همه چیز درباره Argon 4 – بمب جدید گوگل منتشر شد!

Gemini Argon 4 برای کارهایی ساخته شده که به بررسی دقیق، چند مرحله کار و اطلاعات زیاد نیاز دارن. اگه می‌خوای یک پروژه برنامه‌نویسی رو بررسی کنی، چند سند مرتبط رو کنار هم بذاری، یک مسئله علمی رو حل کنی یا گزارش آماده کنی، می‌تونی از این مدل کمک بگیری. تفاوتش با مدل‌های قبلی بیشتر در کارهایی دیده می‌شه که با یک جواب کوتاه تموم نمی‌شن.

از ۱۳ اکتبر ۲۰۲۶، آرگون 4 از چند راه در دسترس قرار گرفته:

• اپلیکیشن Gemini برای افرادی که اکانت Gemini خریداری کردن
• ابزار Antigravity برای مشترک‌های Ultra
• API برای برنامه‌نویس‌ها

البته امکانات و سهمیه این محیط‌ها یکی نیست. ممکنه در یک محیط به مدل دسترسی داشته باشی، اما در محیط دیگه به اشتراک یا تنظیمات متفاوتی نیاز پیدا کنی.

در ادامه، کاربردهای آرگون رو با مثال می‌خونی. بعد سراغ راه‌های دسترسی، کارهایی که میتونی باهاش انجام بدی، تجربه کاربران و خطاهای فنی می‌ریم. مقایسه با GPT-6 Astra و مدل‌های Claude هم کمک می‌کنه تفاوت‌ها رو ببینی.

Gemini Argon 4 دقیقاً چیه؟

گوگل این مدل رو برای کارهای سخت و طولانی معرفی کرده. مثلاً اگه به فایل‌ها و ابزارهای لازم دسترسی داشته باشه، می‌تونه چند فایل پروژه رو بخونه، علت مشکل رو پیدا کنه، تغییر لازم رو انجام بده و نتیجه رو امتحان کنه.

با مدل آرگون 4 جمنای چه کارهایی می‌تونی انجام بدی؟

1- بررسی، اصلاح و بهینه‌سازی پروژه‌های برنامه‌نویسی

می‌تونی از آرگون برای بررسی پروژه‌ای کمک بگیری که چند فایل داره و بخش‌هاش به هم وابسته‌ان. مثلاً بهش بگی: «این بخش کنده. علتش رو پیدا کن و سرعتش رو بیشتر کن، طوری که کارکرد برنامه عوض نشه.»

در محیطی مثل Antigravity، اگه به مدل اجازه دسترسی به پروژه رو بدی، می‌تونه اطلاعات لازم رو پیدا کنه و مراحل بررسی و اصلاح رو جلو ببره. بعد باید تغییرها رو آزمایش و بازبینی کنی تا مطمئن بشی درست کار می‌کنن.

گوگل چند نمونه از استفاده تیم‌های خودش رو منتشر کرده:

• آرگون به جداکردن کدهای مربوط به مدیریت صفحات از یک پوشه قدیمی کمک کرده. اون پوشه حدود شش میلیون خط کد داشته و بخشی از پروژه‌ای با حدود چهل میلیون خط کد بوده. به گفته گوگل، مرتب‌کردن ساختار صدها فایل که چند ماه زمان می‌برده، در چند هفته انجام شده.
• مدل تغییرهایی پیشنهاد داده که زمان آماده‌سازی نشست‌های طولانی در حافظه رو ۴۰ درصد کم کرده و واردکردن اولیه کتابخانه‌ها رو ۲۱ درصد سریع‌تر کرده. کتابخانه، مجموعه کدهای آماده‌ایه که برنامه ازش استفاده می‌کنه.
• در این نرم‌افزار، سرعت پیش‌بینی ساختار مولکول تا ۲٫۳ برابر و سرعت جست‌وجوی شکل‌های مختلف یک مولکول تا ۱٫۸ برابر بیشتر شده.
• در یک اجرای مشخص روی سخت‌افزار A100 و نرم‌افزار vLLM، سرعت کلی ۲٫۸۵ برابر شده. در همون آزمایش، توکن‌های خروجی تغییر نکردن.

2- تحلیل سند، جدول و اطلاعات پراکنده

گاهی جواب سؤالت در چند فایل پخش شده. مثلاً بخشی از اطلاعات داخل قرارداده، بخشی در جدول مالی و بخش دیگه در نمودار گزارش. آرگون می‌تونه این اطلاعات رو کنار هم بذاره و ازشون نتیجه بگیره.

