Google lanserer Gemini 4 Hydrogen: KI som holder bedre på konteksten

Foto: Google
Foto: Google

En av de mest irriterende sidene ved KI-assistenter er behovet for å forklare det samme flere ganger. Formatet endres, viktige instruksjoner faller ut og modellen begynner gradvis å løse en litt annen oppgave enn den du opprinnelig ba om. Med Gemini 4 Hydrogen satser Google på en modell bygget for raske, langvarige arbeidsflyter, koding og KI-agenter.

Du har sannsynligvis opplevd det.

Du ber en KI-assistent skrive på norsk.

Du forklarer hvilken tone du ønsker.

Du ber den unngå bestemte formuleringer.

Du definerer hvordan resultatet skal struktureres.

Fem eller ti meldinger senere må du forklare deler av kravene på nytt.

Det kan være ekstra frustrerende når kunstig intelligens brukes som et arbeidsverktøy over lengre tid.

Google mener nye Gemini 4 Hydrogen skal være spesielt godt egnet til nettopp slike arbeidsflyter. Modellen ble presentert 12. november og er utviklet med særlig vekt på hastighet, effektivitet, koding og agentbaserte oppgaver.

Bygget for oppgaver som varer lenge

Google har valgt en interessant strategi for Gemini 4-familien.

Selskapet beskriver Gemini 4 Carbon og Gemini 4 Argon som modeller laget for dypere og mer langvarig resonnering på vanskelige problemer.

Gemini 4 Hydrogen har en annen rolle.

Hydrogen skal være raskere og mer effektiv i den typen oppgaver mennesker faktisk gjennomfører hele dagen, særlig koding og agentbaserte arbeidsflyter.

Tanken er med andre ord ikke nødvendigvis at Hydrogen alltid skal stoppe opp og tenke lengst.

Den skal få jobben gjort.

Opptil én million tokens med kontekst

En av de viktigste tekniske egenskapene er størrelsen på kontekstvinduet.

Gemini 4 Hydrogen støtter en samlet kontekst på opptil én million tokens for input og output. Modellen kan håndtere tekst, bilder, lyd og video som input. Standard synkron output kan være opptil 64.000 tokens, mens Googles modellkort også beskriver lengre bakgrunnsgenerering på opptil én million tokens.

Det store kontekstvinduet er viktig fordi modellen kan arbeide med langt mer informasjon samtidig.

Det kan være:

  1. en stor kodebase
  2. dokumentasjon
  3. lange dokumenter
  4. tidligere instruksjoner
  5. bilder
  6. lyd
  7. video
  8. omfattende arbeidskontekst

For en utvikler kan dette eksempelvis bety at assistenten kan arbeide med langt større deler av et prosjekt uten at nødvendig kontekst hele tiden må mates inn på nytt.

Men dette er ikke det samme som permanent hukommelse

Her er det viktig å skille mellom kontekst og hukommelse.

At Hydrogen kan holde svært mye informasjon tilgjengelig i én arbeidskontekst betyr ikke automatisk at modellen permanent husker alt brukeren noen gang har fortalt den.

Et stort kontekstvindu handler om hvor mye informasjon modellen kan ha tilgjengelig mens den løser en oppgave.

Langtidshukommelse handler derimot om informasjon som kan bevares på tvers av separate samtaler eller arbeidsøkter.

Det er to forskjellige teknologiske konsepter.

Derfor er påstanden om at Hydrogen gjør slutt på behovet for å «fortelle KI-en det samme igjen og igjen» først og fremst interessant når man snakker om lange arbeidsflyter og store mengder kontekst.

Dette kan være spesielt interessant for utviklere

Det er innen programvareutvikling Googles strategi blir særlig tydelig.

En utvikler bruker ikke nødvendigvis én KI-modell til én enkelt oppgave.

En moderne utviklingsprosess kan innebære at modellen først analyserer problemet, deretter undersøker kodebasen, skriver kode, kjører tester, finner en feil, retter den og verifiserer resultatet.

På dette området har Google utviklet Hydrogen som en effektiv arbeidshest.

Selskapet beskriver modellen som egnet til å skrive kode, kjøre tester og kontrollere endringene etterpå.

Det passer også inn i utviklingen vi ser mot agentbasert programmering.

