Ang modelo ay nakamit ang pinakamataas na antas sa kasalukuyan sa mga aspeto ng网络安全 at pagtrato ng mga mahabang gawain.May-akda ng artikulo, pinagkukunan: Machine Heart
Kasalukuyang, inilunsad ng Google ang kanilang huling henerasyon ng advanced na modelo, ang Gemini 4 Carbon, na itinuturing na "pinakamalakas na modelo"!

Nakamit ng modelo ang pinakamataas na antas sa kasalukuyan sa mga aspeto ng网络安全 at pagtrato ng mga mahabang gawain. Kayang magtrabaho nang magkakasunod-sunod na mga araw ang Carbon sa mga kumplikadong gawain nang hindi huminto o gumamit ng mga shortcut upang matapos ang gawain, at nagtataglay ng mataas na kalidad at mapagkakatiwalaang code.
Dalawang linggo lang ang nakalipas mula sa paglalabas ng kanilang pangunahing produkto, Gemini 4 Argon. Gumamit si Demis Hassabis ng isang lightning emoji, at sinasabi niya na ang Google ay “Iterating at lightning speed” sa kanilang bagong modelo.

Magandang gawa, may tiwala. Batay sa mga datos, ang bagong Carbon model ay talagang magaling. Nakakuha ang Carbon ng 59 puntos sa Intelligent Index v5.0 ng third-party evaluator na Artificial Analysis, at naging numero uno. Sumunod ang Claude Opus 5.5 na may 58 puntos, at ang GPT-6 Astra naman ay may 57 puntos. Tatlo lang ang pagkakaiba ng 2 puntos, pero ang “numero uno” ay numero uno pa rin.

Dagdag pa, nakamit ng Carbon ang 88.2% sa vulnerability detection benchmark na SEC-bench Pro, 54.8% sa exploit benchmark na ExploitGym, at 71.0% sa vulnerability patching benchmark na CWE-bench, kung saan ang modelo ay nagtatag ng malinaw na pagkakaroon ng lider.

Link sa blog: https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/
SOTA sa buong chain ng cybersecurity, sinubok ng team ng Chrome na mas mabuti ng higit sa 10 beses
Ginugol ng Google ng maraming pahina sa kanilang opisyal na blog ang pagpapaliwanag tungkol sa kakayahan ng Carbon sa cybersecurity. Sa detalye, ang Carbon ay sumasakop sa tatlong mahahalagang yugto ng cybersecurity defense, at sa bawat yugto, ito ay nasa SOTA.
Hanapin ang mga vulnerability: Sa SEC-bench Pro, nakakuha ang Carbon ng 88.2%, na hihigit sa 85.4% ng GPT-6 Astra at 83.4% ng Argon. Ang gawain sa benchmark na ito ay ang pagpapahintulot sa model na makahanap nang sarili ng mga kumplikadong security vulnerability na nakatago sa totoong software.

Pagpapatotoo ng vulnerability: Sa ExploitGym, nakakuha ang Carbon ng 54.8% na marka, na malaking pagkakaiba sa ikalawang lugar na GPT-6 Astra na 42.4%. Ang pagsubok na ito ay sinusukat kung gaano kakayang patotohanan ng modelo ang praktikal na pagpapakita ng vulnerability, upang tulungan ang mga security team sa pagtukoy ng prioridad sa pagpapabuti. Sa loob ng 10 oras, ang pagkakaiba ng Carbon sa 6-oras na limitasyon ay maliit lamang (54.8% kumpara sa 53.5%), na nagpapakita na kaya nito matapos ang karamihan sa pagpapatotoo sa maikling panahon.

Pagpapabuti ng butas: Pagkatapos makakilala sa butas, ang pagpapabuti sa ugat ng problema ay isang mahalagang hakbang sa buhay na siklo ng网络安全防御. Nakamit ni Carbon ang 71.0% sa CWE-bench ng Collinear, na direktang isinapuso ang mga natuklasang pinatotohanan bilang mga pagpapabuti sa code na gumagana.

