Google’ın yeni amiral gemisi yapay zeka modeli Gemini 4 Argon, güçlü benchmark sonuçları ve şirketin yüksek performans iddialarıyla piyasaya çıkarken, modelin gerçek dünya görevlerindeki performansı konusunda şirket içinde görüş ayrılıkları yaşandığı bildirildi. Haberlere göre, bazı Google çalışanları modelin özellikle kodlama gibi önemli alanlarda benchmark sonuçlarında göründüğü kadar başarılı olmadığını düşünüyor.
Google ise bu değerlendirmeye katılmıyor. Şirket, Gemini 4 Argon’un kodlama dahil çeşitli alanlarda düşük performans gösterdiği yönündeki yorumların doğru olmadığını savunuyor. Dolayısıyla ortaya çıkan tablo, modelin teknik benchmark sonuçları ile günlük ve karmaşık iş akışlarında elde edilen deneyimlerin aynı noktaya işaret edip etmediği üzerine yoğunlaşan bir tartışmaya dönüşmüş durumda.
Google, 30 Eylül 2026’da Gemini 4 Argon’u resmen tanıttı. Model ilk aşamada herkese açılmadı ve şirketin Fairwind Programı kapsamında seçilmiş güvenilir siber güvenlik uzmanlarının kullanımına sunuldu. Google, daha geniş erişimden önce erken kullanıcıların geri bildirimlerini toplamayı ve güvenlik önlemlerini güçlendirmeyi planlıyor. Şirketin açıklamasına göre sonraki aşamada ücretli API müşterileri ile Google AI Ultra aboneleri modele erişebilecek.
Gemini 4 Argon’un en dikkat çekici özelliklerinden biri, uzun ve çok aşamalı görevleri sürdürebilmesi için 1 milyon tokenlık çıktı kapasitesine sahip olması. Bu sınır, önceki 64 bin token seviyesinin oldukça üzerinde. Google, bu kapasitenin modelin uzun süreli muhakeme gerektiren yazılım geliştirme, araştırma ve kurumsal işlerde daha kapsamlı görevleri tek bir çalışma akışı içerisinde ele almasına yardımcı olduğunu belirtiyor.
Google’ın açıkladığı benchmark sonuçları da oldukça iddialı. Şirket, Gemini 4 Argon’un uzun süreli yazılım mühendisliği görevlerini ölçen DeepSWE v1.1 testinde yüzde 77,9 ile yeni bir en yüksek sonuca ulaştığını açıkladı. Model ayrıca Zapier’in işletmelerde uçtan uca görev yürütme kabiliyetini ölçen AutomationBench testinde yüzde 51,3 ile ilk sırada yer aldığını ve uzun video anlama testi LVBench’te yüzde 91,7 puan aldığını belirtiyor. Siber güvenlik tarafında ise CWE-bench v1 testinde yüzde 68 puanla ilk sırayı paylaştığı ifade ediliyor.
Ancak tartışmanın merkezinde tam da bu benchmark sonuçlarının gerçek kullanım deneyimini ne ölçüde yansıttığı bulunuyor. Bloomberg’in görüştüğü ve konu hakkında doğrudan bilgi sahibi olan bazı Google çalışanları, modelin standart testlerde güçlü sonuçlar vermesine rağmen gerçek işlerde aynı performansı göstermediğini öne sürüyor. Bu kişilere göre Gemini 4 Argon, bazı kodlama görevlerinde beklenen seviyeye ulaşmakta zorlanıyor. Çalışanların kimlikleri, şirket içi konular hakkında konuştukları için açıklanmadı.
Bu iddialar, Google’ın kendi açıklamalarıyla doğrudan çelişiyor. Google, Gemini 4 Argon’un zaten şirket içindeki iş akışlarında kullanıldığını ve binlerce Google çalışanının modelden özellikle kodlama, araştırma ve yazım görevlerinde yararlandığını belirtiyor. Şirketin verdiği örneklerden birinde Argon ajanlarının Google veri merkezlerindeki bellek kullanımını analiz ederek 300 terabayttan fazla bellek tasarrufu sağladığı, toplam potansiyel tasarrufun ise 500 terabayt ile 1 petabayt arasında olabileceği ifade ediliyor.
