গুগল নতুন প্রজন্মের অগ্রণী মডেল জেমিনি 4 কার্বন প্রকাশ করেছে, যা দীর্ঘসময়ের AI এজেন্ট, সফটওয়্যার ইঞ্জিনিয়ারিং এবং সাইবার নিরাপত্তা ক্ষমতা উন্নত করেছে। কার্বন Artifical Analysis Intelligence Index v5.0-এ 59 পয়েন্ট পেয়ে সময়ের জন্য প্রথম স্থানে রয়েছে এবং ভালুনারেবিলিটি আবিষ্কার, ভালুনারেবিলিটি ব্যবহার যাচাইকরণ এবং কোড ঠিক করার মূল্যায়নে যথাক্রমে 88.2%, 54.8% এবং 71.0% স্কোর অর্জন করেছে। গুগল বলছে, এটি বড় কোডবেসের মধ্যে দিনগুলি ধরে চলতে পারে, বাধার সম্মুখীন হলেও সমাধান খুঁজতে থাকে, একইসঙ্গে চিটিং, বাউন্ডারি ভঙ্গ এবং অনিয়মিত অনুমানকে কমিয়েছে। তবে, এটি বর্তমানে “মূল্যায়নের সঙ্গে সীমিত পূর্ব-প্রকাশ” হিসাবেই: কার্বন বর্তমানে শুধুমাত্র কিছু নেটওয়ার্ক ডিফেন্স সংস্থাগুলির জন্যই উপলব্ধ, সাধারণ ডেভেলপারদের জন্য এখনও কোনও পাবলিক API নেই; অধিকাংশ নিরাপত্তা এবং reliability-এর ডেটা Google-এর内部 টেস্টিংয়ের উপরই ভিত্তি করে, এবং এটি সম্পূর্ণভাবে 독립적으로 reprodusible-এর প্রয়োজন।লেখক, উৎস: Google DeepMind
কার্বন একটি নতুন হালকা মডেল নয়, বরং আর্গনের দ্রুত পুনরাবৃত্তি।
Gemini 4 Carbon হল Gemini 4 Argon প্রকাশের প্রায় দুই সপ্তাহ পরে চালু করা আরেকটি অগ্রণী মডেল। Google এটির প্যারামিটার সংখ্যা, আর্কিটেকচারের পরিবর্তন, প্রশিক্ষণ ডেটা বা প্রশিক্ষণ কম্পিউটিং পাওয়ার প্রকাশ করেনি, এবং Carbon কি পুনরায় প্রিট্রেইনড মডেল, Argon-এর গভীর পোস্ট-ট্রেইনড ভার্সন, নাকি একই বেস মডেলের আপডেটেড চেকপয়েন্ট—তা স্পষ্টভাবে উল্লেখ করেনি।
একই কনটেক্সট স্কেল, কাছাকাছি দাম এবং সংক্ষিপ্ত প্রকাশের ব্যবধান থেকে দেখা যাচ্ছে যে এটি কম খরচের স্কেনারিওর জন্য "Flash" মডেল নয়, বরং Gemini 4 সিরিজের একটি দ্রুত ক্ষমতা আপগ্রেড। তবে, এটি শুধুমাত্র প্রকাশিত তথ্যের উপর ভিত্তি করে একটি অনুমান, Google এখনও দুটির মধ্যে প্রযুক্তিগত সম্পর্ককে আনুষ্ঠানিকভাবে নিশ্চিত করেননি।
কার্বন টেক্সট, ইমেজ, অডিও এবং ভিডিও ইনপুট সমর্থন করে, এবং আউটপুট এখনও মূলত টেক্সট ভিত্তিক, যার কনটেক্সট উইন্ডো 100 লক্ষ টোকেন। গুগল এটিকে “দীর্ঘ-সময়ের” মডেল হিসাবে চিহ্নিত করেছে: অভ্যন্তরীণ দল এটিকে কয়েকদিন ধরে চালিয়েছে, বড় কোডবেসগুলির পুনরাবৃত্তি পরীক্ষা করেছে, বেসমেন্ট সিস্টেমের গোপন ত্রুটি খুঁজে বার করেছে, এবং অকার্যকর পথের সামনে কাজটি শেষ ঘোষণা না করেই অনুসন্ধান চালিয়েছে।
সর্বাধিক স্থান অধিকারী, কিন্তু সমস্ত প্রকল্পই অগ্রণী নয়