Bukod sa public benchmark, ibinigay din ng Google ang kanilang internal data. Mas mataas ang tagumpay ng Carbon sa pagbuo ng ligtas na code nang higit sa 2 beses kaysa sa Argon. Mas malakas pa ang feedback ng Chrome browser team, na nagraport na 10 beses mas mahusay ang Carbon kaysa sa “malaking advanced model ng isang ibang laboratorio” sa pagbuo ng mataas na kalidad na security patch.
Kasali rin sa pagsubok ang Wiz, ang cloud security platform ng Google, na nakakita na ang Carbon ay nangunguna sa Web Penetration Testing Benchmark, na isa sa mga pangunahing kakayahan ng Wiz's "Scan for Good" program.
Long-term task: Maaaring mag-run nang ilang araw nang tuloy-tuloy
Ang isa pang pangunahing katangian ng Carbon ay ang kakayahang magtagal. Ito ay nagsisiging isa sa mga pangunahing kakayahan sa kompetisyon ng mga bagong henerasyon ng malalaking modelo.
Sinabi ng Google na obserbahan ng kanilang loob na team na maaaring magpatuloy ang Carbon sa loob ng ilang araw sa malalaking codebase at sa ilalim na sistema, nakakatapos ng root-causing at pagbuo ng patch na nagsasaklaw sa mga file. Kapag nakakaroon ng dead end, ang modelo ay makakapag-adjust ng sariling estratehiya upang magpatuloy, at hindi gagawing tumigil ang gawain.
Isa sa mga teknikal na batayan ng kakayahang ito ay ang malaking pagpapabuti sa pagtrato ng mahabang konteksto. Sa GraphWalks test (BFS F1 evaluation sa saklaw ng 256k hanggang 1M token), tumaas ang Carbon mula sa 84.2% ng Argon patungo sa 96.2%, na nangunguna sa GPT-6 Astra na 71.8% at Claude Opus 5.5 na 66.8% ng higit sa 20 puntos. Ang suporta sa kontekstong window na 1M token ay nangangahulugan na ang modelo ay maaaring prosesuhin ang katumbas na impormasyon ng halos 1,500 pahina ng A4 dokumento sa isang pagkakataon.
Ang pagiging mahalaga ng long-term capability ay dulot ng mas mataas na hiling mula sa Agent workflow sa modelo. Sa halimbawa ng software engineering, ang mga talagang kumplikadong gawain sa pagbuo ay karaniwang nagsasangkot sa patuloy na pagsubaybay sa pagbabago ng code, pagpapagkaisa ng mga pagbabago sa maraming branch, pagharap sa mga cross-module dependency, at paulit-ulit na pagsubok at pagpapabuti ng mga problema. Ang mga gawain na ito ay maaaring magtrabaho nang ilang oras o kahit ilang araw, at nasa labas na ng sakop ng isang beses na tanong-tugon.
Para sa mga malalaking modelo sa kahulugan, ang kakayahan na panatilihin ang pagkakatugma sa layunin, maagap na i-correction ang mga kamalian, at huli ay magbigay ng mapagkakatiwalaang resulta sa mahabang proseso ng pagpapatupad, ay nagsisilbing mahalagang pamantayan para masukat ang kanilang tunay na inhenyerong halaga.
Benchmark Panorama: 9 na pagsusuri sa Smart Index, 4 na unang lugar
Ang Artificial Analysis Smart Index v5.0 ay isa sa mga pinakamalawakang ginagamit na komprehensibong sistema ng pagtataya sa industriya.
Ang Carbon ay nakuha ang unang lugar sa kabuuang marka na 59, na nakakuha ng unang lugar sa 4 na kategorya (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience, AutomationBench-AA), na 1 punto mas mataas kaysa kay Claude Opus 5.5 (58 puntos) at 2 puntos mas mataas kaysa kay GPT-6 Astra (57 puntos), at 9 puntos na pagtaas kumpara sa Argon (50 puntos) mula sa nakaraang dalawang linggo. Ayon sa Artificial Analysis, ang pagiging lider ng Carbon ay dinudulot ng malakas na pagganap sa kompleks na pag-iisip, kaalaman, at mga gawain sa agham, at may malaking pag-unlad sa pagprograma at mga gawain sa kaalaman (lalo na kumpara sa nakaraang pagganap ng Gemini series), ngunit hindi pa ito lubos na nangunguna sa mga direksyong ito.