Utvikleren ber ikke lenger bare KI om å skrive en funksjon.

Utvikleren kan i stedet be KI om å løse en oppgave.

Google vil bruke flere modeller på samme jobb

En av de mest interessante nyhetene er derfor ikke Hydrogen alene.

Det er Orchestrator i Google Antigravity.

I stedet for at én modell håndterer hele oppgaven, kan Orchestrator bytte dynamisk mellom forskjellige Gemini-modeller i samme arbeidsøkt.

En tung modell kan brukes når oppgaven krever omfattende arkitektonisk vurdering.

Hydrogen kan deretter ta seg av raskere gjennomføring, testing og kontroll.

Det minner mer om hvordan et utviklingsteam arbeider.

Man bruker forskjellige ressurser til forskjellige oppgaver i stedet for å bruke den dyreste spesialisten til absolutt alt.

Google rapporterer 19 prosent raskere gjennomføring

Google oppgir interessante resultater fra testing av denne modellen.

På Terminal-Bench 4.0 oppnådde Orchestrator nesten samme resultater som Gemini 4 Carbon, samtidig som løsningen ifølge Google brukte 24 prosent mindre kvote og fullførte oppgavene 19 prosent raskere.

Det viser hvor kappløpet mellom KI-selskapene er på vei.

Rå intelligens er ikke lenger det eneste som teller.

Pris teller.

Hastighet teller.

Hvor mange tokens som brukes teller.

Og modellenes evne til å samarbeide med hverandre kan bli minst like interessant som hvilken enkeltmodell som topper en benchmark.

Én modell kan bli sjef, de andre arbeidere

Google beskriver også arbeidsflyter hvor flere agenter arbeider parallelt.

Her kan Carbon fungere som koordinator, mens flere Hydrogen-agenter fungerer som arbeidere eller kontrollører.

Én agent kan eksempelvis implementere en endring.

En annen kan skrive tester.

En tredje kan verifisere resultatet.

Arbeidet kan foregå parallelt i separate miljøer.

Dette peker mot en ganske annerledes måte å bruke generativ KI på.

I stedet for:

Menneske → chatbot → svar

får vi:

Menneske → koordinator → flere KI-agenter → verifikasjon → resultat

Det er sannsynligvis denne utviklingen som vil gjøre KI langt mer interessant som faktisk arbeidsverktøy.

Hydrogen skal også være billigere å bruke

Pris blir særlig viktig når agenter begynner å arbeide kontinuerlig.

Hvis én agent genererer millioner av tokens mens flere andre samtidig kontrollerer arbeidet, kan kostnadene vokse raskt.

Google har derfor priset Gemini 4 Hydrogen flatt over hele kontekstvinduet på én million tokens.

Prisen er oppgitt til 1,50 dollar per million input-tokens og 7,50 dollar per million output-tokens.

Det er ikke bare interessant for individuelle brukere.

For selskaper som bygger tjenester hvor store mengder API-kall gjennomføres hver dag, kan små prisforskjeller få store økonomiske konsekvenser.

Tilgjengelig langt utenfor Gemini-appen

Gemini 4 Hydrogen er heller ikke begrenset til én chatbot.

Ifølge Google DeepMind distribueres modellen gjennom blant annet:

  1. Gemini-appen
  2. Gemini API
  3. Google AI Studio
  4. Gemini for business
  5. Google Sheets
  6. Google Antigravity
  7. Google Search

Det forteller mye om Googles strategi.

Gemini skal ikke bare være et nettsted brukeren besøker for å snakke med en chatbot.

Modellteknologien skal ligge under tjenester mennesker allerede bruker.

Google gjør Gemini 4 tilgjengelig bredt

Hydrogen er samtidig modellen Google bruker for å gjøre Gemini 4-familien tilgjengelig for et bredere publikum.

Google opplyser at Hydrogen er tilgjengelig på tvers av nivåer i Google AI Studio, Gemini API, Gemini for business, Gemini-appen og Google Search, samt for betalende Google AI Pro- og Ultra-kunder i Google Antigravity.

Det kan bli viktig.

Den modellen som får størst praktisk betydning er ikke nødvendigvis den som er best på verdens vanskeligste benchmark.

Det kan like gjerne være modellen som millioner av mennesker faktisk får tilgang til i hverdagen.