می‌تونی چند سند مربوط به یک پروژه رو بدی و نتیجه دلخواهت رو بگیری! برای انتخاب خودت، بهتره مدل رو با فایل‌های کاریت امتحان کنی.

3- نوشتن، بازنویسی و آماده‌کردن خروجی قابل استفاده

آرگون در مقایسه با مدل‌های قبلی Gemini بهتر از دستورهای مربوط به نوشتن پیروی می‌کنه. جواب‌هاش مستقیم‌ترن و تکرار و عبارت‌های کلیشه‌ای کمتری دارن.

می‌تونی دقیق بگی چه متنی می‌خوای: توضیح ساده برای کسی که موضوع رو نمی‌شناسه، گزارش رسمی برای مدیر یا راهنمای مرحله‌به‌مرحله برای مشتری.

4- ساخت بازی، مدل سه‌بعدی و ابزارهای تعاملی

گوگل نمونه‌هایی منتشر کرده که آرگون در اون‌ها با کمک Blender و Three.js، صحنه سه‌بعدی، بازی و مدل تعاملی ساخته.

در چنین کارهایی، مدل می‌تونه کد بنویسه، خروجی رو با ابزار مناسب ببینه، ایرادهاش رو بررسی کنه و دوباره تغییر بده.

آرگون در این کارها اطلاعات رو بررسی می‌کنه، برنامه می‌ریزه و کد می‌نویسه. برای تصویر، صدا، موسیقی یا رندر ممکنه به ابزارها و مدل‌های دیگه مثل نانوبنانا هم نیاز داشته باشه.

5- تحقیق علمی و حل مسئله‌های پیچیده

این مدل تونسته توی محاسبات کوانتومی، همجوشی هسته‌ای، بررسی بیماری‌های نادر و طراحی آنزیم نقش مهمی داشته باشه! مدل آرگون 4 همراه با ابزار و متخصص استفاده شده. پس نمی‌شه نتیجه گرفت که یک چت معمولی به‌تنهایی پژوهش علمی معتبر انجام می‌ده یا تشخیص پزشکی قابل اتکا ارائه می‌کنه.

6- رباتیک و فهم محیط فیزیکی

آرگون می‌تونه موقعیت اشیا، حرکت و ارتباط فیزیکی بین اون‌ها رو بررسی کنه. در یکی از آزمایش‌های گوگل، مدل ویدئوی بازی cornhole رو دید، محیط و حرکت رو بررسی کرد و کد شبیه‌سازی نوشت. بعد حرکت روی ربات Apollo آزمایش شد و هفت پرتاب موفق پیاپی گزارش شد. این آزمایش با تجهیزات و نرم‌افزارهای رباتیک انجام شده؛ دیدن یک فایل ویدئو به‌تنهایی برای کنترل هر رباتی کافی نیست.

آرگون در آزمون ERQA برای فهم مسائل فیزیکی، امتیاز ۸۷ درصد گرفته. این عدد درصد موفقیتش در همه کارهای رباتیک رو نشون نمی‌ده.

کجا و با چه شرایطی می‌تونی از آرگون استفاده کنی؟

• اگه Pro یا Ultra داشته باشی، طبق اعلام گوگل می‌تونی در اپلیکیشن Gemini از آرگون استفاده کنی.
• برای استفاده با اشتراک در Antigravity، به Ultra نیاز داری.
• در محیط API، آرگون در نسخه رایگان و پرو در دسترس نیست.
• برای AI Studio، منطقه، داشتن حداقل هجده سال سن و تأیید سن حساب هم مهمه.

در اپلیکیشن جمنای چند پیام می‌تونی بفرستی و چقدر سهمیه داری؟

در Gemini محدودیت‌های پنج‌ساعته و هفتگی داری. برای دیدن مصرف در نسخه وب، برو به Settings و بعد Usage Limits. اگه سهمیه تموم بشه، لزوماً به این معنی نیست که اشتراکت تموم شده.

در API، محدودیت‌ها به سطح مصرف و وضعیت پروژه‌ات بستگی دارن. برای دیدن سقف حساب خودت، AI Studio رو بررسی کن.

چرا چند درخواست ممکنه سهمیه زیادی مصرف کنن؟

ممکنه جواب کوتاه باشه، اما مدل برای رسیدن به اون بررسی زیادی انجام داده باشه. فایل بزرگ، کار چندمرحله‌ای، چند بار تلاش و استفاده از ابزارها هم می‌تونن روی هزینه یا مصرف اثر بذارن.

