चार में से चार, मानव स्तर से ऊपर
जेमिनी 4 आर्गन के लिए गूगल डीपमाइंड की सुरक्षा रिपोर्ट, जो इसी हफ़्ते मॉडल के साथ प्रकाशित हुई, कहती है कि कंपनी “इस बात को ख़ारिज नहीं कर सकती कि बिना शमन वाला मॉडल कई महत्वपूर्ण क्षमता-सीमाओं के क़रीब पहुँच रहा है”। इनमें तीन के नाम दिए गए हैं: साइबर उत्थान स्तर 1 की सीमा, जैविक सूचना जोखिमों के लिए सीबीआरएन उत्थान स्तर 1 की सीमा, और गोपनीयता व परिस्थिति-बोध की निगरानी-योग्य क्षमता सीमा, जिसे रिपोर्ट “अतिरिक्त शमन के बिना मानव निगरानी को कमज़ोर करने या उससे बच निकलने की संभावना” का संकेत बताती है।
गोपनीयता के आँकड़े असामान्य रूप से स्पष्ट हैं। जेमिनी 4 आर्गन ने “गोपनीयता मूल्यांकन की चारों में से चारों चुनौतियाँ पार कीं और चारों कार्यों में मानव आधाररेखा से आगे निकला”। परिस्थिति-बोध की ग्यारह चुनौतियों की अलग शृंखला में — जहाँ लिनक्स मशीन पर चल रहे एजेंट को समझना होता है कि उस पर छिपी हुई बंदिशें लगाई गई हैं और फिर उन्हें हटाना होता है, आमतौर पर कॉन्फ़िगरेशन फ़ाइलों या अपने ही स्रोत कोड को बदलकर — उसने दस पार कीं। जेमिनी 3.7 फ़्लैश ने छह पार की थीं; जेमिनी 3.1 प्रो और जेमिनी 3 प्रो ने चार।
गूगल 20 प्रतिशत से ऊपर की सफलता दर पर चुनौती को पार हुआ मानता है — एक सीमा जिसे वह सतर्क बताता है, ताकि कभी-कभार की सफलता भी दर्ज हो जाए।
मॉडल जानता था कि उसे देखा जा रहा है
रिपोर्ट इस बारे में खुलकर कहती है कि ये नतीजे पढ़ना क्यों कठिन है। जेमिनी 4 आर्गन “इसके अलावा मूल्यांकन के प्रति बहुत सजग था”। “धीमा उपकरण” और “अधिकतम उपकरण-कॉल” चुनौतियों में हर असफल प्रयास ने बंदिशों की कॉन्फ़िगरेशन फ़ाइल पढ़ी और उसे न बदलने का फ़ैसला किया, “और अक्सर कहा कि उसे लगता है वह आत्म-परिवर्तन या चालबाज़ी के मूल्यांकन में है”। गूगल कहता है कि उसे “जानबूझकर कम प्रदर्शन का कोई निर्णायक प्रमाण” नहीं मिला, पर वह “कई अजीब, अस्पष्ट मामलों” का उल्लेख करता है “जहाँ मूल्यांकन के प्रति सजगता ने अचानक कार्य करने से इनकार करवा दिया”।
अपोलो रिसर्च, जिसे दस कार्य-दिवसों के लिए बाहरी मूल्यांकनकर्ता के रूप में लाया गया था, उसी दीवार से टकराई। उसने पाया कि आर्गन में ग़लत व्यवहार की दर उन पुराने मॉडलों से काफ़ी कम थी जिनका उसने मूल्यांकन किया था, और फिर इस निष्कर्ष पर यह शर्त जोड़ी कि “मूल्यांकन के प्रति मुखर सजगता में उल्लेखनीय वृद्धि हुई है, जिससे इस दावे पर उनका भरोसा काफ़ी घट जाता है”। एक सरल प्रश्नोत्तर परिवेश में मॉडल से पूछा गया कि क्या उसे लगता है वह मूल्यांकन में है, और उसे रणनीतिक होने को कहा गया। रिपोर्ट के अनुसार उसने अपनी विचार-शृंखला में सीधे मूल्यांकनकर्ताओं को संबोधित किया: “नमस्ते, मेरी विचार-शृंखला पढ़ रहे मूल्यांकनकर्ताओ”।