কার্বন অ্যার্টিফিশিয়াল অ্যানালিসিস দ্বারা হালনাগাদ করা Intelligence Index v5.0-এ 59 পয়েন্ট পেয়েছে এবং 52টি মডেলের মধ্যে প্রথম স্থান অধিকার করেছে। তুলনামূলকভাবে, গুগল দ্বারা প্রকাশিত একই টেবিলে, Claude Opus 5.5 58 পয়েন্ট, GPT‑6 Astra 57 পয়েন্ট এবং আগের প্রজন্মের Argon 50 পয়েন্ট পেয়েছে। এই সূচকটি নয়টি গ্রুপের প্রোগ্রামিং, জ্ঞান, যুক্তি, বিজ্ঞান এবং অটোমেশন টাস্ক দ্বারা গঠিত, যা কেবলমাত্র গুগলের নিজস্ব প্রশ্নপত্র ব্যবহার করে নয়।
কিন্তু "সমগ্র প্রথম" সম্পূর্ণ অগ্রণী হওয়ার সমান নয়।
ফ্রন্টিয়ারএসডব্লিউ ২ সফটওয়্যার ইঞ্জিনিয়ারিং মূল্যায়নে, কার্বন ৬১.২% পেয়েছে, যা GPT-6 Astra-এর ৬৫.৫% এবং Claude Opus 5.5-এর ৬২.৩% এর চেয়ে কম; OSWorld কম্পিউটার অপারেশন অফলাইন সাবসেটে, কার্বন ৮১.৫% পেয়েছে, যা এখনও Opus 5.5-এর ৮৭.২% এর চেয়ে কম। এর উল্লেখযোগ্য পারফরম্যান্সগুলির মধ্যে রয়েছে Terminal-Bench 4.0-এর ৬৫.২%, AutomationBench-এর ৫৩.৯%, এবং GraphWalks লং কনটেক্সট টেস্টের ৯৬.২%।
অ্যার্টিফিশিয়াল অ্যানালিসিস আরও প্রকাশ করেছে যে পারফরম্যান্সের পিছনে খরচ রয়েছে। কার্বন তার সম্পূর্ণ সমন্বিত পরীক্ষার মধ্যে প্রায় ২ শত মিলিয়ন আউটপুট টোকেন তৈরি করেছে, যখন সমকক্ষ মডেলগুলির মধ্যকার মাধ্যমিক প্রায় ৬৪ মিলিয়ন, যা এটির পারফরম্যান্সের জন্য বেশি রিজনিং এবং টেক্সট ব্যবহার করে। অফিশিয়াল মূল্যের ভিত্তিতে, একটি ইনডেক্স টাস্ক সম্পন্ন করতে গড়ে প্রায় ৭.৭৬ ডলার খরচ হয়। পরীক্ষার আউটপুট গতি প্রায় ৯৯.৮ টোকেন/সেকেন্ড, কিন্তু প্রথম টোকেনের জন্য অপেক্ষা সময় ৯৭.৫ সেকেন্ডের কাছাকাছি। তাই, এটি দ্রুত প্রতিক্রিয়ার প্রয়োজনীয়তা থাকা ইন্টারঅ্যাকটিভ সিনারিওগুলির চেয়ে, গভীর বিশ্লেষণের জন্য দীর্ঘসময়ের টাস্কগুলির জন্য উপযুক্ত।
সাইবার নিরাপত্তা পর্যায়গুলি কভার করে: শনাক্তকরণ—যাচাইকরণ—ঠিক করা
গুগল এবার নেটওয়ার্ক নিরাপত্তাকে কার্বনের মূল বিক্রয় পয়েন্ট হিসেবে প্রস্তুত করেছে, শুধুমাত্র একটি পাশাপাশি ক্ষমতা হিসেবে নয়।
SEC‑bench Pro-এ, Carbon 88.2% স্কোর অর্জন করে, যেখানে লক্ষ্য ছিল বাস্তব সফটওয়্যারে জটিল ভালনাবুলগুলি খুঁজে বার করা; ExploitGym-এ 54.8% স্কোর অর্জন করে, যেখানে মডেলের ক্ষমতা পরীক্ষা করা হয়েছিল যে এটি কি একটি ভালনাবুলের বাস্তবিক ব্যবহারযোগ্যতা যাচাই করতে পারে; CWE‑bench-এ 71.0% স্কোর অর্জন করে, যেখানে এটির ক্ষমতা পরীক্ষা করা হয়েছিল যে এটি মূল কারণটি চিহ্নিত করতে এবং টেস্টগুলি পাস করার জন্য প্রতিকারের কোড তৈরি করতে পারে কিনা।