در Reddit، بعضی کاربران گفتن هر جواب حدود پنج درصد از سهمیه پنج‌ساعته‌شون رو مصرف کرده. بعضی هم با چند درخواست بیش از نصف سهمیه‌شون رو مصرف کردن.

حالت‌های Low، Medium و High آرگون 4 چه تفاوتی دارند؟

آرگون سه سطح بررسی داره: low، medium و high. اگه سطح رو تغییر ندی، مدل با Medium کار می‌کنه. Low معمولاً توکن کمتری مصرف می‌کنه و زودتر جواب می‌ده. High بیشتر بررسی می‌کنه و توکن بیشتری مصرف می‌کنه؛ برای همین ممکنه دیرتر شروع به جواب‌دادن کنه.

اگه فقط می‌خوای یک متن کوتاه رو خلاصه کنی، احتمالاً بررسی خیلی عمیق لازم نداری و سطح low برات مناسبه. برای پیدا‌کردن خطا بین چند فایل مرتبط، می‌تونی سطح بالاتر رو امتحان کنی. ببین کدوم سطح نتیجه مناسب کارت رو می‌ده!

آرگون 4 در جمنای چه مشکلات و خطاهایی دارد؟

• پاسخ اشتباه، کندی و Timeout

گوگل در کارت مدل، یعنی صفحه توضیحات فنی و محدودیت‌های مدل، احتمال جواب اشتباه، کندی و Timeout رو ذکر کرده. Timeout یعنی درخواست در زمان تعیین‌شده تموم نشده.

تاریخ قطع دانش آرگون مارس ۲۰۲۶ اعلام شده. یعنی اطلاعات آموزشی مدل تا اون زمان رو پوشش می‌ده، اما ممکنه اطلاعات بعضی موضوع‌ها قدیمی‌تر باشه. برای خبر جدید، ببین مدل واقعاً جست‌وجو کرده یا از دانسته‌های قبلی خودش جواب داده.

اگه برای انتشار مقاله عدد یا ادعا می‌گیری، بگو منبعش رو بده و خود منبع رو بخون. اگه کد می‌گیری، اجراش کن. یک جواب ممکنه روان و مطمئن نوشته شده باشه، ولی باز هم اشتباه باشه.

• خطاهای مستند API

برای ادامه پردازش در GenerateContent باید درخواست اصلی و continuation token رو درست نگه داری. اضافه‌کردن جواب نصفه به تاریخچه یا نوشتن «ادامه بده»، جای روش فنی ادامه پردازش رو نمی‌گیره.

برای کار طولانی، از نسخه جدید SDK استفاده کن و زمان انتظار رو هم مناسب بذار. SDK ابزارهای آماده‌ای در اختیارت می‌ذاره تا برنامه‌ات با سرویس ارتباط بگیره.

راهنمای Gemini API پیشنهاد می‌کنه timeout رو حداقل پانزده دقیقه بذاری یا کار رو در پس‌زمینه اجرا کنی. این عدد، زمان انتظار پیشنهادی برنامه‌ته؛ به این معنی نیست که مدل برای جواب‌دادن به هر سؤال پانزده دقیقه زمان لازم داره.

• خطاهای بارگذاری فایل

اگه هنگام بارگذاری فایل خطا دیدی، سه حالت برای خطا وجود داره:

• «Delete data to upload file»: فضای مربوط به فعالیت Gemini پر شده. این فضا از فضای Drive جداست.
• «You’ve reached your limit for chats with files»: به سقف دوره‌ای کار با فایل رسیده‌ای.
• «Your uploads may be too large for the best results»: حجم محتوا ممکنه باعث بشه مدل بعضی جزئیات یا ارتباط‌ها رو از دست بده.

برای خطای تحلیل فایل هم بارگذاری دوباره پیشنهاد شده. این خطاها عمومیِ Gemini هستن و فقط به آرگون مربوط نمی‌شن.

• چرا مدل Argon 4 در جمنای بعضی درخواست‌ها رو انجام نمی‌ده؟

این مدل درخواست‌های آسیب‌زا رو رد و فقط در محدوده دسترسی مجازش کار می‌کنه. گوگل روی رفتار عامل‌ها نظارت خودکار هم داره. برای دستورهای مخرب داخل فایل یا صفحه وب، روش‌های دفاعی در نظر گرفته و گفته مدل قبل از کارهای برگشت‌ناپذیر تأیید می‌گیره.

