اگر امروز برای پردازش داده‌های حجیم در مدل‌های پیشرو هزینه می‌پردازید، صورت‌حساب شما با مدل جدید گوگل می‌تواند تا ۸۰٪ کاهش یابد. Gemini 4 Argon با قیمتی معادل ۲ دلار به‌ازای هر میلیون توکن ورودی وارد بازار شد که طبق گزارش The Verge در ۱۳ اکتبر ۲۰۲۶، تقریباً یک‌پنجم قیمت GPT-6 Astra شرکت OpenAI است.
گوگل پس از عرضه Gemini 3 در اواخر ۲۰۲۵، برای بازپس‌گیری جایگاه خود در برابر آنتروپیک و OpenAI تحت فشار بود. همان‌طور که در پوشش پیشین ما درباره‌ی امکان ساخت برنامه‌های اندرویدی خصوصی از طریق AI Studio دیدیم، استراتژی گوگل اکنون به سمت ابزارهای حرفه‌ای با بازدهی بالا و هزینه کم تغییر کرده است. این مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — تلاش می‌کند تعادل میان قدرت و هزینه را جابه‌جا کند.
بر اساس مستندات گوگل، مدل Argon در چندین حوزه کلیدی از رقبایی چون GPT-6 Astra، Claude Fable 5.1 و Claude Opus 5.5 پیشی گرفته است. این برتری فنی پیش از این در بررسی‌های جامع ۱۳ محک فنی به تفصیل تحلیل شده بود:
- بخش‌های تخصصی: عملکرد برتر در حوزه‌های حقوق، مالی، علوم و امنیت سایبری.
- وظایف فنی: بهبود توانایی‌های کدنویسی و حذف کلیشه‌های تکراری در پاسخ‌های چت‌بات.
- کاربردهای داخلی: گوگل هم‌اکنون از Argon برای رفع حفره‌های امنیتی و عیب‌یابی فیزیک پهپادها در پروژه Wing استفاده می‌کند.
به گزارش منابع داخلی، گوگل با استفاده از این مدل توانسته است توان محاسباتی (Compute) — شبیه به کرایه یک آشپزخانه صنعتی که هرچه دستور پخت سنگین‌تر باشد هزینه بیشتری دارد — مورد نیاز برای بخش نظرات یوتیوب را به نصف برساند. در حال حاضر کاربران Pro و Ultra می‌توانند از طریق اپلیکیشن Gemini، حالت Search AI و پلتفرم عامل‌محور (Agentic) Antigravity به این مدل دسترسی داشته باشند.
برای توسعه‌دهندگان، قیمت ۲ دلار برای ورودی و ۱۰ دلار برای خروجی تنها یک پیشنهاد تشویقی است. طبق داده‌های وب‌سایت dev.to، این نرخ‌ها در ۱ دسامبر ۲۰۲۶ دو برابر خواهند شد. با این حال، حتی پس از این افزایش، انتظار می‌رود Argon همچنان ارزان‌تر از رقبای اصلی خود باقی بماند.
این اقدام نشان می‌دهد گوگل در حال تغییر استراتژی به سمت جنگ «قیمت در برابر عملکرد» است تا کاربران سازمانی را جذب کند. گوگل با کاهش هزینه‌های استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، مثل خودِ آشپزی و نه دوره‌ی آموزش آشپز — قصد دارد بودجه‌های عملیاتی شرکت‌هایی که در حال مقیاس‌دهی به جریان‌های کاری عامل‌محور هستند را هدف قرار دهد.
گام بعدی شما
- اگر از APIهای گران‌قیمت استفاده می‌کنید، مدل Argon را برای وظایف تکراری با حجم توکن بالا تست کنید.
- پیش از ۱ دسامبر ۲۰۲۶، ساختار هزینه‌های خود را بر اساس نرخ‌های تشویقی فعلی بهینه‌سازی کنید.
- قابلیت‌های کدنویسی Argon را در پروژه‌های امنیت سایبری خود بسنجید.
اما آیا این فشار قیمتی باعث می‌شود OpenAI یا Anthropic هم نرخ‌های خود را کاهش دهند؟ اثر موج‌گونه‌ی این تصمیم بر اکوسیستم مدل‌های بازمتن را در گزارش بعدی بررسی خواهیم کرد.
گفتگو