Ipinapakita sa iba't ibang dimensyon.
Sa aspeto ng programming, ito ay tradisyonal na kahinaan ng Google model, ngunit ang pinakamalaking pag-unlad ay nangyari sa Carbon. Sa Artificial Analysis Coding Agent Index, ang Carbon kasama ang Antigravity CLI (high reasoning) ay nakakuha ng 59 puntos, lamang 3 puntos ang liko sa unang lugar na Claude Code + Claude Opus 5.5 (max reasoning, 62 puntos). Sa mga hiwalay na pagsusulit, nakakuha ng 64% sa Terminal-Bench 4.0 at 51% sa FrontierCode v1.1, na parehong nasa pangalawang pwesto, pagsunod sa Claude Opus 5.5 (max, 56%). Sa WebDev Arena (full-stack web development arena), tumataas ito ng 89 Elo patungo sa ikaapat na pwesto (1768 Elo).

Kaalaman sa paggawa: Sa AA-Briefcase, ang Carbon (high) ay nakakuha ng 1609 Elo, isang pagtaas ng 126 puntos kumpara sa Argon (high, 1483). Ang pinakamalaking pagtaas ay naganap sa dimensyon ng Presentation (kalidad ng presentasyon), na tumataas ng 293 Elo patungo sa 1598; ang Analytical Quality (kalidad ng analisis) ay tumataas din ng 120 puntos patungo sa 1671. Gayunpaman, ang kabuuang marka ay patuloy na nasa likod ng Kimi K3.1 Pro (1678), Muse Wonder (max, 1659), at Grok 4.7 (xhigh, 1638).

Kasiguraduhan ng kaalaman at rate ng hallucination: Ang AA-Omniscience v1.1 ay nakakuha ng 54 puntos sa Carbon, na 6 puntos ang nangunguna kay Claude Opus 5.5 (max, 48) at 8 puntos ang nangunguna kay Argon (46). Ang accuracy rate (porsyento ng tama sagot) ay tumataas mula sa 48% ni Argon patungo sa 58%, isang pagtaas ng 10 puntos. Ang hallucination rate ay tumataas mula sa 4% ni Argon patungo sa 11%, bagaman may pagtaas, ito ay pangalawang pinakamababa sa lahat ng model, na lamang nangunguna kay Argon. Para sa komparasyon, ang hallucination rate ni Claude Opus 5.5 (max) at GPT-6 Astra (max) ay parehong 50%.

Agham at Matematika: RiemannBench 80.0%, Terminal-Bench-Science 64.8%, parehong pinakamataas na marka sa kasalukuyan.
Cost efficiency: Ang average na gastos ng Carbon para sa isang smart index task ay $7.76, na 23% mas mababa kaysa sa Claude Opus 5.5 (max, $10.04) at 1.2 beses ang gastos kaysa sa GPT-6 Astra (max, $6.25). Ang average na output ay 123k token bawat task, na 29% mas mababa kaysa sa Claude Opus 5.5 (max, 173k). Kapag ihahambing sa parehong presyo na Argon ($7.68 per task), ang gastos ay halos pareho, ngunit mas mataas ang smart index ng 9 puntos.

Artificial Analysis: Pagsusuri sa Pagtataya ng Model: https://artificialanalysis.ai/models/gemini-4-carbon
Security alignment: Cheating rate 0%, prompt injection breach rate 0%
Ang Carbon ay nagpapatuloy sa maraming layer ng depensa ng Argon sa pagkakasundo sa kaligtasan, kabilang ang alignment sa panahon ng pagtuturo, real-time detection ng pang-aabuso, pagtutol sa prompt injection, at pagmamanman ng chain-of-thought, at pinagpalawig pa ito.
Ang rate ng pag-cheat ay bumaba sa 0.0%. Sa pagsubok ng Terminal-Bench 4.0, ang tagumpay na rate ng pag-cheat ng Carbon ay zero, habang ang rate ng pagsubok na mag-cheat ay tanging 0.4%, at ang pangkabuuang accuracy ng task ay patuloy na umuunlad. Sinabi ng Google na ito ay natamo sa pamamagitan ng karagdagang pagpapababa ng shortcut exploitation ng model sa panahon ng pagtuturo.
Tagal ng pag-atake ng prompt injection: 0.0%. Sa pagsusuri ng Gray Swan sa indirect prompt injection (IPI) (k=15 na subok), nakapagtanggol ang Carbon sa lahat ng pag-atake. Sa pagkukumpara sa mga performance ng iba pang mga modelo: Argon 0.7%, Claude Opus 5.5, at Claude Fable 5.1 ay lahat ay 1.0%, GPT-6 Astra ay 8.5%, habang ang Grok 4.6 ay umabot sa 51.8%.

