Pangram, Gemini 4 Argon’u tespit edebilir mi?

Gemini 4 Argon, 13 Ekim 2026 tarihinde piyasaya sürülen Google’ın en yeni yapay zeka modelidir. Google, Gemini 4 Argon’un sohbetten ziyade karmaşık, çok aşamalı görevler için geliştirildiğini ve önceki modellere kıyasla daha yalın bir üslupla yazdığını ve daha az belirsiz ifadeler kullandığını belirtiyor.

Bu yazım stili değişiklikleriyle Pangram bunu hâlâ tespit edebiliyor mu? Pangram 4.1’in performansını 2.341 örnek komut üzerinde test ettik ve Pangram 4.1’in 16 Gemini 4 Argon çıktısını “insan tarafından üretilmiş”, 7’sini “karışık” ve 2.318’ini “tamamen yapay zeka tarafından üretilmiş” olarak sınıflandırdığını gördük; böylece Gemini 4 Argon üzerinde %99,02’lik bir doğruluk oranına ulaştı.

Karşılaştırma setini oluşturmak için, LMSYS-Chat-1M veri setinden (Zheng ve ark., 2023) 1.200 adet ilk tur komut kullanıldı. Ardından bu komutları Gemini 4 Argon’a orta ve yüksek akıl yürütme seviyelerinde verdik ve çıktıyı Pangram 4.1 üzerinden işledik.

Kategorilere göre sonuçlar

Genel olarak, Gemini 4 Argon’un yüksek düzeyde akıl yürütme testinde 1.174 yanıt üzerinden %1,28’lik bir yanlış negatif oranı, orta düzeyde akıl yürütme testinde ise 1.167 yanıt üzerinden %0,69’luk bir yanlış negatif oranı kaydedildi. Genel olarak, orta ve yüksek düzeyde akıl yürütme testleri arasında tespit oranında istatistiksel olarak anlamlı bir fark gözlenmedi (p=0,21).

İleri düzey muhakeme

Gemini 4 Argon’un “yüksek akıl yürütme” ayarına getirildiği durumda, Pangram 4.1 11 yanıtı “insan” olarak, 4 yanıtı “karışık” olarak ve 1.159 yanıtı “tamamen yapay zeka” olarak sınıflandırdı ve %98,72’lik bir geri çağırma oranı elde etti.

Orta düzeyde akıl yürütme

Reasoning'de Pangram 4.1, 5 yanıtı “insan” olarak, 3 yanıtı “karışık” olarak ve 1.159 yanıtı “tamamen yapay zeka” olarak sınıflandırarak %99,31’lik bir geri çağırma oranı elde etti.

Gemini 4 Argon nasıl yazıyor?

Google, Gemini 4 Argon’un daha az dolaylı ifade kullandığını ve daha doğrudan konuştuğunu öne sürüyor. Bunu kabaca test etmek için, Hyland (2005) kaynaklı 101 dolaylı ifade kelimesinden oluşan bir kümeye baktık ve bu kelimelerin kullanım sıklığını Haiku (1.000 kelime başına 7,0) ve GPT-6.1 Sol (1.000 kelime başına 7,5) ile karşılaştırdık.

Aşağıda kullandığımız “hedge” kelimelerinin listesi yer almaktadır:

hakkında, neredeyse, görünüşe göre, görünüşe göre, görünmek, göründü, görünüyor, yaklaşık olarak, iddia etmek, iddia etti, iddia ediyor, civarında, varsaymak, varsaydı, genel olarak, belirli bir miktar, belirli bir ölçüde, belirli bir düzeyde, iddia etmek, iddia etti, iddia ediyor, yapabilir, yapamaz, şüphe, şüpheli, esasen, tahmin etmek, tahmin etti, oldukça, hissetmek, hissediyor, hissetti, sık sık, benim bakış açımdan, bizim bakış açımızdan, bu bakış açından, genel olarak, tahmin etmek, işaret etmek, işaret etti, işaret ediyor, genel olarak, çoğu durumda, çoğu örnekte, benim görüşüme göre, benim bakış açıma göre, bu bakış açısına göre, bizim görüşümüze göre, bizim bakış açımıza göre, büyük ölçüde, muhtemelen, esas olarak, olabilir, belki, çoğunlukla, sık sık, genel olarak, gerek, belki de, makul, makul bir şekilde, mümkün, muhtemelen, varsaymak, varsaydı, varsayıyor, muhtemel, muhtemelen, olası, oldukça, daha çok x, nispeten, kabaca, öyle görünüyor, olmalı, bazen, biraz, ima etmek, ima etti, ima ediyor, varsaymak, varsayılmış, varsayıyor, şüphelenmek, şüpheleniyor, eğilim göstermek, eğilim gösteriyordu, eğilim gösteriyor, bildiğim kadarıyla, tipik, tipik olarak, belirsiz, belirsiz bir şekilde, net değil, net olmayan bir şekilde, olası değil, genellikle, olurdu, olmazdı

Gemini 4 Argon, 1.000 kelime başına ölçüldüğünde Haiku’dan %51, Sol’dan ise %54 daha az belirsizlik ifadesi kullandı. İlginçtir ki, modeller genel olarak insanlara kıyasla belirsizlik ifadelerini çok daha sık kullanma eğiliminde olsalar da, bu kelime listesi Pangram 4.1 tarafından tamamen insan tarafından yazılmış olarak algılandı. Eğlencesine, ChatGPT'den bu listeyi istediği sırayla yeniden düzenlemesini de istedim ve o liste de tamamen insan tarafından yazılmış olarak algılandı.

Gemini 4 Argon, bu üç model arasında en uzun yanıtları verdi; medyan değeri 447 kelimeydi (orta düzey akıl yürütme: 418 kelime, yüksek düzey akıl yürütme: 447 kelime), buna karşılık Haiku’da bu rakam 371, Sol’da ise 313 idi. Gemini ayrıca, 2.400 isteğin tamamında 31 soruyu yanıtlamayı reddetti; buna ek olarak Google’ın filtresi tarafından engellenen 3 istek de vardı. Haiku’da bu sayı 35, Sol’da ise 23 idi.

Daha önceki karşılaştırma testleri

Pangram, doğal dil komutlarında Gemini 4 Argon’a karşı dayanıklıdır ve yüksek akıl yürütme seviyesinde %98,72’lik gözlemlenen doğruluk oranıyla bunu tespit eder. Orta akıl yürütme seviyesinde ise %99,31’lik gözlemlenen doğruluk oranıyla Gemini 4 Argon’u tespit eder; her iki ayarda toplamda 2.341 denemenin 2.318’inde (%99,02) başarılı olur. Pangram, yeni modellere genelleme yapabilmektedir; çünkü yeni model sürümleri genellikle öncekilerin stil ve ses özelliklerinin çoğunu miras alır. Bu nedenle Pangram’ın her yeni sürüm için yeniden eğitilmesine gerek yoktur.

Gemini 4 Argon’un, diğer yeni nesil modellerle ilgili karşılaştırma testlerimize göre nasıl bir performans sergilediğini aşağıda görebilirsiniz:

Belirli bir belgeyi kontrol etmek istiyorsanız, buradan Pangram’ı deneyebilirsiniz.