Практика Shadowing: Gemini 4 Argon explained in 5min.. - Изучайте разговорный английский по видео

Выберите режим практики

Каждый режим открывает полноэкранную комнату практики.

56 предложений

Если предложения слишком короткие или длинные, нажмите Edit, чтобы их изменить.

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.

Скачать приложение

Всё для свободной речи

ИИ-оценка произношенияОценка каждой фразы

Практика IPAОсвойте каждый звук

СловарьСоберите свой словарный запас

Игра со словамиУчитесь играя

Сканировать QR

Download on theApp Store Get it onGoogle Play

Тот же канал

World Models explained in 10min..

Business EnglishUniversity StudentsWorking Adults

FOR YOU

Лексика и советы по произношению к этому уроку

Этот урок разговорной практики построен на видео «Gemini 4 Argon explained in 5min.». Чаще всего повторяются слова: Google, model, benchmark, token, Argon. В этом видео 56 предложений и 877 слов для шедоуинга. Речь длится 4:56. Говорящий говорит в естественном темпе, около 178 слов в минуту, близком к повседневной речи. Только 77% слов входят в 3000 самых частых слов английского языка, поэтому лексика сложная.

Ключевая лексика этого видео

15 слов из видео, которые стоит выучить, с произношением и значением:

Слово	Произношение	Значение
benchmark существительное	/ˈbɛn(t)ʃmɑːk/	крите́рий, мери́ло
token существительное	/ˈtoʊkən/	знак, си́мвол
subscription существительное	/səbˈskɹɪpʃən/	подпи́ска, абонеме́нт
output существительное	/ˈaʊtpʊt/	произво́дство, проду́кция
capture глагол	/ˈkæp.(t)ʃɚ/	захва́тывать, захвати́ть
generate глагол	/ˈd͡ʒɛn.ə.ɹeɪt/	порожда́ть, производи́ть
frontier существительное	/ˈfɹʌntɪə/	грани́ца, рубе́ж
flagship существительное	/ˈflæɡʃɪp/	фла́гманский кора́бль, фла́гман
harness глагол	/ˈhɑɹ.nəs/	запряга́ть
solve глагол	/sɒlv/	реша́ть, реши́ть
extend глагол	/ɛkˈstɛnd/	продлева́ть, продли́ть
gravity существительное	/ˈɡɹævɪti/	серьёзность, ва́жность
adoption существительное	/əˈdɑp.ʃən/	усыновле́ние, удочере́ние
trajectory существительное	/tɹəˈd͡ʒɛktəɹi/	траекто́рия
earn глагол	/ɝn/	зараба́тывать, зарабо́тать

Фразовые глаголы, которые вы услышите

Слово	Значение
figure out глагол	разбира́ться, разобра́ться

Грамматика в этом видео

Конструкции, которые говорящий использует чаще всего, с точными словами из видео:

Конструкция	В видео
Пассивный залог be + причастие прошедшего времени — важно, что происходит, а не кто это делает	are flawed · was actually released · can be contaminated
Present Perfect have/has + причастие прошедшего времени — прошлое действие, важное сейчас	It's been · hasn't really solved

Произношение, на которое стоит обратить внимание

Говорящий использует 3 сокращённых и редуцированных форм, например doesn't, hasn't, they're. Произносите их коротко, так, как слышите.

Звуки «sh» и «zh»: benchmark /ˈbɛn(t)ʃmɑːk/, subscription /səbˈskɹɪpʃən/, capture /ˈkæp.(t)ʃɚ/, flagship /ˈflæɡʃɪp/, adoption /əˈdɑp.ʃən/
Длинные слова — следите за ударением: trajectory /tɹəˈd͡ʒɛktəɹi/, primarily /ˈpɹaɪ.mə.ɹə.li/, temporary /ˈtɛmp(əˌɹ)ɛɹi/, potentially /pəˈtɛnʃ(ə)li/, developer /dɪˈvɛləpɚ/

Звуки, трудные для русскоязычных:

/h/ — лёгкий выдох, а не русское «х»: harness /ˈhɑɹ.nəs/, coherence /koʊˈhɪɹ.ən(t)s/
Звонкие согласные в конце слова — не оглушайте их: lab /læːb/, solve /sɒlv/, extend /ɛkˈstɛnd/, compound /ˈkɑmpaʊnd/, incentive /ɪnˈsɛntɪv/

Как заниматься с этим видео

Прослушайте всё видео один раз молча и выпишите незнакомые слова.
Начните со скорости 0,75×, повторяйте предложение за предложением и вернитесь к обычной скорости, когда станет легко.
Запишите себя и сравните с оригиналом, обращая внимание на такие слова, как benchmark, token, subscription.

Что такое техника Shadowing?

Shadowing — это научно обоснованная техника изучения языка, изначально разработанная для подготовки профессиональных переводчиков и популяризированная полиглотом доктором Александром Аргуэльесом. Метод прост, но эффективен: вы слушаете аудио на английском от носителей языка и немедленно повторяете вслух — как тень, следующая за говорящим с задержкой в 1–2 секунды. В отличие от пассивного прослушивания или грамматических упражнений, Shadowing заставляет мозг и мышцы рта одновременно обрабатывать и воспроизводить реальные речевые паттерны. Исследования показывают, что это значительно улучшает точность произношения, интонацию, ритм, связную речь, понимание на слух и беглость речи — что делает его одним из самых эффективных методов для подготовки к IELTS Speaking и реального общения на английском.

Техника шедоуинга: читать полное пошаговое руководство →

Практика Shadowing: Gemini 4 Argon explained in 5min.. - Изучайте разговорный английский по видео

Выберите режим практики

Скачать приложение

Тот же канал

World Models explained in 10min..

Рекомендуемое видео

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