Gemini 4 Carbon na szczycie Artificial Analysis. Dwa tygodnie po Argonie, ale na razie tylko dla ekspertów od cyberbezpieczeństwa
Google DeepMind przedstawiło Gemini 4 Carbon, nowy model frontierowy, który pojawia się dwa tygodnie po Gemini 4 Argon. Firma pisze wprost, że Carbon pokazuje tempo, w jakim przesuwa granicę możliwości. Według Artificial Analysis model zajmuje pierwsze miejsce w niedawno zaktualizowanym Intelligence Index v5 z wynikiem 59 punktów. Argon ma 50.
Carbon był już znany z grubsza: w październiku pisaliśmy, że pod nazwą Carbon na LMArenie testowano checkpoint Google. Pierwsze opinie wskazywały na lepszą grafikę 3D, ale też wolniejsze działanie i słaby frontend. Oficjalna premiera opisuje model inaczej: jako narzędzie do „znacznie trudniejszych, długohoryzontowych problemów inżynieryjnych”.
Wielodniowa praca bez nadzoru
Google twierdzi, że wewnętrzne zespoły uruchamiały Carbona na kilka dni z rzędu. Model miał sam wychodzić ze ślepych uliczek i rozwiązywać wieloetapowe zadania, takie jak analiza przyczyn błędów czy subtelne poprawki w dużych bazach kodu i oprogramowaniu niskopoziomowym. To deklaracje producenta, niezależnie niepotwierdzone.
W agentowym kodowaniu na platformie Antigravity Carbon skoczył z 53 do 59 punktów. Nadal jednak o trzy punkty ustępuje Claude Code z Opus 5.5 (62). W rankingu WebDev Arena model zyskał 89 punktów Elo względem Argona i jest czwarty z wynikiem około 1770, tuż za Claude Sonnet 5.5. W Agent Arena Carbon jest drugi (+16,2 proc. netto) za Claude Opus 5.5 (+21,1 proc.), a przed GPT-6 Astra (+13,4 proc.). Mediana kosztu zadania wynosi tam 1,80 dolara, czyli o 72 proc. mniej niż u lidera.
W zadaniach wiedzy agentowej na AA-Briefcase Carbon (high) zyskał 126 punktów Elo i osiągnął 1609. Przed nim wciąż są Kimi K3.1 Pro (1678), Muse Wonder (1659) i Grok 4.7 (1638). Poprawiła się dokładność odpowiedzi (z 48 do 58 proc.), ale wzrósł też odsetek halucynacji: z 4 do 11 proc. To nadal drugi najniższy wynik w zestawieniu. Claude Opus 5.5 i GPT-6 Astra mają po 50 proc.
Według Vals AI Carbon jest drugi w Vals Index v2.2 (70,36 proc.), między Claude Sonnet 5.5 (70,85) a Claude Opus 5.5 (70,18). Prowadzi w Finance Index i w Legal Research. Cena tego wyniku to czas: zadania w Finance and Tax Agent trwają ponad dwa razy dłużej niż u Argona, a w Legal Research średnio ponad 50 minut. Model generuje 2,3 raza więcej tokenów rozumowania i o 64 proc. więcej tokenów wyjściowych niż Argon. Wciąż jednak mniej niż połowę tego, co Sonnet 5.5 i Opus 5.5.
Cena bez zmian
Promocyjna cena wynosi 2 dolary za milion tokenów wejściowych i 10 dolarów za milion wyjściowych, tak jak w Argonie. Artificial Analysis liczy koszty według cennika standardowego (4 i 20 dolarów) i pomija obecną 50-procentową zniżkę. W jego indeksie zadanie kosztuje średnio 7,76 dolara, czyli niemal tyle co w Argonie (7,68), około 23 proc. mniej niż w Claude Opus 5.5 (10,04) i ok. 1,2 raza więcej niż w GPT-6 Astra (6,25). Carbon zużywa średnio 123 tys. tokenów wyjściowych na zadanie, o 29 proc. mniej niż model Anthropic.
Cyberbezpieczeństwo i ograniczony dostęp
Google podkreśla zdolności obejmujące cały cykl obrony: wykrywanie i weryfikację podatności oraz ich łatanie. W części testów model uruchomiono bez zabezpieczeń. Na SEC-bench Pro, który mierzy autonomiczne odnajdywanie luk w prawdziwym oprogramowaniu, Carbon uzyskał 88,2 proc. i prowadzi wśród testowanych modeli. Na ExploitGym, sprawdzającym zamianę znalezionych luk w działające exploity, osiągnął 54,8 proc. Wyraźnie prowadzi też w pisaniu poprawek w CWE-Bench.
Google przytacza także wyniki wewnętrzne, których nie da się zweryfikować. Carbon ma ponad dwa razy częściej niż Argon pisać bezpieczny kod, a w testach zespołu Chrome pisać łatki bezpieczeństwa ponad dziesięć razy lepiej niż model nienazwanego konkurenta.
W teście odporności na pośrednie prompt injection od Gray Swan wskaźnik skutecznych ataków spadł z 0,7 proc. u Argona do 0,0 proc. (o wcześniejszym wyniku Argona pisaliśmy w październiku). Jak zauważa The Decoder, nie znaczy to, że problem rozwiązano. Test wygląda raczej na nasycony.
Z powodu tych zdolności Carbon przechodzi dobrowolny proces przedpremierowych testów rządu USA. W tym tygodniu dostęp dostaje wąska grupa obrońców, a Google zapowiada stopniowe rozszerzanie go na zaufanych partnerów w ramach programu Fairwind. Deweloperzy, firmy i użytkownicy indywidualni dostaną model później, po zebraniu opinii i dostrojeniu zabezpieczeń. Publiczne wyniki dotyczą więc narzędzia, z którego większość czytelników na razie nie skorzysta. Szczegóły premiery opisał też The Decoder.
