A Gemini 4 Argon vezeti a Roboflow látásbenchmarkját

2026. október 15. 15:59Forrás: Roboflow

A Gemini 4 Argon a Roboflow új értékelésében az összesített látásbenchmark első helyére került. A modell objektumfelismerésben, szegmentálásban és három OCR-feladatban is jól teljesített.

A lényeg röviden

A Gemini 4 Argon a Roboflow összesített látásbenchmarkjának élére került.
Objektumfelismerésben 82,5 és 85,1 százalékos mAP@50 eredményt ért el.
JSON-adatok kinyerésében 92,6, illetve 94,8 százalékot szerzett.
Szöveghely-meghatározás és felismerés terén 81,6 és 84,7 százalékot ért el.
A teszt videókockákon történő játékos-azonosítást is vizsgált.

Az objektumfelismerésben mindkét beállításnál első lett

A Roboflow 2026. október 15-én közzétett elemzése szerint a Gemini korábbi modelljei hosszú ideig erősek voltak a képi felismerési és szöveges benchmarkokon, az utóbbi időszakban azonban a GPT-6 Astra, az Anthropic és a Qwen modelljei előrébb kerültek. A Gemini 4 Argon megjelenésével a Google modellje ismét az összesített lista élére állt.

A szöveges utasításokkal végzett objektumfelismerési tesztben az Argon alacsony gondolkodási erőfeszítésnél 82,5 százalékos, magas beállításnál pedig 85,1 százalékos mAP@50 eredményt ért el. A Roboflow szerint ez mindkét beállításnál megelőzte a GPT-6 Astrát, és több mint 10 százalékponttal javította a korábbi legjobb Gemini-eredményt.

A tesztek között szerepelt többek között banánfák, üdítőspalack-kupakok és burgonyák felismerése. A Roboflow box promptingot is vizsgált, amelynél a felhasználó egy példadobozzal mutatja meg, milyen tárgyakat kell megtalálni. Pozitív és negatív példák is megadhatók, sőt egy képen bemutatott tárgyat egy másik képen is meg lehet keresni.

Szegmentálásban a nyelvi megértés lehet az előny

A szegmentálási feladatoknál a modellnek poligonként kell megadnia az objektumok határvonalát. Ez különösen összetett lehet olyan tárgyaknál, amelyekben lyukak vagy egymástól elválasztott részek vannak. A Roboflow példái között répák között elhelyezett idegen tárgyak, csavarok és alátétek, valamint csomagok szerepeltek.

A vállalat összehasonlította az Argont a szöveges utasításokkal használt SAM 3-mal is. A forrás szerint a SAM 3 jóval gyorsabb, ugyanakkor korlátot jelenthet számára az összetett szöveges leírások értelmezése. Az Argon erősebb nyelvi megértése akkor lehet hasznos, amikor a szegmentálandó tárgyat nem egyszerű osztálynévvel kell megadni.

OCR-ben több kategóriában is vezet az Argon

Az egyetlen szövegrészlet kinyerésében a Gemini 4 Argon magas erőfeszítésű beállításban 80,0 százalékot ért el, szemben a korábbi legjobb Gemini-modell 71,7 százalékával. A Roboflow példái között egy fejjel lefelé álló digitális mérleg és egy fémbe gravírozott kód szerepelt. A kis, elmosódott vagy nehezen olvasható szöveg, illetve az olyan feladatok, amelyeknél több mérőóra- vagy tárcsaértéket kell összevonni, továbbra is problémát okozhatnak.

JSON-adatok kinyerésében az Argon alacsony erőfeszítésnél 92,6, magas erőfeszítésnél pedig 94,8 százalékot ért el. A különbség itt kisebb volt a legerősebb modellek között, mivel a korábbi Gemini-modellek is pontosan teljesítettek. A kézzel írt csekkek és gyógyszertári számlák feldolgozása ugyanakkor hibás maradt.

A szöveg helyének meghatározását és felismerését egyesítő feladatban az Argon 81,6, illetve 84,7 százalékot szerzett az alacsony és magas beállításnál. Ez a Roboflow szerint műszaki rajzok, térképek és eltérő irányokban elhelyezett szövegek feldolgozásánál lehet hasznos.

A Roboflow a modellt videós felhasználási esetre is tesztelte: két kosárlabdás képkockán kellett azonosítania ugyanazokat a játékosokat, és következetes azonosítókat rendelnie hozzájuk. Az elemzés a Gemini 4 Argon képi értelmezési képességeit az objektumok megtalálásán túl az időben egymást követő jelenetek összevetésében is vizsgálja.