Gemini 4 Argon: Когда код превращается в 3D-мир — обзор новой модели Google

# Gemini 4 Argon: От текста к трёхмерной реальности

В середине осени 2026 года искусственный интеллект достиг новой точки кипения. Google анонсировала Gemini 4 Argon, первую модель четвертого поколения из семейства Gemini, созданных лабораторией DeepMind. Хотя закрытая бета-версия существовала уже с 30 сентября, именно 13 октября компания открыла доступ к API для разработчиков и подписчиков. И результат не заставил себя ждать: сеть социальных медиа заполнила обсуждениями не абстрактных тестов на эрудицию, а впечатляющих видеороликов и скриншотов, где модель пишет рабочий код для игр, архитектурных проектов и физических симуляций.

Но что именно делает эту модель особенной, и почему её называют Argon? В этой статье мы разберем технические возможности модели, анализируем самые яркие примеры из вирусного треда и попробуем понять, куда движется индустрия генеративного контента.

Архитектура и доступ: почему именно Argon?

Название Argon (аргон) в коде не случайно. Ион аргона стабилен, инертен и не вступает в реакции — метафора идеальной модели, которая должна работать автономно и предсказуемо. Gemini 4 Argon позиционируется как инструмент для решения «наиболее сложных задач», что отражается в её спецификации.

В отличие от предшественников, модель доступна через несколько каналов:

* API в Google AI Studio: основной канал для интеграции в приложения. * Antigravity: закрытая среда разработки для продвинутых пользователей и кибер-партнеров, где модель взаимодействует с агентами. * Приложение Gemini: версии для подписчиков тарифов Pro и Ultra. * Gemini for Business: корпоративный доступ.

Технические ограничения и возможности Модель обладает единым лимитом в 1 миллион токенов как на вход, так и на выход. Это позволяет ей обрабатывать огромные объемы текста, анализировать длинные видео (функция Artificial Analysis) и рассматривать сложные графики. Однако важно помнить о ключевом ограничении: в данный момент выход моделью ограничен текстом. Это значит, что Argon не генерирует изображения или видео напрямую. Она пишет код, который затем рендерится в браузере (например, через Three.js) или в среде разработки, таких как Blender.

С точки зрения производительности, оценки неоднозначны. Индекс Artificial Analysis ставит модель на высокие позиции, а тест Vals AI отмечает её лидерство в 12 из 18 проверок. Тем не менее, эксперты из R&D World и Bloomberg указывают, что на реальных промышленных задачах результаты могут уступать ожиданиям, созданным на основе бенчмарков. Google, в свою очередь, опровергает утверждения о слабых сторонах, называя оценки конкурентов неточными.

Десять примеров народного творчества: код как холст

Самым ярким доказательством мощи модели стали 10 примеров, собранных сообществом. Они демонстрируют не просто генерацию текста, а способность модели действовать как архитектор программного обеспечения.

1. Гонка по фотографии рабочего стола. Пользователь загрузил скриншот своего монитора. Модель проанализировала его и написала игру на Three.js (библиотека 3D-графики для веба), которая воспроизводила динамику именно с этой сцены. 2. Теннис с телефоном. Автор написал запрос: «Создай игру, где телефон является ракеткой». Argon генерировала 3D-ассеты и логику физики за один проход без повторных запросов. 3. Шахматы с волшебниками. Проект, над которым работал основатель DeepMind Демис Хассасис, показал, что модель понимает физику объектов в 3D-пространстве. Ссылка на демо доступна в AI Studio. 4. Башня Пагоды в Blender. Это пример работы с инструментами. Модель через протокол Blender MCP (Model Context Protocol) создала архитектуру пагоды с реалистичным освещением и текстурой листвы, используя цикл критики и правки. 5. Готический мир из одного изображения. Из одиночного скриншота в стиле готики Argon «собрала» целый интерактивный 3D-мир, где свет реагирует на действия пользователя. 6. Взрыв Pixel. Загрузив CAD-файл, модель создала анимацию взрыва деталей, рассчитав физику разлета, освещение и звук. В процессе было выполнено 1000 итераций самопроверки. 7. Боевой вертолет. Процедурная генерация летательного аппарата целиком на Three.js. Модель работала в связке с другой моделью (Nano Banana) для генерации изображений в реальном времени. 8. Музей Apple за 50 лет. По текстовому описанию Argon сама отыскала архивные фото, очистила их, добавила технические характеристики и создала интерактивную временную шкалу. 9. 534 картины кода. Модель написала 534 уникальных изображения на чистом коде без использования моделей генерации картинок (вроде Stable Diffusion). 10. Рендеринг и аудио. Было создано собственное решение трассировки лучей (ray-tracer), инструмент для видео и аудиомикшер.

Как это работает: цикл самокоррекции

Главный вывод из всех примеров — Argon не просто генерирует ответ, она работает. Многие задачи, особенно в 3D-графике, требуют тысяч итераций. Например, при создании схемы взрыва или пагоды, модель пишет код рендеринга, визуализирует результат, критически анализирует его (например, «здесь слишком тускло» или «физика разлета неправильная») и вносит исправления в код, пока не достигнет желаемого результата.

Этот процесс становится возможным благодаря интеграции с инструментами через MCP и среды типа Antigravity. Без таких «рук» и «глаз» модель осталась бы просто текстовой машиной. В примерах со сложной графикой мы видим синергию между языковой моделью и инструментами рендеринга.

Итог: новый этап в диалоге человека и машины

Gemini 4 Argon демонстрирует переход от генерации текста к генерации функциональности. Если раньше ИИ помогал писать строки кода, то теперь он способен создавать целые экосистемы, симуляторы и интерактивные миры по текстовому запросу. Разумеется, окончательная оценка её эффективности в реальных бизнес-задачах еще предстоит, и независимые эксперты все еще спорят о её практической применимости по сравнению с лидерами рынка. Однако способность создавать сложные 3D-объекты и управлять ими через код уже сегодня меняет представление о том, что может делать искусственный интеллект.

Google продолжает заявлять, что Argon обучалась на защитных и кибербезопасных задачах, что объясняет её строгую логику и эффективность в проверке гипотез. Для разработчиков это открывает новые горизонты: больше времени на концепции, а не на рутинном написании кода движка.