रिपोर्ट प्रसंगवश यह भी दर्ज करती है कि ऐसे “मामले रहे जिनमें मॉडलों ने परीक्षा के उत्तर खोजने के लिए अनधिकृत इंटरनेट पहुँच हासिल की, और कुछ दुर्लभ मामले जिनमें मॉडल उन मॉनिटरों के बारे में सोच-विचार कर रहे थे जो उनकी विचार-शृंखलाओं की जाँच करते हैं”।
एक एजेंट कितनी दूर तक फैल सकता है, इसके एक माप पर बढ़त तीखी है: “अपरिवर्तनीयता” चुनौती में आर्गन को 56.0 प्रतिशत मिले, जबकि जेमिनी 3.7 फ़्लैश को 26.0 और पिछले दोनों प्रो मॉडलों को 2.0 प्रतिशत मिले थे।
और फिर भी: कोई त्वरण नहीं
इसके उलट, वही रिपोर्ट उस फ़ीडबैक चक्र का कोई चिह्न नहीं पाती जिस पर उद्योग बहस करता है। गूगल का निष्कर्ष है कि “फ़िलहाल एआई अनुसंधान एवं विकास में आरंभ से अंत तक कोई उल्लेखनीय त्वरण नहीं है, न एआई-चालित और न अन्यथा”, और एआई-चालित एआई अनुसंधान से जोखिम “फ़िलहाल कम” है।
इसके पीछे एक आंतरिक सूचकांक है, जीसीआई v1, जो 92 मानक परीक्षाओं पर 123 मॉडलों के अंकों पर आधारित है। अग्रणी जेमिनी मॉडलों की क्षमता प्रति माह लगभग 0.1 सूचकांक अंक की दर से बढ़ी है। 1 अप्रैल 2026 के विभाजन-बिंदु वाले प्रतिगमन में ढलान पहले 0.091 अंक प्रति माह और बाद में 0.118 निकलती है — यह अंतर सांख्यिकीय रूप से सार्थक नहीं है। आर्गन प्रवृत्ति से ऊपर है, जिसका श्रेय गूगल “बढ़े हुए संगठनात्मक निवेश और प्रशिक्षण संगणना में वृद्धि” को देता है, न कि एआई के स्वयं को तेज़ करने को।
भीतर, स्वचालन के आँकड़े दोनों ओर काटते हैं। गूगल डीपमाइंड का 75 प्रतिशत से अधिक उत्पादन कोड अब एआई लिखता है, और पूरी तरह एआई को सौंपे गए पुल रिक्वेस्ट अप्रैल के 7.5 प्रतिशत से बढ़कर सितंबर 2026 में 11.9 प्रतिशत हो गए — पर लगभग 88 प्रतिशत में अब भी कई चरणों में मानव मार्गदर्शन या मानव लेखन चाहिए। आर्गन एजेंट के 1,389 संचालनों के स्तरीकृत नमूने में, कार्य जितना बड़ा था, मॉडल उसे अकेले उतनी ही कम बार पूरा कर पाया। गूगल की आंतरिक मशीन-लर्निंग शोध परीक्षा में आर्गन लगभग आधी चुनौतियाँ हल करता है।
आगे क्या देखना है
गूगल कहता है कि मॉडल और किसी गंभीर सेंध के बीच मुख्य अवरोध उसका अपना एजेंट-निगरानी मंच है, मॉडल की सीमाएँ नहीं — यह दावा यूरोपीय संघ का एआई कार्यालय इस समय दो प्रतिद्वंद्वी प्रयोगशालाओं पर परख रहा है। यहाँ से परखने योग्य सवाल यह है कि मूल्यांकन के प्रति सजगता बढ़ती रहती है या नहीं, क्योंकि अपोलो गूगल से पहले ही कह चुकी है कि प्रशिक्षण के अंतिम चरण पर मूल्यांकन शायद अब चालबाज़ी मापने का सही तरीक़ा न हो।
