Shadowing Practice: Gemini 4 Argon explained in 5min.. - Learn English Speaking with Video

בחר מצב תרגול

כל מצב פותח חדר תרגול במסך מלא.

56 משפטים

אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.

It's been about seven months since Google announced a new flagship model, Gemini 4 Argon.

Even during Google I .O back in May, I expected Google to drop Gemini 3 .5 Pro.

But Google has been releasing a lot of flash models instead,

and a lot of them basically struggle to get market adoption given a variety of other flagship models

and cheaper alternatives from Chinese open models.

And Google finally made a flagship model with the codename Argon, and the preliminary benchmarks show a pretty strong number as you can see.

The first thing you might have noticed here is coding benchmarks, more specifically, scoring 77 .9 % on DeepSuite,

which would put Gemini 4 Argon above every other model we currently have.

But it's always good to have some healthy skepticism here.

Recently, EPOC found issues on DeepSuite Benchmark, finding 23 tasks that are flawed.

And looking back to when the benchmark was actually released back in May, the entire 113 tasks and their solutions are made public,

which means labs that have access to these could easily study them during post -training and benchmarks their models around public benchmarks.

And when we look at other benchmarks that Google reported here, a large majority of them are public.

So the further we go out in time, labs that release their models later have a slight advantage to potentially include them during post -training.

And of course, as users, all of this makes it really difficult to track real progress in AI since

so many public benchmarks like DeepSuite can be contaminated pretty fast.

Not only that, benchmarks get saturated a lot faster now than before, which forces benchmarks to be refreshed more frequently.

So consumers now carry a huge burden keeping track of real scientific progress in AI.

But regardless of the case, achieving this kind of leap in benchmark is a huge improvement from Google.

Now, when we take a step back and look at how Google is competing with other labs, a lot of people still primarily use clock code,

codecs, or open harnesses when it comes to coding.

And despite being a strong model, Google still hasn't really solved making their harness anti -gravity a truly competitive option for developers.

For a recent report, Codex has more than doubled the amount of weekly active users at 5 million compared to 2 .4 million for anti -gravity.

And on face value, Gemini 4 Argon currently undercuts both Anthropic

and OpenAI when it comes to the cost of intelligence until the temporary discount ends and the price doubles again.

But the cost benefit that we find here doesn't actually translate in Pareto Frontier, as you can see.

Argon falls below the Pareto Frontier, showing you that Anthropic and OpenAI still leads ahead in both the harness and model adoption.

Now, one angle we should think about, though, is the upcoming IPO for Anthropic and possibly OpenAI.

While OpenAI and Anthropic have a huge incentive to subsidize the model through subscription pretty heavily to grow their users,

Google already sits on top of one.

And given that Google is already a publicly traded company,

they want to be more careful about how to allocate their existing compute towards actually creating value within their ecosystem,

which could help increase their perceived revenue.

Even looking at how Argon is being rolled out in segments, the model is set to be made available to ultra -subscription users

and paid API users where there's already a huge revenue being

captured instead of fighting the subscription rates in channeling their compute towards that.

On a recent Google's Q2 earning call, they said that their API is processing 22 billion tokens per minute,

which is 6 billion more than the previous quarter.

That's more than 11 quadrillion tokens per year in just API channel alone.

And when you start factoring in other channels that Google owns in its distribution,

we really get a closer picture into what Google really means when they said that they're supply constrained.

And eventually, OpenAI and Anthropic will have to solve this scaling problem while maintaining healthy margins at the same time,

not just subsidizing subscription to capture more users.

So looking at Gemini for Argon, Google is demonstrating their capability in keeping pace at the frontier

while they also try to figure out how to capture value at scale.

One interesting note on Argon is how Google extended their output tokens from 64 ,000 to 1 million tokens.

This might not sound like a big deal, but it's definitely a huge move from Google

because maintaining coherence as autoregressive models generate longer and longer tokens get increasingly difficult the longer the output tokens get.

Scientists like Yen Le Koon made criticism on autoregressive models for this very reason,

where autoregressively generating one token after another can compound errors over long trajectory, let alone 1 million from Argon.

If you can imagine each token that's 99 % reliable, chaining 100 independent steps together would leave about 37 % chance of every step being correct.

Now, of course, that's just in theory, assuming that every token error is independent.

But the fact

that Google has enough confidence to extend their commercial product to

1 million output tokens really opens up door for longer trajectory tasks like code migration

and long -running research tasks that could benefit from a model that can generate more.

הורד אפליקציה

כל מה שאתה צריך כדי לדבר בשטף

הגיית AIציון לכל משפט

תרגול IPAשלוט בכל צליל

אוצר מיליםבנה את מאגר המילים שלך

משחק אוצר מיליםלמד תוך כדי משחק

סרוק QR

Download on theApp Store Get it onGoogle Play

אותו ערוץ

World Models explained in 10min..

Business EnglishUniversity StudentsWorking Adults

FOR YOU

המלץ על סרטון

90 משפטים

Expensive RTX 5090 for LLMs? NO. Use This Instead. (Tesla V100 SXM2 + Z8 G4, #RACERRRZ)

Daily ConversationUniversity StudentsWorking Adults

40 משפטים

The Engineering that Runs the Digital World 🛠️⚙️💻 How do CPUs Work?

