ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: Gemini 4 Argon explained in 5min..

เลือกโหมดฝึก

แต่ละโหมดจะเปิดห้องฝึกแบบเต็มจอ

56 ประโยค

หากประโยคสั้นหรือยาวเกินไป กดที่ Edit เพื่อปรับแก้

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.

ดาวน์โหลดแอป

ทุกอย่างที่ต้องใช้เพื่อพูดได้คล่อง

AI ให้คะแนนการออกเสียงให้คะแนนทุกประโยค

ฝึก IPAเชี่ยวชาญทุกเสียง

คำศัพท์สร้างคลังคำของคุณ

เกมคำศัพท์เล่นไปเรียนไป

สแกน QR

Download on theApp Store Get it onGoogle Play

ช่องเดียวกัน

World Models explained in 10min..

Business EnglishUniversity StudentsWorking Adults

FOR YOU

วิดีโอแนะนำ

90 ประโยค

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

Daily ConversationUniversity StudentsWorking Adults

40 ประโยค

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

Daily ConversationUniversity StudentsWorking Adults

345 ประโยค

Andrew Ng on Coding Agents and Deciding What to Build

Daily ConversationUniversity Students

182 ประโยค

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

Daily ConversationUniversity StudentsWorking Adults

คำศัพท์และข้อสังเกตด้านการพูดสำหรับบทเรียนนี้

บทเรียนฝึกพูดนี้ใช้วิดีโอ “Gemini 4 Argon explained in 5min.” เป็นสื่อ คำที่ถูกพูดซ้ำบ่อยที่สุด: Google, model, benchmark, token, Argon วิดีโอนี้มี 56 ประโยค และ 877 คำ สำหรับฝึกพูดตาม ช่วงที่มีเสียงพูดยาว 4:56 ผู้พูดพูดด้วยความเร็วเป็นธรรมชาติ ประมาณ 178 คำต่อนาที ใกล้เคียงกับบทสนทนาในชีวิตประจำวัน มีเพียง 77% ของคำที่อยู่ใน 3,000 คำที่ใช้บ่อยที่สุดในภาษาอังกฤษ คำศัพท์จึงค่อนข้างยาก

คำศัพท์สำคัญในวิดีโอนี้

คำที่ควรเรียนรู้ 15 คำจากวิดีโอ พร้อมคำอ่านและความหมาย:

คำศัพท์	คำอ่าน	ความหมาย
output คำนาม	/ˈaʊtpʊt/	เอาท์พุต
capture คำกริยา	/ˈkæp.(t)ʃɚ/	ยึด
solve คำกริยา	/sɒlv/	แก้, แก้ไข
trajectory คำนาม	/tɹəˈd͡ʒɛktəɹi/	วิถี
earn คำกริยา	/ɝn/	หาเงิน
compare คำกริยา	/kəmˈpɛɚ/	เปรียบเทียบ
compete คำกริยา	/kəmˈpiːt/	แข่ง, แข่งขัน
angle คำนาม	/ˈæŋ.ɡəl/	มุม
discount คำนาม	/ˈdɪskaʊnt/	ส่วนลด
reliable คำคุณศัพท์	/ɹɪˈlaɪəbl̩/	ไว้ใจได้, เชื่อถือได้
announce คำกริยา	/əˈnaʊn(t)s/	ประกาศ, แถลง
burden คำนาม	/ˈbɝdn̩/	ความรับผิดชอบ, ภาระ
scientist คำนาม	/ˈsaɪəntəst/	นักวิทยาศาสตร์
demonstrate คำกริยา	/ˈdɛm.ənˌstɹeɪt/	สาธิต
compound คำนาม	/ˈkɑmpaʊnd/	สารประกอบ

ไวยากรณ์ในวิดีโอนี้

โครงสร้างที่ผู้พูดใช้บ่อยที่สุด พร้อมคำพูดจริงจากวิดีโอ:

โครงสร้าง	ในวิดีโอ
Passive voice be + กริยาช่อง 3 — เน้นสิ่งที่เกิดขึ้น ไม่ใช่ผู้กระทำ	are flawed · was actually released · can be contaminated
Present perfect have/has + กริยาช่อง 3 — เหตุการณ์ในอดีตที่ยังเกี่ยวข้องกับปัจจุบัน	It's been · hasn't really solved

การออกเสียงที่ควรระวัง

ผู้พูดใช้รูปย่อและรูปลดเสียง 3 ครั้ง เช่น doesn't, hasn't, they're ให้พูดแบบสั้นตามที่ได้ยิน

เสียง “sh” และ “zh”: benchmark /ˈbɛn(t)ʃmɑːk/, subscription /səbˈskɹɪpʃən/, capture /ˈkæp.(t)ʃɚ/, flagship /ˈflæɡʃɪp/, adoption /əˈdɑp.ʃən/
คำยาว — ลงเสียงหนักให้ถูกพยางค์: trajectory /tɹəˈd͡ʒɛktəɹi/, primarily /ˈpɹaɪ.mə.ɹə.li/, temporary /ˈtɛmp(əˌɹ)ɛɹi/, potentially /pəˈtɛnʃ(ə)li/, developer /dɪˈvɛləpɚ/

เสียงที่คนไทยมักออกเสียงยาก:

เสียงท้ายคำ — ออกเสียงให้ครบ ไม่เปลี่ยนเป็นตัวสะกดแบบไทย: harness /ˈhɑɹ.nəs/, solve /sɒlv/, regardless /ɹɪˈɡɑɹd.lɪs/, flash /flæʃ/, angle /ˈæŋ.ɡəl/
/v/ — ไม่ใช่ /w/ ให้ฟันบนแตะริมฝีปากล่าง: solve /sɒlv/, gravity /ˈɡɹævɪti/, developer /dɪˈvɛləpɚ/, incentive /ɪnˈsɛntɪv/, perceive /pɚˈsiv/
/z/ — เสียงก้อง ไม่ใช่ /s/: translate /tɹænzˈleɪt/, subsidize /ˈsʌbsɪdaɪz/, skepticism /ˈskɛp.tɪˌsɪ.zəm/

วิธีฝึกกับวิดีโอนี้

ฟังวิดีโอให้จบหนึ่งรอบโดยยังไม่ต้องพูด แล้วจดคำที่ยังไม่รู้จัก
เริ่มที่ความเร็ว 0.75× พูดตามทีละประโยค แล้วกลับไปใช้ความเร็วปกติเมื่อเริ่มคล่อง
อัดเสียงตัวเองแล้วเทียบกับต้นฉบับ โดยสังเกตคำอย่าง output, capture, solve เป็นพิเศษ

เทคนิค Shadowing คืออะไร?

Shadowing เป็นเทคนิคการเรียนรู้ภาษาที่ได้รับการรับรองทางวิทยาศาสตร์ พัฒนาขึ้นสำหรับการฝึกนักแปลมืออาชีพ วิธีการนี้เรียบง่ายแต่ทรงพลัง: คุณฟังเสียงภาษาอังกฤษจากเจ้าของภาษาและพูดตามทันที — เหมือนเงาที่ตามผู้พูดด้วยช่วงเวลาห่าง 1-2 วินาที การวิจัยแสดงว่าเทคนิคนี้ปรับปรุงความแม่นยำในการออกเสียง ทำนองเสียง จังหวะ การเชื่อมเสียง การฟังเข้าใจ และความคล่องแคล่วในการพูดได้อย่างมีนัยสำคัญ

เทคนิค shadowing: อ่านคู่มือฉบับเต็มทีละขั้นตอน →

ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: Gemini 4 Argon explained in 5min..

เลือกโหมดฝึก

ดาวน์โหลดแอป

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

คำศัพท์และข้อสังเกตด้านการพูดสำหรับบทเรียนนี้

คำศัพท์สำคัญในวิดีโอนี้

ไวยากรณ์ในวิดีโอนี้

การออกเสียงที่ควรระวัง

วิธีฝึกกับวิดีโอนี้

เทคนิค Shadowing คืออะไร?