Тесты подтверждают: агентная модель Gemini Spark выполняет демонстрированные функции — это снижает риск для Apple

Агентная модель Gemini Spark в реальных проверках выполнила ряд функций, которые Google демонстрировала на майском I/O, и это уменьшает технологический риск для планов Apple по использованию той же архитектуры в новой Siri и Apple Intelligence. Испытания показали, что модель способна действовать через облачные сервисы и обрабатывать персональные данные в практических сценариях — важный шаг от идеального демо к повседневному использованию.

В одном из наглядных экспериментов журналист Джей Питерс попросил Spark составить письмо с расчётом средней ежемесячной траты на продукты за 2026 год. Модель обнаружила адрес жены автора, нашла нужную таблицу в Google Drive даже без явного слова «budget» в названии, извлекла ежемесячные значения — включая неполные данные за май — рассчитала среднее и создала черновик письма в Gmail с персонализированным обращением и привычным знакомым прощанием. Этот сценарий иллюстрирует способность агента не только читать и агрегировать данные, но и инициировать реальные действия от имени пользователя.

Google ранее показывала аналогичные возможности на сцене I/O в формате живых демонстраций; проведённые вне лаборатории примеры ближе к реальным условиям, но между специально подготовленным показом и случайными пользовательскими сценариями остаётся разрыв. Для Apple ключевое значение имеет то, что Gemini Spark — та же модель, которую компания намерена использовать для обновлённой Siri и Apple Intelligence: успешные полевые проверки говорят о принципиальной выполнимости обещанных функций и увеличивают шансы на их реализацию для конечных пользователей.

Независимые проверки при этом содержат важные оговорки. Питерс охарактеризовал результаты как впечатляющие и «потрясающие», но отметил и недостатки: модель демонстрирует ошибки в надёжности, сложности с поиском релевантных данных в неструктурированных хранилищах и затруднения при работе с частичными или динамическими наборами данных в реальных условиях. Эти ограничения подчёркивают необходимость дополнительной инженерной работы прежде, чем подобные возможности можно будет масштабировать. Практические выводы для разработчиков и производителей очевидны: агентные модели уже способны взаимодействовать с облачными сервисами (Drive, Gmail), извлекать и агрегировать персональные данные и предпринимать действия от имени пользователя, что ускорит интеграцию таких функций в экосистемы. Одновременно это повышает требования к тестированию, контролю доступа и оценке реальных ограничений при масштабировании на массовую аудиторию.