نموذج Gemini 4 Argon يعمل 11 ساعة على 205,000 سطر Python ويقترح 6 تحسينات رُفض منها 4
المغزى: التعليمات المكتوبة داخل المستودع هي ما يحدد ما ينتجه الـ agent، والقياس المستقل المحجوز هو ما يحدد ما يستحق الدمج، والـ agent لا يميز بين الأمرين وحده.
نشرت Google في 13 أكتوبر 2026 تجربة ترك فيها مهندسوها نموذج Gemini 4 Argon يعمل 11 ساعة متواصلة بمفرده على مستودع google/adk-python، الذي يضم نحو 205,000 سطر في قرابة 800 ملف، و16,892 اختبارًا. واقترح النموذج 6 تحسينات للأداء في 32 ملفًا، دُمج منها 2 ورُفض 4 في مراجعة الكود.
وتعود ثلاثة من أسباب الرفض الأربعة إلى أمر واحد: التحسين ظهر على قياس تخليقي (synthetic benchmark)، ثم اختفى حين قيس على قياس مستقل محجوز. ومنها كاش أحداث كان أسرع 17% على القياس التخليقي، لكن اعتماده على weak reference قد يعيد بيانات قديمة. والرابع كان يقرأ سمة خاصة في OpenTelemetry.
وتذكر المقالة حالة أخرى: تعديل lazy import بسيط اجتاز كل الاختبارات المفتوحة البالغة 16,892، لكنه كسر 25 هدف اختبار داخليًا في Google تعدّل سمات الـ module أثناء التشغيل. أي أن الاختبارات كلها نجحت والتعديل خاطئ.
والفرق بين جولتي التجربة لم يكن في النموذج بل في المستودع. في الجولة الأولى، استمرت ساعتين تقريبًا بتعليمات من فقرة واحدة، فغيّر النموذج JSON schema عامة وشغّل 216 اختبارًا قريبًا فقط ولم يقدّم أرقام قياس. وفي الثانية، قرأ أولًا 12 ملف تعليمات وضعها الفريق في مجلد .agents/skills، ثم أجرى قياسًا أساسيًا على 4 أحمال عمل، 30 مرة لكل منها.
وما دُمج فعلًا جعل تحضير الجلسات الطويلة أخف بنحو 40%، واستيراد google.adk أسرع 21%، وخفّض تشغيلًا من 158 دورة من 65.6 إلى 56.1 ثانية. لكن تحسين الجلسات يخص InMemorySessionService وحدها، والقياسات أُجريت بنموذج وأدوات فورية الاستجابة، فهي تقيس حمل الـ framework فقط. ولم تذكر المقالة عدد الـ tokens ولا التكلفة.
وبالنسبة للفرق التي تستخدم agents في كتابة الكود، يصبح الرقم الأهم في هذه التجربة ليس الساعات الإحدى عشرة، بل نسبة 4 من 6 التي رفضها البشر.