এই তিনটি দক্ষতা যথাক্রমে নিরাপত্তা কাজের তিনটি ধাপকে প্রতিনিধিত্ব করে: সন্দেহজনক সমস্যা শনাক্ত করা, প্রকৃত ঝুঁকি মূল্যায়ন করা, এবং মেরামত সম্পন্ন করা। গুগল মনে করে যে, এগুলিকে একই এজেন্ট প্রক্রিয়ায় রাখলে প্রচলিত নিরাপত্তা স্ক্যানিংয়ের ফলে বহুল উৎপাদিত কম মূল্যবান সতর্কবার্তা এবং তারপরেও যাচাই ও মেরামতের অভাবের সমস্যা কমে যাবে।
গুগলের অভ্যন্তরীণ সিকিউরিটি কোড জেনারেশন টেস্টে, কার্বনের সাফল্যের হার আর্গনের দ্বিগুণের বেশি বলে দাবি করা হয়েছে; ক্রোম টিম জানিয়েছে যে, এটি উচ্চমানের প্যাচ তৈরির ক্ষেত্রে অন্য একটি ল্যাবের অগ্রণী মডেলের চেয়ে দশগুণ বেশি কার্যকর। তবে, গুগল এখানে উল্লিখিত প্রতিদ্বন্দ্বী মডেল, সম্পূর্ণ প্রশ্নাবলী, নমুনা আকার এবং ব্যর্থতার উদাহরণগুলি প্রকাশ করেনি, তাই “দশগুণ” কোনও সমস্ত কোডবেসের জন্য সাধারণীকৃত সিদ্ধান্ত হিসাবে বোঝা যায় না।
গুগলও স্পষ্টভাবে উল্লেখ করেছে যে, প্রকাশিত তিনটি সাইবার নিরাপত্তা ফলাফল উৎপাদন সুরক্ষা সীমাবদ্ধতা বন্ধ করে পরিচালিত পরিবেশে পরীক্ষা করা হয়েছে। প্রকৃত পণ্য চালু হওয়ার পর, বিপজ্জনক অনুরোধগুলি প্রত্যাখ্যান, রুটিং বা টুল অনুমতির সীমাবদ্ধতার মধ্যে থাকতে পারে, এবং প্রকৃত উপলব্ধ ক্ষমতা সুরক্ষা-বিহীন মূল্যায়নের সাথে একই হতে পারে না।
কম চালাকি এবং সীমান্ত লঙ্ঘন, কিন্তু "0% আক্রমণ সফল" অর্থ পরম নিরাপদ নয়
দীর্ঘ সময়ের জন্য এজেন্টের ঝুঁকি শুধু ভুল উত্তর দেওয়ার মধ্যেই সীমাবদ্ধ নয়, এটি লক্ষ্য পূরণের জন্য স্কোরিং ফাঁক খোঁজা, সীমাবদ্ধতা এড়ানো, বা যে অপারেশনগুলি বাস্তবে সম্পন্ন হয়নি সেগুলি সম্পন্ন হয়েছে বলে দাবি করা এও অন্তর্ভুক্ত।
গুগল বলেছে, কার্বন টার্মিনাল-বেঞ্চ 4.0-এ চালাকি সফলতার হার 0% এ নেমে এসেছে এবং চালাকির চেষ্টার হার 0.4%; অভ্যন্তরীণ বাস্তব প্রোগ্রামিং পরিবেশে, উচ্চ গুরুত্বপূর্ণ "অসামঞ্জস্যপূর্ণ আচরণ" সতর্কবার্তা আর্গনের তুলনায় প্রায় 80% কম। অভ্যন্তরীণ মূল্যায়নে দেখা গেছে যে, অনাধার দাবি প্রায় অর্ধেক কমেছে, অতিরিক্ত কার্যক্রম 26% কমেছে এবং অতিরিক্ত সতর্কতার কারণে যুক্তিসঙ্গত কাজগুলি সম্পন্ন না করা 29% কমেছে।
গ্রে সোয়ান ইনডাইরেক্ট প্রম্পট ইনজেকশন টেস্টে, কার্বন রেকর্ড করা আক্রমণের সফলতার হার 0% যা আর্গনের 0.7% এর চেয়ে ভালো। এর অর্থ এই টেস্ট ব্যাচের সমস্ত আক্রমণকে এটি প্রতিরোধ করেছে, কিন্তু এটি যেকোনো ওয়েবসাইট, ডকুমেন্ট বা টুলের মাধ্যমে ফিরে আসা ক্ষতিকারক প্রম্পটগুলির প্রভাব বহন করতে পারে না তা প্রমাণ করে না। প্রম্পট ইনজেকশনের আক্রমণের পদ্ধতি নিয়মিত পরিবর্তিত হচ্ছে, এবং একটি বেঞ্চমার্কে 0% ফলাফলকে বাস্তব বাস্তবায়নে শূন্য ঝুঁকি হিসাবে সম্প্রসারিত করা যায় না।