آرگون بهتره یا GPT-6 Astra و Claude؟

اگه می‌خوای بین این سه مدل انتخاب کنی، اول مشخص کن بیشتر چه کاری انجام می‌دی: برنامه‌نویسی، بررسی اسناد، نوشتن متن یا انجام کارهای چندمرحله‌ای.

• برای برنامه‌نویسی و طراحی سایت: یک کار واقعی رو به هر سه بده و درستی کد، ظاهر و تعداد اصلاح‌ها رو مقایسه کن.
• برای پژوهش و بررسی اسناد: پیدا‌کردن شواهد، حفظ جزئیات و درستی منابع رو بسنج؛ فقط به طول جواب نگاه نکن.
• برای کارهای تصویری و چندمرحله‌ای: اول مطمئن شو مدل و محیط انتخابی، ورودی‌ها و ابزارهای لازم رو پشتیبانی می‌کنن.

انتخاب مناسب، مدلیه که برای کار تو نتیجه درست‌تر و قابل استفاده‌تری بده و هزینه و محدودیت‌هاش هم با نیازت هماهنگ باشه.

هیچ‌کدوم در همه کارها بهترین نیستن و نتیجه به نوع درخواست، ابزارهای در دسترس و تنظیمات مدل بستگی داره.

۱. هر مدل بیشتر برای چه کارهایی طراحی شده؟

• Gemini 4 Argon: برای بررسی اسناد زیاد، تحلیل حقوقی و مالی، پژوهش، برنامه‌نویسی و کارهای طولانی طراحی شده. مثلاً می‌تونی چند گزارش مرتبط رو بهش بدی تا اطلاعاتشون رو کنار هم بذاره و مقایسه کنه.
• Claude Opus 5.5: برای برنامه‌نویسی چندمرحله‌ای و کار با اطلاعات تخصصی طراحی شده. می‌تونی ازش برای ساخت برنامه، بررسی کد و ادامه‌دادن پروژه‌های طولانی کمک بگیری. برای استفاده از این مدل باید حتما اکانت Claude بخری!
• GPT-6 Astra: برای حل مسائل پیچیده، برنامه‌نویسی، پژوهش، ساخت سند و کار با رایانه معرفی شده. در محیط مناسب، می‌تونه با کمک ابزارها مراحل یک کار رو انجام بده. با خرید اکانت Chatgpt پلاس میتونی به این مدل دسترسی داشته باشی!

این کاربردها با هم هم‌پوشانی دارن؛ مثلاً تحلیل سند فقط مخصوص آرگون نیست و کدنویسی هم فقط به Opus محدود نمی‌شه.

۲. کدوم برای برنامه‌نویسی، طراحی سایت و کارهای سه‌بعدی بهتره؟

برای برنامه‌نویسی نمی‌شه یک برنده همیشگی مشخص کرد. حتی آزمون‌های مختلف هم نتیجه یکسانی ندارن.
جدول زیر بخشی از مقایسه منتشرشده توسط گوگل رو نشون می‌ده:

در یک آزمون آرگون جلوتره، در دیگری آسترا و در آزمون ترمینال Opus امتیاز بیشتری داره. پس عبارت‌هایی مثل «رتبه اول جهان در کدنویسی» بدون نام آزمون، تاریخ و تنظیمات، مقایسه روشنی بهت نمی‌دن.

برای ظاهر سایت، بازی یا مدل سه‌بعدی هم بهتره یک درخواست یکسان رو به هر سه بدی و نتیجه رو ببینی. تمیزی طراحی، درست‌بودن کد و تعداد اصلاح‌های لازم رو بررسی کن.

۳. کدوم دقیق‌تره و کمتر اطلاعات اشتباه می‌ده؟

هر سه مدل ممکنه اطلاعات نادرست یا ساختگی تولید کنن؛ به این اتفاق «توهم» می‌گن.

برای کار پژوهشی، حقوقی یا مالی، این موارد رو بررسی کن:

• مدل برای ادعاش منبع می‌ده؟
• منبع واقعاً همون ادعا رو تأیید می‌کنه؟
• اطلاعات فایل رو درست نقل کرده؟
• وقتی اطلاعات کافی نداره، محدودیتش رو توضیح می‌ده؟

۴. چقدر اطلاعات می‌گیرن و چقدر خروجی می‌دن؟

«کانتکست» یعنی اطلاعاتی که مدل می‌تونه در یک پردازش در نظر بگیره. «سقف خروجی» هم حداکثر مقدار خروجی‌ایه که در مسیر مشخص می‌تونه تولید کنه. این دو یکی نیستن.

