایی به کاربران اجازه می‌دهد فعالیت‌هایی مانند جمع‌آوری اطلاعات، بررسی اسناد، ساخت جدول و آماده‌سازی خروجی نهایی را در یک فرایند به هم متصل کنند.

در موتور جست‌وجوی گوگل نیز هیدروژن برای درک بهتر منظور کاربران به کار گرفته می‌شود.

گوگل می‌گوید مدل جدید حتی زمانی که عبارت جست‌وجو شامل چند پرسش مختلف، اشتباه‌های تایپی یا درخواست‌های بسیار تخصصی باشد، می‌تواند منظور کاربر را دقیق‌تر تشخیص دهد.

همچنین نمایش پاسخ‌های بصری و روش جست‌وجوی هم‌زمان چندین عبارت مرتبط برای یافتن منابع متنوع‌تر بهبود یافته است.

این تغییرات برای کاربران سراسر جهان در نظر گرفته شده‌اند و به اشتراک پولی جمنای محدود نیستند.

گوگل اعلام کرده است که جمنای ۴ هیدروژن از روز معرفی در دسترس کاربران و توسعه‌دهندگان قرار می‌گیرد. مهم‌ترین تفاوت آن با مدل‌های کربن و آرگون، عرضه برای کاربران نسخه‌ی رایگان جمنای است.

البته در نسخه‌ی رایگان اپلیکیشن جمنای، دسترسی به هیدروژن ازطریق انتخاب خودکار مدل انجام می‌شود؛ یعنی سیستم براساس نوع درخواست تصمیم می‌گیرد چه زمانی از هیدروژن استفاده کند.

توسعه‌دهندگان نیز می‌توانند از این مدل در تمام سطوح دسترسی Google AI Studio و ازطریق Gemini API استفاده کنند.

مدل جدید برای مشتریان تجاری در Gemini for Business، کاربران واجد شرایط Android Studio و مشترکان پولی Google AI Pro و Ultra در پلتفرم Google Antigravity نیز عرضه می‌شود.

در Google Sheets، دسترسی اولیه به قابلیت‌های مبتنی‌بر هیدروژن برای مشترکان Google AI Pro و Ultra و برخی طرح‌های تجاری واجد شرایط در نظر گرفته شده است.

هزینه‌ی استفاده از مدل در API به‌صورت زیر تعیین شده است:

گوگل اعلام کرده است که این تعرفه در سراسر پنجره‌ی زمینه‌ی یک میلیون توکنی مدل ثابت باقی می‌ماند.

به‌این‌ترتیب، استفاده از هیدروژن در مقایسه با تعرفه‌ی اولیه‌ی مدل‌های کربن و آرگون که به‌ترتیب ۲ و ۱۰ دلار برای هر یک میلیون توکن ورودی و خروجی بود، هزینه‌ی کمتری دارد.