Google’s Gemini 4 coding agent now switches models mid-task — and finishes 19% faster

عامل برنامه‌نویسی جمنای ۴ گوگل اکنون مدل‌ها را در حین انجام کار تغییر می‌دهد — و کار را ۱۹ درصد سریع‌تر به پایان می‌رساند

جمنای ۴ گوگل، مدل‌های Hydrogen و Carbon را در محیط Antigravity با یکدیگر ترکیب می‌کند و با جابجایی بین مدل‌ها در حین انجام کار از طریق Orchestrator، مصرف سهمیه را کاهش داده و برنامه‌نویسی عاملی (agentic coding) را سرعت می‌بخشد.

عامل برنامه‌نویسی جمنای ۴ گوگل اکنون مدل‌ها را در حین انجام کار تغییر می‌دهد — و کار را ۱۹ درصد سریع‌تر به پایان می‌رساند

Featued image for: Google’s Gemini 4 coding agent now switches models mid-task — and finishes 19% faster

گوگل روز پنجشنبه مدل Gemini 4 Hydrogen را به همراه سیستم جدیدی عرضه کرد که نحوه استفاده عامل‌های برنامه‌نویسی از مدل‌های هوش مصنوعی را متحول می‌کند. گوگل به جای اینکه قوی‌ترین مدل خود را در طول کل یک جلسه روشن نگه دارد، Hydrogen را با مدل قدرتمندتر Gemini 4 Carbon جفت کرده و با پیشرفت کار، بین این دو مدل جابه‌جا می‌شود.

این شرکت می‌گوید این ترکیب، نتایجی تقریباً مشابه با اجرای مستقل مدل Carbon به دست می‌دهد، در حالی که ۲۴ درصد سهمیه کمتری مصرف می‌کند و کارها را ۱۹ درصد سریع‌تر به اتمام می‌رساند.

نحوه مدیریت کارها توسط Orchestrator

این جابجایی از طریق Orchestrator انجام می‌شود که یک ویژگی جدید در محیط توسعه Antigravity گوگل است؛ جایی که Carbon استدلال‌های سنگین‌تر مانند معماری و رفع اشکال (دیباگ) را بر عهده می‌گیرد، در حالی که Hydrogen تغییرات کد و تست کردن را مدیریت می‌کند.

مدل Carbon ممکن است مخزن کد (repository) را بررسی کند تا نحوه پیاده‌سازی یک ویژگی را تشخیص دهد، سپس برنامه‌نویسی واقعی را به Hydrogen بسپارد و هرگاه یک تست ناموفق نیاز به بازنگری در رویکرد داشته باشد، دوباره وارد عمل شود و سپس اجرای کار را برگرداند.

کلمان فارابت، معاون مهندسی هوش مصنوعی در گوگل دیپ‌مایند، در پستی در شبکه اجتماعی X این ترکیب را «یک تحول بزرگ برای برنامه‌نویسی عاملی» می‌نامد. وارون موهان، سرپرست تیم Antigravity گوگل، نیز در پست دیگری می‌گوید که جفت کردن Hydrogen با Orchestrator و سیستم‌های دسته‌ای (swarms) در داخل شرکت «بسیار محبوب شده است».

جایی که آمارهای گوگل با هم تطابق ندارند

گزارش‌های بنچمارک خودِ گوگل کاملاً با یکدیگر هماهنگ نیستند؛ زیرا در اطلاعیه اصلی جمنای به Terminal-Bench 4.0 استناد شده، در حالی که در اطلاعیه Antigravity به نسخه 4.1 اشاره شده است.

این شرکت همچنین نرخ موفقیت مستقل مدل Carbon، تفکیک آمار به ازای هر وظیفه، یا جزئیات کافی درباره تصمیم‌گیری‌های مسیریابی Orchestrator را منتشر نکرده است تا نشان دهد بهبودهای بهره‌وری گزارش‌شده دقیقاً از کجا ناشی می‌شوند.

…نرخ موفقیت مستقل Carbon را منتشر نکرده است… یا جزئیات کافی درباره تصمیم‌گیری‌های مسیریابی Orchestrator را ارائه نداده تا نشان دهد بهبودهای بهره‌وری گزارش‌شده واقعاً از کجا سرچشمه می‌گیرند.