• Gemini 4 Argon: ظرفیت مشترک ورودی و خروجی‌اش ۱٬۰۴۸٬۵۷۶ توکنه. با Long Decode می‌تونه از سقف معمول خروجی عبور کنه، اما ورودی، بررسی داخلی و خروجی باید در همین ظرفیت مشترک جا بشن. پس یک‌میلیون توکن ورودی به‌علاوه یک‌میلیون توکن خروجی نداره. این قابلیت هم تولید قطعی یک کتاب پانصدصفحه‌ای یا پروژه کامل در یک پاسخ رو تضمین نمی‌کنه.
• Claude Opus 5.5: کانتکست یک‌میلیون توکنی و سقف خروجی معمول ۱۲۸ هزار توکن داره. در Batch API، قابلیت آزمایشی خروجی تا ۳۰۰ هزار توکن هم با تنظیم مربوط معرفی شده.
• GPT-6 Astra: کانتکست ۱٬۰۵۰٬۰۰۰ توکن و سقف خروجی ۱۲۸ هزار توکن داره.

ظرفیت بیشتر برای اطلاعات زیاد مفیده، اما به‌تنهایی تضمین نمی‌کنه مدل همه جزئیات رو درست بفهمه یا متن طولانی رو بدون تناقض بنویسه.

۵. قیمت و هزینه استفاده چه فرقی داره؟

قیمت‌های زیر، تعرفه پایه API برای هر یک‌میلیون توکن هستن و با قیمت اشتراک اپلیکیشن‌ها فرق دارن:

آرگون در دوره معرفی، برای ورودی و خروجی تعرفه پایه‌ای برابر با نصف Opus داره. بعد از اون، تعرفه پایه این دو برابر می‌شه.

آسترا تعرفه پایه بالاتری داره؛ برای ورودی‌های بیشتر از ۲۷۲ هزار توکن هم قیمتش افزایش پیدا می‌کنه.

اما هزینه کل کار فقط به قیمت هر توکن بستگی نداره. اگه یک مدل با تلاش کمتر به نتیجه درست برسه، ممکنه با وجود تعرفه بالاتر، برای همون کار هزینه مناسبی داشته باشه.

6- نتیجه عملکرد مدل‌ها توی آزمون‌ها

در این جدول، آرگون در بعضی آزمون‌ها جلوتره، آسترا در بعضی دیگه و Opus در آزمون ترمینال امتیاز بیشتری داره. نسخه آزمون، ابزارها و مقدار بررسی مدل هم روی نتیجه اثر دارن. OpenAI در صفحه خودش بعضی عددهای متفاوت برای آسترا منتشر کرده. قبل از ترکیب اون‌ها با جدول گوگل، باید روش اجرای آزمون‌ها رو بررسی کنی.

برای مقایسه واقعی مدل‌های هوش مصنوعی، چه آزمایشی انجام بدی؟

پنج نمونه از کارهای خودت انتخاب کن؛ مثلاً یک مقاله فارسی، یک قرارداد، یک گزارش مالی، یک خطای کد و یک فایل تصویری پیچیده. ورودی و هدف رو برای مدل‌ها یکسان نگه دار و جواب این سؤال‌ها رو ثبت کن:

• نتیجه درست بود و می‌تونستی ازش استفاده کنی؟
• مدل به منابع و جزئیات وفادار موند؟
• چند بار لازم شد درخواستت رو اصلاح کنی؟
• رسیدن به نتیجه چقدر زمان و هزینه داشت؟
• ابزارهای محیط برای کار تو کافی بودن؟

می‌تونی با این روش مدل مناسب کارت رو پیدا کنی. ممکنه مدلی که در یک آزمون عمومی اول شده، برای متن فارسی یا پروژه تو بهترین جواب رو نده.

کاربران درباره آرگون چی گفتن؟

نظر کاربران یکی نیست. بعضی کاربران Reddit از کیفیت چت و ساخت مدل سه‌بعدی راضی‌ان. بعضی هم از زود تموم‌شدن سهمیه ناراضی‌ان یا گفتن یک مدل رقیب در کار طراحی‌شون بهتر جواب داده.