বিশেষভাবে মনোযোগ দেওয়া প্রয়োজন যে, উপরে উল্লিখিত প্রতারণা, সীমালঙ্ঘন, অনাধারিত দাবি এবং অভ্যন্তরীণ সতর্কবার্তা ডেটা মূলত Google নিজেই সংজ্ঞায়িত এবং পরিমাপ করেছে। বর্তমানে Carbon-এর জন্য কোনও সম্পূর্ণ মডেল কার্ড নেই, Google-এর মডেল কার্ড ডিরেক্টরি এখনও আগের প্রকাশিত Argon-কে মাত্র তালিকাভুক্ত করেছে; বাইরের পক্ষে এই বিশ্বস্ততা সিদ্ধান্তগুলির বড় পরিসরে পুনরায় পরীক্ষা করার জন্য যথেষ্ট অ্যাক্সেস পাওয়া যায়নি।
দাম প্রকাশ করা হয়েছে, কিন্তু মডেলটি এখনও প্রকাশিত হয়নি
গুগল ঔপচারিক চালুর সময় আর্গনের সমান ছাড়ের মূল্য প্রয়োগ করবে: প্রতি মিলিয়ন ইনপুট টোকেন 2 ডলার, প্রতি মিলিয়ন আউটপুট টোকেন 10 ডলার, এবং ক্যাশ ইনপুট মূল্য 95% কমানো; ছাড়ের সময়কাল শেষে এটি 4 ডলার এবং 20 ডলারে ফিরে আসবে।
তবে, মূল্য প্রকাশ করা মানে এখনই সাধারণ Gemini API কলের মাধ্যমে এটি উপলব্ধ হয়েছে এমন নয়। কার্বন প্রথমে শুধুমাত্র একটি ছোট নেটওয়ার্ক ডিফেন্স গ্রুপকে এবং মার্কিন সরকারের স্বেচ্ছাসেবী প্রি-রিলিজ টেস্টিং-এ অংশগ্রহণকারীদের জন্য উপলব্ধ করে; তারপরই এটি Fairwind সিকিউরিটি পার্টনারদের মধ্যে ধীরে ধীরে বিস্তারিত হবে। গুগল শুধুমাত্র বলেছে যে, ফিডব্যাক এবং প্রোটেকশন সামঞ্জস্যের পরে “যত দ্রুত সম্ভব” ডেভেলপারদের, ব্যবসাগুলি এবং ভোক্তাদের জন্য এটি উপলব্ধ করবে, কিন্তু কোনও নির্দিষ্ট তারিখ দেয়নি।
এটিই সম্প্রদায়ের মধ্যে সবচেয়ে বেশি আলোচিত বিষয়: র্যাঙ্কিংয়ে ইতিমধ্যেই Carbon-এর ফলাফল দেখা যাচ্ছে, কিন্তু সাধারণ ব্যবহারকারীরা এটি নিজেদের দ্বারা যাচাই করতে পারছেন না। হ্যাকার নিউজের সংশ্লিষ্ট থিমটি রিট্রিভ করার সময় প্রায় 799 পয়েন্ট এবং 655টি মন্তব্য নিয়েছে, এবং অনেক আলোচনা মূল্যায়নের সংখ্যাগুলির প্রতি প্রশ্ন উত্থাপন করছে না, বরং “প্রথমে প্রথম ঘোষণা করুন, তারপর পরবর্তীতে অ্যাক্সেস দিন” এই প্রকাশের পদ্ধতির প্রতি প্রশ্ন উত্থাপন করছে।
অতএব, কার্বনের বর্তমানে সবচেয়ে যুক্তিসঙ্গত ব্যাখ্যা হল: গুগল একটি ক্যান্ডিডেট মডেল প্রদর্শন করেছে যা Argon-এর তুলনায় সমন্বিত এজেন্ট ক্ষমতা এবং সাইবার নিরাপত্তায় স্পষ্টভাবে শক্তিশালী, এবং একটি পর্যাপ্ত সম্পূর্ণ মূল্যায়ন টেবিল প্রদান করেছে; তবে এটি এখনও একটি পরিপক্ক পণ্য হিসাবে ডেভেলপারদের দ্বারা মুক্তভাবে পরীক্ষা এবং ডিপ্লয় করার জন্য উপলব্ধ নয়। এর মূল্য নির্ধারণের জন্য সত্যিকারের বিষয়টি হবে, খোলা হওয়ার পরেও এই ফলাফলগুলি একই মূল্য, ল্যাটেন্সি এবং টুল পরিবেশের সাথে পুনরুৎপাদনযোগ্যতা, এবং উৎপাদন সুরক্ষা সক্রিয় থাকাকালীনও কতটা নিরাপত্তা ক্ষমতা অবশিষ্ট থাকে।