Sa antas ng pagkontrol ng pag-uugali, sinync ng Carbon ang dalawang karaniwang uri ng pagkabigo sa pagkakasunod: nabawasan ang pagkakaroon ng sobrang pagkilos (overreach, o pagkilos na lumampas sa intensyon ng user) ng 26%, at nabawasan ang kakulangan sa pagkilos (under-service, o pagkakalimutan ng mga gawain na hiling ng user) ng 29%. Ipinapaliwanag ng Google na ang pagbabago sa pag-uugali ng Carbon kapag nakakatambol sa mga ambigong gawain ay ang pagkuha nito ng mga kaugnay na pinagkukunan at pagpapakita ng mga pagkakaiba sa impormasyon sa user bago gumawa ng anumang aksyon—hindi ito nagtatantiya o nagpapilit na magpatuloy.
Sa transparensya ng modelo, ang Carbon ay nagkakaroon ng higit na 2 beses na mas kaunting walang batayang mga pahayag (unsupported claims) kaysa sa Argon. Kapag nawawala ang mahahalagang impormasyon, ang modelo ay direktang tatawag sa mga limitasyon ng metodolohiya o listahan ng hindi natapos na mga kondisyon sa output, at hindi gagawa ng mga kuwento o pagpapalabo.
Ipinatutunay ng loob na timbangan, bumaba ng halos 80% ang mga alerto na may mataas na seriyosidad kumpara sa Argon.
Pricing at Availability
Ang presyo ng Carbon ay pareho sa Argon, na ₱4 bawat milyong input token at ₱20 bawat milyong output token. Kasalukuyang available ang 50% discount sa launch, na walang takdang araw ng pagtatapos. Ang cache ng input token ay may 95% discount, na nag-iisang ₱0.20 bawat milyon. Ang context window ay 1M token, na suporta ang text, image, video, at audio input.
Batay sa gastos bawat gawain, ang average na gastos ng Carbon para sa isang smart index task ay $7.76, na 23% mas mababa kaysa sa Claude Opus 5.5 ($10.04), ngunit 24% mas mataas kaysa sa GPT-6 Astra ($6.25). Ang average na output bawat gawain ay 123k token, na 29% mas kaunti kaysa sa 173k token ng Claude Opus 5.5, na nagpapakita na may advantage din ang Carbon sa token efficiency.
Ang Carbon ay magiging unang available sa mga tiwalaan na network defender sa proyektong Fairwind simula sa linggong ito, at susundan ng paulit-ulit na pagpapalawak pagkatapos ng pagkolekta ng feedback at pag-iterate sa mga safety guardrails, bago ito maabot ng mga developer, negosyo, at mga consumer.
Wakas
Umulit na ang pamilyar na siklo. Bago lang inilabas ni Claude ang isang “nuklear na bala,” agad ni Google inilabas ang bagong pagkain, at agad din pinalakas ni OpenAI ang kanilang lakas. Pagkatapos ng isang pagsiklo, muli itong isang karaniwang linggo sa industriya ng AI.
Kahit na tila nawala ang ingay ng Google sa mabilis na pag-unlad ng mga advanced model, at kahit na nagdulot ito ng pag-aalinlangan kung kaya pa nitong manatili sa larong ito, ang mga bagong natuklasan nito, lalo na ang Carbon, ay nakapagbigay ng malaking pagkakataon.
Totoo naman na ang pagtutulungan ng mga malalaking kompanya ay nagpapalakas sa buong industriya. Ngunit sa halip na magkaroon ng pagkakataon sa pamamagitan ng mga kuwento ng krisis tulad ng "ang AI ay magpapalayas sa mundo" o mga napakalaking pagpapalabas na nagdudulot ng pagkabigla, mas gusto naming makita ang tunay na pag-unlad ng mga modelo sa mga totoong gawain.
Mas mababa ang pagpapakita ng kakaibang gawa, mas marami ang tunay na kakayahan. Sa ganitong AI na kompetisyon, mas masidhing inaasahan.



