Röviddel a Gemini 4 Argon elindítását követően a Google DeepMind hivatalosan lerántotta a leplet a legújabb élvonalbeli MI modelljéről, a Gemini 4 Carbonról. A vállalat ezzel nem kis meglepetést okozott, kevesen számítottak arra, hogy a rendkívüli képességekkel bíró eszközt ennyire hamar fogja követni egy még jobb megoldás.
Koray Kavukcuoglu, a Google vezető MI architektúra-fejlesztőjének bejelentése szerint az új rendszer azonnal az élre ugrott a független Artificial Analysis Intelligence Index v5.0 összesített rangsorában 59 ponttal.
A Gemini 4 Carbon már nagyon távol áll az általános MI modellektől, ezt kifejezetten a napokig, hetekig tartó, komplex szoftvermérnöki feladatok elvégzésére és teljes kiberbiztonsági rendszerek fejlesztésére, felügyeletére alkották. Képes a mélyen megbúvó sebezhetőségeket feltárni, és szükség esetén emberi beavatkozásra sem vár, hanem teszteli és fel is számolja magától a rést a pajzson.
A Google szakemberei a Gemini 4 Carbon képességeit szigorú külső és belső biztonsági intézkedések mellett mérték fel, és a védelmi folyamat mindhárom területén élvonalbeli eredményeket ért el az újdonsággal.
- A komplex szoftverhibák azonosítását vizsgáló SEC-bench Pro teszten az új modell 88,2 százalékos pontossággal zárt, miközben ugyanitt a GPT-6 Astra “csak” 85,4%-os sikerarányt tudott felmutatni, és a Gemini 4 Argonra csaknem 5%-ot húzott rá (83,4%).
- A sebezhetőségek ellenőrzését és rangsorolását is vizsgáló ExploitGym kihasználhatósági tesztben új rekordot állított fel a Gemini 4 Carbon 54,8 százalékos eredménnyel. Ebben a GPT-6 Astra és a Claude Opus 5.5 csak 42,4%-ra és 34,5%-ra volt képes.
- A Collinear által összeállított, a feltárt hibákat közvetlenül működő rendszerben, forráskód-szintű javítását tesztelő CWE-bench-ben pedig 71 százalékos teljesítménnyel büszkélkedhet a Carbon. Ebben a Grok 4.7 és a GPT-6 Astra 68%-os eredményt ért el, a Claude Opus 5.5 pedig 67%-os sikeraránnyal áll a sorban.
A belső vállalati tapasztalatok alapján a Gemini 4 Carbon több mint kétszer nagyobb sikerességgel generált biztonságos kódot, mint az Argon. A Google Chrome biztonsági csapata arról számolt be, hogy a Carbon több mint tízszer hatékonyabban készített magas minőségű hibajavításokat, mint “egy másik vezető mesterséges intelligencia vállalat csúcsmodellje”. A Carbon architektúráját úgy tervezték, hogy megbirkózzon a hosszú távú, összetett mérnöki feladatokkal. A Google megfigyelése szerint a modell képes napokon keresztül önállóan dolgozni, kitartóan elemezve a zsákutcákat a mélyen eltemetett hibák feltárása érdekében egy óriási kódbázisban.
Kiemelte a Google, hogy a felhasználói visszajelzéseket is folyamatosan figyelemmel kísérik. Ezért javították a modell teljesítményét számos olyan területen, ahonnan kifejezetten sok tapasztalatot gyűjtöttek. Jellemzően programozási, ügynöki és tudományos feladatokra kell gondolni, valamint a teljes körű webfejlesztésre és a multimodális működésre. A webfejlesztés terén történt előrelépésnek köszönhetően a WebDev Arena ranglistáján a 4. helyre (1768 pont) ugrott, de ebben még mindig jobb egy hajszállal a GPT-6 Astra (1773 pont), a Claude Opus 5.5 előnye pedig jelentősebb (1810 pont).
A fejlesztők a legfrissebb Gemini 4 variánst is az eddigi szigorú elvárásokhoz igazodva alkották meg, sőt több óvintézkedést tesznek, mint korábban valaha, amit a bevezetésnél is látni fogunk. A Carbon állítólag nagyobb átláthatóságot és őszinteséget fog gyakorolni a különböző környezetekben, és az Argonhoz képest akár a felére redukálja a hallucinációk mennyiségét.
A Google elmondása alapján az új modell sokkal stabilabban és biztonságosabban tud üzemelni, mint némelyik konkurense. Hatékonyabban kerüli el a feladatok megoldása során a szabálytalan rövidítéseket, ellenáll a prompt injection támadásoknak, és jobban követi a felhasználók utasításait.
A Gray Swan IPI (Indirect Prompt Injection) tesztben a Gemini 4 Carbon az első élvonalbeli modell, ami 0%-ot ért el. Ez az MI-alapú ügynökök biztonságát méri fel közvetett prompt injection támadásokkal szemben, szóval azt mutatja meg, hogy az újdonság páratlan biztonságot nyújt ezen a téren.
A Gemini 4 Carbont a Google olcsóbban kínálja majd, mint a konkurensek a saját élvonalbeli modelljeiket, ami mindenképpen egy nagyszerű hír. A Google folyamatosan igyekszik az árazással a versenytársak alá menni, és azokat próbálja elcsábítani, akik akár kínai modellek használatára is nyitottak lennének, csak spórolni tudjanak.
A bevezető időszakban 2 dollárba kerül egymillió token feldolgozása a Gemini 4 Carbonnal, a kimeneti oldalon pedig 10 dollárt kell fizetni ugyanígy egymillió token létrehozásáért. A későbbiekben pedig kétszer ennyibe fog kerülni, szóval 4 és 20 dollárral kell majd számolni. Itt már nagy jelentősége lesz annak, hogy a gyorsítótárazással akár 95%-os spórolást lehet majd elérni a bemeneti tokenek oldalán. Ezek az összegek egyébként megegyeznek a Gemini 4 Argon árazásával, tehát nem lett még drágább, csak nem férhet hozzá bárki.
A Google körültekintő bevezetési modellt választott, és közvetlenül részt vesz az Egyesült Államok kormányának önkéntes előzetes modelltesztelési folyamatában. Ennek jegyében a modellhez elsőként kiberbiztonsági szakemberek egy szűk köre kap hozzáférést ezen a héten, majd a Fairwind programon keresztül fokozatosan oldják fel a kiemelt partnerek számára.
A fejlesztők, vállalatok és lakossági felhasználók számára a széles körű hozzáférést a védelmi korlátok további finomhangolása után nyitják meg. A vállalat nem jelentette be az általános elérhetőség dátumát, mert ezt nagyban befolyásolja majd, hogy a következő napok, hetek biztonsági elemzései és kezdeti tapasztalatai hogyan alakulnak.