بعضی کاربران Hacker News هم تجربه یا مقایسه‌ای به نفع آسترا نوشتن. درباره هزینه هم گفته شده که قیمت هر توکن برای حساب‌کردن هزینه کل کار کافی نیست. این نظرها به کار و محیط هر فرد مربوط می‌شن و رتبه قطعی مدل‌ها رو مشخص نمی‌کنن.

عرضه عمومی تازه شروع شده. تجربه روزهای اول کمک می‌کنه سؤال‌ها و مشکل‌های احتمالی رو پیدا کنی، اما برای قضاوت قطعی درباره استفاده طولانی‌مدت هنوز کافی نیست.

سوالات مهم درباره 4 Argon

• Gemini 4 Argon رایگانه؟

برای دسترسی عمومی معرفی‌شده باید هزینه بدی. طرح پژوهشگران فقط افراد انتخاب‌شده رو پوشش می‌ده و برای همه رایگان نیست. قبل از پرداخت، مشخص کن آرگون رو در کدوم محیط لازم داری.

• با Google AI Pro همه امکانات آرگون رو دارم؟

نه. طبق عرضه اعلام‌شده، با Pro می‌تونی در اپلیکیشن Gemini از آرگون استفاده کنی. برای دسترسی اشتراکی در Antigravity و AI Studio به Ultra نیاز داری. API پولی هم یک راه جدا برای استفاده از مدله.

• می‌تونم با آرگون تصویر یا ویدئو بسازم؟

ممکنه با ابزارهای محیط بتونی تصویر یا ویدئو بسازی. خود آرگون به‌طور مستقیم فقط متن تولید می‌کنه. دیدن و تحلیل تصویر یا ویدئو با ساخت اون‌ها فرق داره.

• آرگون برای نوشتن مقاله فارسی مناسبه؟

با متن و منابع واقعی خودت امتحانش کن. ببین جمله‌ها رو راحت می‌فهمی یا نه، لحن خواسته‌شده رو رعایت کرده یا نه، همه نکته‌ها رو نگه داشته یا نه و منابعش درستن یا نه. این مقاله برتری قطعی آرگون در نوشتن فارسی رو تأیید نمی‌کنه.

• High همیشه انتخاب بهتریه؟

برای کار سخت می‌تونی امتحانش کنی، ولی ممکنه دیرتر جواب بده و مصرف بیشتری داشته باشه. پایین‌ترین سطحی رو انتخاب کن که کیفیت لازم برای کارت رو می‌ده.

• اگه مدل رو نمی‌بینم، مشکل چیه؟

محیط استفاده، نوع اشتراک، منطقه، شرایط حساب و وضعیت عرضه تدریجی رو بررسی کن. اگه حساب سازمانی داری، مجوز مدیر هم مهمه. ممکنه در اپلیکیشن به مدل دسترسی داشته باشی، ولی در ابزار برنامه‌نویسی نداشته باشی.

• اگه سهمیه تموم بشه، باید دوباره اشتراک بخرم؟

تموم‌شدن سهمیه به‌تنهایی به معنی پایان اشتراکت نیست. زمان تازه‌شدن سهمیه و گزینه‌های حساب رو ببین. بعد می‌تونی درباره ارتقا یا ادامه کار با مدل دیگه تصمیم بگیری.

در نهایت اگه با چند فایل مرتبط، پروژه برنامه‌نویسی، تحلیل طولانی یا کار چندمرحله‌ای همراه با ابزار سر و کار داری، می‌تونی آرگون رو با یک نمونه از کارت امتحان کنی. در دوره قیمت معرفی API هم می‌تونی هزینه همین نمونه‌ها رو اندازه بگیری.

اول ببین مدل فعلی کجای کارت کم میاره. اگه جزئیات سندها رو از دست می‌ده، همون سندها رو با آرگون امتحان کن. اگه کدنویسی پروژه نیمه‌کاره می‌مونه، یک کار واقعی بهش بده و از اول بگو چه نتیجه‌ای می‌خوای تا کار تموم‌شده حساب بشه. اگه فقط چند سؤال کوتاه داری، ببین تفاوت جواب‌ها ارزش مصرف سهمیه و زمان انتظار رو داره یا نه.

برای انتخاب، این سه چیز رو بررسی کن: نتیجه‌ای که به کارت میاد، هزینه رسیدن به اون و دسترسی در محیطی که لازم داری. شواهد فعلی ثابت نمی‌کنن که آرگون در همه کارها بهتر از مدل‌های دیگه‌ست.