Hydrogen er bygget på Carbon

Teknisk sett er Hydrogen heller ikke utviklet helt separat fra resten av modellfamilien.

Google DeepMind beskriver Hydrogen som en modell tilpasset fra Gemini 4 Carbon.

Dermed forsøker Google i praksis å hente mye av kapasiteten fra en tyngre modell og optimalisere den mot raskere og mer effektiv utførelse.

Dette blir stadig vanligere i KI-markedet.

Én enorm modell til absolutt alle oppgaver er dyrt og ineffektivt.

Modellfamilier med ulike egenskaper gjør at leverandørene kan velge riktig verktøy til riktig jobb.

KI beveger seg bort fra chatboten

Det kanskje viktigste med Hydrogen er derfor ikke selve modellen.

Det er hva modellen representerer.

De første årene med generativ KI handlet mye om samtalen.

Brukeren skrev et spørsmål.

Modellen svarte.

Brukeren stilte et nytt spørsmål.

Nå handler utviklingen stadig mer om arbeidsflyt.

En KI-assistent må kunne forstå hva målet er, holde styr på konteksten, bruke verktøy, gjøre flere handlinger, kontrollere resultatet og fortsette til jobben faktisk er ferdig.

Da blir evnen til å holde fast ved brukerens opprinnelige krav langt viktigere.

Det er her «slippe å gjenta seg» faktisk betyr noe

Det høres kanskje trivielt ut at en KI skal huske at du ønsket svaret på norsk eller at kodebasen bruker Laravel.

Men i profesjonelle arbeidsflyter kan slike detaljer være avgjørende.

Tenk på en utvikler som gir KI følgende krav:

Applikasjonen bruker Laravel.

Databasen er PostgreSQL.

Eksisterende API-kontrakter må ikke brytes.

Testene skal fortsatt passere.

Nye komponenter skal følge prosjektets etablerte struktur.

Produksjonsdata må aldri brukes i test.

En assistent som følger disse kravene i første steg, men glemmer dem etter femten operasjoner, er vanskelig å stole på.

Derfor handler bedre kontekst ikke bare om brukerkomfort.

Det handler om pålitelighet.

Konkurransen skifter karakter

Kappløpet mellom Google og de andre store KI-leverandørene dreier seg derfor om langt mer enn hvem som har den «smarteste» modellen.

Det neste slaget handler om hvem som bygger den beste arbeideren.

En modell som:

  1. forstår instruksjonen
  2. beholder nødvendig kontekst
  3. arbeider raskt
  4. bruker verktøy riktig
  5. kan samarbeide med andre modeller
  6. kontrollerer sitt eget arbeid
  7. og gjør alt dette til en forsvarlig kostnad

Gemini 4 Hydrogen er Googles nye forsøk på å fylle denne rollen.

Den beste KI-en kan bli den du legger minst merke til

Det kan også være et tegn på hvor generativ KI er på vei.

Brukerne vil etter hvert kanskje bry seg mindre om hvilken modell som kjører i bakgrunnen.

Hvis Googles Orchestrator automatisk kan velge Carbon til den kompliserte delen og Hydrogen til utførelsen, trenger ikke brukeren nødvendigvis å vite at byttet skjer.

Det viktige blir resultatet.

Var oppgaven riktig forstått?

Ble kravene fulgt?

Hvor raskt gikk det?

Hvor mye kostet det?

Og måtte brukeren stoppe opp halvveis og forklare alt på nytt?

Det siste punktet høres kanskje lite ut.

Men for alle som bruker KI flere timer om dagen, kan det være forskjellen mellom en imponerende chatbot og et verktøy man faktisk kan arbeide sammen med.

Gemini 4 Hydrogen viser at neste generasjon KI ikke bare skal bli flinkere til å svare. Den skal bli flinkere til å holde tråden mens jobben blir gjort.

Les også

AI / KI Skal vurdere konsekvensen av KI for grunnleggende sikkerhetsinteresser AI / KI Norge og Storbritannia inngår strategisk KI-allianse: Skal løfte sikkerhet og felles teknologiutvikling AI / KI Hva skal Norge egentlig bli gode på innen kunstig intelligens? AI / KI Apple vil gjøre Siri til en ekte AI-agent: Skal kunne gjøre jobben for deg