مدل Hydrogen از یک مدل گران‌قیمت‌تر پیشی می‌گیرد

گوگل، مدل Hydrogen را به عنوان یک «ابزار روزمره برای جریان‌های کاری عاملی» توصیف می‌کند. هزینه آن ۱.۵۰ دلار به ازای هر میلیون توکن ورودی و ۷.۵۰ دلار به ازای هر میلیون توکن خروجی است و این نرخ‌ها در سراسر پنجره زمینه یک میلیون توکنی آن ثابت می‌ماند.

این مدل از طریق گوگل AI Studio و API جمنای و همچنین اپلیکیشن جمنای و جستجوی گوگل در دسترس است.

در شاخص تحلیل هوش مصنوعی (Artificial Analysis Intelligence Index)، مدل Hydrogen در سطح تفکر پیش‌فرض بالا، امتیاز ۵۱ را کسب کرده که کمی بالاتر از مدل گران‌تر Gemini 4 Argon با امتیاز ۵۰ است. افزایش میزان تلاش برای استدلال به تنظیمات جدید xhigh گوگل، امتیاز Hydrogen را به ۵۴ می‌رساند، هرچند که این استدلال اضافی می‌تواند مصرف توکن و زمان پردازش را افزایش دهد.

مدل Argon پرچمدار گوگل در زمان عرضه خود در ۳۰ سپتامبر بود، اما Gemini 4 Carbon پس از عرضه در ۲۸ اکتبر، در اکثر بنچمارک‌های منتشرشده از آن پیشی گرفت. برتری یک امتیازی Hydrogen ناچیز است، اما نشانه دیگری از این است که چقدر سریع مدل‌های ارزان‌تر گوگل در حال رسیدن به سطحی هستند که تا همین چند هفته پیش عملکرد مرز تکنولوژی (frontier) محسوب می‌شد.

گوگل همچنین ادعا می‌کند که Hydrogen کارها را ۲.۵ برابر سریع‌تر از جمنای 3.8 Flash در تنظیمات پیشفرض انجام می‌دهد و امتیاز آن در Terminal-Bench 4.1 به ۵۷ درصد می‌رسد، در حالی که این رقم برای مدل Flash معادل ۱۸.۲ درصد است. این شرکت همچنین از کاهش بیش از پنج برابری ادعاهای ساختگی (توهم مدل) خبر می‌دهد.

برتری یک امتیازی Hydrogen ناچیز است، اما نشانه دیگری است از اینکه مدل‌های کم‌ه هزینه گوگل چقدر سریع در حال جبران عقب‌ماندگی هستند…

هزینه تغییر مدل‌ها

گوگل هنوز فاش نکرده است که Orchestrator چگونه تصمیم می‌گیرد چه زمانی مدل‌ها را تغییر دهد و این جابجایی‌ها چقدر هزینه اضافی از نظر توکن و تاخیر (Latency) به همراه دارند.

در حال حاضر، Orchestrator به مشترکان Google AI Ultra محدود شده است، اما پشتیبانی از مدل‌ها و سطوح اشتراک بیشتری برنامه‌ریزی شده است. مدل Hydrogen در حال عرضه به کاربران پولی Antigravity است و انتظار می‌رود دسترسی به آن گسترده‌تر شود.

گوگل هنوز فاش نکرده است که Orchestrator چگونه تصمیم می‌گیرد چه زمانی مدل‌ها را تغییر دهد و این جابجایی‌ها چقدر هزینه اضافی از نظر توکن و تاخیر به همراه دارند.

نقشه‌های راه، مقالات، منابع و مسیرهای ایجاد شده توسط جامعه کاربری برای توسعه‌دهندگان تا به شما کمک کنند مسیر خود را انتخاب کنید و در حرفه خود پیشرفت کنید.

نظر مهندس بهمن آبادی: گذر از رویکرد «یک مدل برای تمام طول کار» به سیستم‌های ارکستراسیون پویا مانند آنچه گوگل پیاده کرده، آینده واقعی بهینه‌سازی هزینه‌ها در توسعه نرم‌افزار با هوش مصنوعی است. به عنوان مدرس این حوزه، به کارجویان توصیه می‌کنم یادگیری نحوه مدیریت هوشمند تسک‌ها بین مدل‌های سبک (برای کدزنی) و سنگین (برای معماری) را جدی بگیرند. مزیتی که این روش در کاهش توکن‌های هدررفته و افزایش سرعت ایجاد می‌کند، ضریب نفوذ عامل‌های هوش مصنوعی را در پروژه‌های بزرگ به شدت بالا می‌برد.

منبع: https://thenewstack.io/gemini-4-hydrogen-orchestrator/