Google ayrıca Gemini 4 Argon’un büyük ölçekli kod dönüşümlerinde kullanıldığını söylüyor. Model ajanlarının, Google genelinde C ve C++ kodlarının Rust’a dönüştürülmesi çalışmalarında görev aldığı, bazı projelerde on binlerce satırdan Fuchsia Zircon çekirdeğinin 800 binden fazla satırına kadar uzanan kod tabanları üzerinde çalıştığı belirtiliyor. Google, bu tür kritik dönüşümlerin otomatik ve manuel denetimler, emülasyon testleri ve incelemelerden geçirildiğini vurguluyor.
Şirketin verdiği başka bir örnek ise libgav1 video kod çözücüsü. Google’a göre Argon ajanları mevcut Rust kodunu yeniden ele alarak 32 bin satırlık SIMD kodunu değiştirdi ve ortaya çıkan kod, önceki Rust sürümüne kıyasla 2,7 kat daha hızlı çalıştı. Bu örnekler Google’ın modelin yalnızca yapay benchmarklarda değil, gerçek mühendislik süreçlerinde de kullanıldığını göstermesi açısından önemli. Bununla birlikte söz konusu sonuçların önemli bir bölümünün Google’ın kendi açıkladığı şirket içi çalışmalar olduğu da göz önünde bulundurulmalı.
Gemini 4 Argon’un bir diğer önemli hedefi siber güvenlik. Google, modelin yazılım açıklarını otonom biçimde bulabildiğini, doğrulayabildiğini ve yamalayabildiğini belirtiyor. Şirketin verdiği örnekte Argon’un dünya genelindeki hastanelerde kullanılan sağlık yazılımlarında hassas kişisel bilgileri açığa çıkarabilecek kritik bir güvenlik açığını tespit ettiği ve önceki frontier modellerinin bu açığı fark edemediği ifade ediliyor. Siber güvenlik şirketi Wiz de modeli Scan for Good programı kapsamında kullanıyor.
Google’ın modeli ilk aşamada siber güvenlik uzmanlarına vermesinin arkasında da bu yüksek yetenek seviyesi bulunuyor. Şirket, Gemini 4 Argon’u geniş kitlelere açmadan önce kötüye kullanım, prompt injection ve modelin amaç dışı davranışlarını izleme gibi alanlarda ek güvenlik önlemleri uyguladığını söylüyor. Argon’un davranışlarını ve eylemlerini izleyen sistemlerin, gerekli durumlarda çalışmayı durdurabileceği belirtiliyor.
Bu noktada benchmark ile gerçek dünya performansı arasındaki fark, yalnızca Google’ın değil tüm yapay zeka sektörünün karşı karşıya olduğu daha geniş bir problemi ortaya koyuyor. Bir modelin belirli testlerde yüksek puan alması; uzun süre çalışan bir kodlama ajanı olarak, gerçek bir yazılım projesinde, değişken gereksinimlerle ve hatalı ara çıktılarla karşılaştığında aynı başarıyı göstereceği anlamına gelmeyebilir. Gerçek dünyadaki görevlerde modelin yalnızca doğru cevabı üretmesi değil, görevi uzun süre boyunca sürdürebilmesi, hatalarını fark etmesi, araçları doğru kullanması ve ortaya çıkan sonucu denetlenebilir biçimde tamamlaması gerekiyor.
Gemini 4 Argon’un özellikle “agentic” yani ajan tabanlı kullanım senaryoları açısından değerlendirilmesi bu nedenle daha önemli hale geliyor. Geleneksel chatbot testlerinde bir soruya verilen yanıt ölçülürken, ajanlarda yüzlerce adımlık görevlerin başarıyla tamamlanması gerekiyor. Kodlama alanında bir dosyayı değiştirmekten çok daha fazlası söz konusu: kod tabanını anlamak, bağımlılıkları tespit etmek, testleri çalıştırmak, hataları düzeltmek ve nihai değişikliğin gerçekten çalıştığını doğrulamak gerekiyor.