Daily ConversationUniversity StudentsWorking Adults

345 משפטים

Andrew Ng on Coding Agents and Deciding What to Build

Daily ConversationUniversity Students

182 משפטים

We Let $200 GPT-Pro Think for 7 Days on Unsolved Math

Daily ConversationUniversity StudentsWorking Adults

אוצר מילים והערות הגייה לשיעור הזה

שיעור הדיבור הזה ברמה C1 מבוסס על הסרטון “Gemini 4 Argon explained in 5min.”. המילים שחוזרות הכי הרבה: Google, model, benchmark, token, Argon. בסרטון הזה יש 56 משפטים ו-877 מילים לתרגול Shadowing. הדיבור נמשך 4:56. הדובר מדבר בקצב טבעי של כ-178 מילים בדקה, קרוב לשיחה יומיומית. רק 77% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית, כך שאוצר המילים מאתגר.

אוצר מילים מרכזי בסרטון הזה

10 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:

מילה	הגייה	משמעות
token שם עצם	/ˈtoʊkən/	אֲסִימוֹן, זִ׳יטוֹן
subscription שם עצם	/səbˈskɹɪpʃən/	מָנוּי
harness פועל	/ˈhɑɹ.nəs/	רָתַם
flagship שם עצם	/ˈflæɡʃɪp/	אוניית דגל
subsidize פועל	/ˈsʌbsɪdaɪz/	סִבְסֵד, סִבְּסֵד
trajectory שם עצם	/tɹəˈd͡ʒɛktəɹi/	מַסְלוּל
skepticism שם עצם	/ˈskɛp.tɪˌsɪ.zəm/	ספקנות
translate פועל	/tɹænzˈleɪt/	תִּרְגֵּם
leap פועל	/ˈliːp/	קפץ
incentive שם עצם	/ɪnˈsɛntɪv/	תמריץ

Phrasal verbs שתשמעו

מילה	משמעות
figure out פועל	הֵבִין, מצא תשובה

דקדוק בסרטון הזה

המבנים שהדובר משתמש בהם הכי הרבה, עם המילים המדויקות מהסרטון:

מבנה	בסרטון
סביל (Passive voice) be + past participle — הדגש הוא על מה שקורה, לא על מי שעושה את הפעולה	are flawed · was actually released · can be contaminated
הווה מושלם (Present perfect) have/has + past participle — פעולה שקרתה בעבר ועדיין יש לה חשיבות או השפעה עכשיו	It's been · hasn't really solved

הגייה ששווה לשים לב אליה

הדובר משתמש ב-3 קיצורים וצורות מקוצרות, כמו doesn't, hasn't, they're. אמרו אותם בצורה הקצרה, כפי שאתם שומעים אותם.

הצלילים של “sh” ו-“zh”: benchmark /ˈbɛn(t)ʃmɑːk/, subscription /səbˈskɹɪpʃən/, flagship /ˈflæɡʃɪp/, refresh /ɹɪˈfɹɛʃ/
מילים ארוכות — שימו לב להטעמה: trajectory /tɹəˈd͡ʒɛktəɹi/, contaminate /kənˈtæmɪneɪt/, skepticism /ˈskɛp.tɪˌsɪ.zəm/, ecosystem /ˈikoʊˌsɪstəm/, capability /ˌkeɪ.pəˈbɪl.ɪ.ti/

צלילים שדוברי עברית מתקשים בהם:

/æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: flagship /ˈflæɡʃɪp/, allocate /ˈæl.ə.keɪt/, contaminate /kənˈtæmɪneɪt/, translate /tɹænzˈleɪt/
/r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: subscription /səbˈskɹɪpʃən/, harness /ˈhɑɹ.nəs/, frontier /ˈfɹʌntɪə/, trajectory /tɹəˈd͡ʒɛktəɹi/, coherence /koʊˈhɪɹ.ən(t)s/
עיצור קולי בסוף מילה — /b/, /d/, /g/, /z/, /v/ בלי להפוך אותם לאטומים: subsidize /ˈsʌbsɪdaɪz/, perceive /pɚˈsiv/, flawed /flɔːd/, incentive /ɪnˈsɛntɪv/

איך לתרגל עם הסרטון הזה

הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
התחילו במהירות 0.75×, תרגלו Shadowing משפט אחר משפט, וחזרו למהירות רגילה כשזה מרגיש קל.
הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו token, subscription, harness.

מהי טכניקת השאדואינג?

שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.

טכניקת Shadowing: קרא את המדריך המלא שלב אחר שלב →

Shadowing Practice: Gemini 4 Argon explained in 5min.. - Learn English Speaking with Video

בחר מצב תרגול

הורד אפליקציה

World Models explained in 10min..

Did Google just dethrone OpenAI and Anthropic?

Gemma 4 Just Released - Whats In? In 2026!

LangChain in 5 Minutes (Explained Clearly)

They JUST Accidentally Revealed the Truth: The AI Bubble

Give me 31 minutes, I will make PyTorch click forever

My 4.9-Star iOS App Is Actually a Website: Here’s How I Built It

What's New in Zephyr 4.5?

Go’s Big Mistake

Expensive RTX 5090 for LLMs? NO. Use This Instead. (Tesla V100 SXM2 + Z8 G4, #RACERRRZ)

The Engineering that Runs the Digital World 🛠️⚙️💻 How do CPUs Work?

Andrew Ng on Coding Agents and Deciding What to Build

We Let $200 GPT-Pro Think for 7 Days on Unsolved Math

אוצר מילים והערות הגייה לשיעור הזה

אוצר מילים מרכזי בסרטון הזה

Phrasal verbs שתשמעו

דקדוק בסרטון הזה

הגייה ששווה לשים לב אליה

איך לתרגל עם הסרטון הזה

מהי טכניקת השאדואינג?