Google da Argon’u tam olarak bu uzun soluklu iş akışları için tasarladığını söylüyor. Şirket, modelin yazılım mühendisliği, hukuk, finans ve siber güvenlik gibi alanlarda uzun ve çok aşamalı görevleri sürdürebilmesini temel özelliklerinden biri olarak öne çıkarıyor.
Şirket içerisinde ise model konusunda tamamen tek sesli bir tablo olmadığı anlaşılıyor. Bloomberg’in haberine göre bazı çalışanlar, rakip yapay zeka laboratuvarlarının modellerinin daha hızlı ilerlediğini düşünürken, başka çalışanlar Gemini 4 Argon’un en ileri teknoloji seviyesinde olduğunu savunuyor. Konu hakkında bilgi sahibi bir Google çalışanı ise şirket içerisinde Argon’un frontier seviyesinde olduğu yönünde “geniş bir fikir birliği” bulunduğunu söyledi. Google da Bloomberg’e yaptığı değerlendirmede, modelin özellikle kodlama gibi alanlarda düşük performans gösterdiğini söylemenin doğru olmayacağını belirtti.
Bu nedenle Gemini 4 Argon hakkında bugün itibarıyla iki farklı veri seti bulunuyor. Bir tarafta Google’ın yayımladığı ve oldukça güçlü sonuçlara işaret eden benchmarklar ile şirketin kendi iç kullanımından verdiği örnekler var. Diğer tarafta ise Bloomberg’in aktardığı, modeli gerçek görevlerde kullanan bazı çalışanların deneyimleri bulunuyor. Bu iki veri setinin birbirini tamamen doğrulamadığı görülüyor.
Modelin henüz geniş kitlelere açılmamış olması da tartışmanın sonuçlanmasını zorlaştırıyor. Google’ın kademeli dağıtım politikası nedeniyle bağımsız geliştiricilerin, işletmelerin ve araştırmacıların gerçek kullanım sonuçlarını geniş ölçekte paylaşması için zamana ihtiyaç olacak. Dolayısıyla Gemini 4 Argon’un gerçek dünyadaki konumu, yalnızca lansman sırasında açıklanan benchmarklarla değil, önümüzdeki dönemde ortaya çıkacak bağımsız kullanım deneyimleri ve uzun süreli ajan performansıyla daha net anlaşılabilecek.
Google açısından mesele yalnızca yeni bir yapay zeka modeli çıkarmaktan da ibaret değil. Gemini 4 Argon, şirketin yapay zeka stratejisinin merkezinde yer alan önemli bir teknoloji haline geliyor. Modelin Google’ın kendi ürünleri ve kurumsal hizmetleriyle ne ölçüde entegre edilebildiği, geliştiricilerin modeli ne kadar benimsediği ve rakip modellere karşı gerçek iş yüklerinde nasıl performans gösterdiği Google’ın yapay zeka alanındaki konumunu doğrudan etkileyebilir.
Sonuç olarak Gemini 4 Argon için şu aşamada en doğru çerçeve, “benchmarklarda güçlü sonuçlar veren ancak gerçek dünya performansı konusunda henüz bağımsız ve geniş kapsamlı kullanım verileriyle tamamen doğrulanmamış yeni bir frontier model” şeklinde kurulabilir. Google modelin öncü seviyede olduğunu savunuyor; bazı çalışanların aktarılan deneyimleri ise özellikle kodlama görevlerinde bu iddianın günlük kullanımda ne ölçüde karşılık bulduğu konusunda soru işaretleri oluşturuyor. Önümüzdeki dönemde modelin geniş kullanıcı kitlesine açılması, bu tartışmanın en önemli testlerinden biri olacak.







