Google lance Gemini 4 Carbon, qui surpasse les concurrents en matière de cybersécurité et de tâches à long terme

iconMetaEra
Partager
AI summary iconRésumé
Google's Gemini 4 Carbon occupe la première place de l'indice Artificial Analysis Intelligence v5.0 avec un score de 59, surpassant Claude Opus 5.5 et GPT-6 Astra. L'analyse on-chain révèle une forte performance en détection de vulnérabilités (88,2 %), en exploitation (54,8 %) et en réparation (71,0 %). Le modèle maintient une stabilité lors de tâches sur plusieurs jours. Le sentiment du marché, tel qu'illustré par l'indice de peur et de cupidité, reste haussier concernant l'innovation pilotée par l'IA.
Ce modèle atteint un niveau de pointe actuel en matière de sécurité informatique et de capacité de traitement des tâches à long terme.

Auteur de l'article, source : Machine Heart

Juste maintenant, Google a annoncé le lancement de son nouveau modèle de pointe, Gemini 4 Carbon, qualifié de « meilleur modèle » !

Ce modèle atteint un niveau de pointe actuel en matière de sécurité informatique et de capacité de traitement de tâches à long terme. Carbon peut traiter des tâches complexes pendant plusieurs jours consécutifs sans se bloquer ni prendre de raccourcis pour accomplir les missions, livrant en fin de compte un code de haute qualité et fiable.

Il n’y a eu que deux semaines depuis le lancement du précédent modèle phare, Gemini 4 Argon. Demis Hassabis a commencé par un emoji d’éclair, indiquant que Google « itère à la vitesse de l’éclair » avec de nouveaux modèles.

Très bien, avec beaucoup de confiance. Selon les données, ce tout nouveau modèle Carbon est vraiment impressionnant. Carbon obtient 59 points sur l'indice intelligent v5.0 de l'organisme tiers Artificial Analysis, se classant en première position. Claude Opus 5.5 suit avec 58 points, et GPT-6 Astra avec 57 points. Les trois modèles ne sont séparés que par deux points, mais « premier » reste premier.

De plus, Carbon a obtenu 88,2 % sur le benchmark de détection de vulnérabilités SEC-bench Pro, 54,8 % sur le benchmark d'exploitation ExploitGym et 71,0 % sur le benchmark de correction de vulnérabilités CWE-bench, établissant clairement un avantage significatif dans chaque cas.

Lien du blog : https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

SOTA sur toute la chaîne de sécurité réseau, l'équipe Chrome a testé « 10 fois mieux »

Google a consacré de nombreux passages à son blog officiel aux capacités de sécurité réseau de Carbon. Plus précisément, Carbon couvre les trois phases clés de la défense网络安全, et chaque phase atteint l'état de l'art.

Recherche de vulnérabilités : sur SEC-bench Pro, Carbon obtient un score de 88,2 %, dépassant GPT-6 Astra à 85,4 % et Argon à 83,4 %. La tâche de ce benchmark consiste à faire en sorte que le modèle découvre automatiquement des vulnérabilités de sécurité complexes cachées dans des logiciels réels.

Vérification des vulnérabilités : Sur ExploitGym, Carbon obtient un score de 54,8 %, largement devançant le deuxième, GPT-6 Astra, à 42,4 %. Ce test évalue la capacité du modèle à vérifier l'exploitabilité réelle des vulnérabilités, aidant ainsi les équipes de sécurité à déterminer les priorités de correctifs. Sous un délai de 10 heures, la différence entre Carbon et un délai de 6 heures est minime (54,8 % contre 53,5 %), ce qui indique qu'il accomplit la majeure partie de la vérification en peu de temps.

Correction de la vulnérabilité : après avoir identifié la vulnérabilité, corriger la cause racine est une étape cruciale du cycle de vie de la défense网络安全. Carbon a atteint 71,0 % sur le CWE-bench de Collinear, en transformant directement les découvertes validées en correctifs de code fonctionnels.

En plus des benchmarks publics, Google a fourni des données internes. Le taux de réussite de Carbon pour générer du code sécurisé est plus de deux fois supérieur à celui d'Argon. Le retour de l'équipe Chrome est encore plus impressionnant : ils ont rapporté que Carbon est plus de dix fois plus performant qu'« un grand modèle de pointe d'un autre laboratoire » pour générer des correctifs de sécurité de haute qualité.

La plateforme de sécurité cloud de Google, Wiz, a également participé aux tests et a observé que Carbon se classe en tête des benchmarks de tests de pénétration Web, l'une des capacités centrales du programme « Scan for Good » de Wiz.

Tâche à long terme : peut fonctionner continuellement pendant plusieurs jours

Un autre atout majeur de Carbon est sa capacité « à long terme ». Celle-ci devient également l’un des critères clés de la concurrence entre les nouveaux modèles de pointe.

Google indique que son équipe interne a observé que Carbon peut fonctionner continuellement pendant plusieurs jours sur de grands codebases et systèmes sous-jacents, en effectuant l'analyse des causes racines et la génération de correctifs à travers plusieurs fichiers. Lorsqu'il rencontre une impasse, le modèle peut ajuster automatiquement sa stratégie pour continuer, sans interrompre directement la tâche.

L'une des bases techniques de cette capacité est une amélioration significative du traitement de contextes longs. Lors des tests GraphWalks (évaluation BFS F1 sur une plage de 256k à 1M de jetons), Carbon est passé de 84,2 % pour Argon à 96,2 %, devançant de plus de 20 points pourcentuels GPT-6 Astra (71,8 %) et Claude Opus 5,5 (66,8 %). La prise en charge d'une fenêtre de contexte de 1M de jetons signifie que le modèle peut traiter en une seule fois une quantité d'informations équivalente à environ 1500 pages de document A4.

La capacité à gérer des tâches à long terme devient de plus en plus cruciale, car les flux de travail des agents imposent des exigences plus élevées aux modèles. Par exemple, en ingénierie logicielle, les tâches de développement réellement complexes impliquent souvent un suivi continu des modifications du code, la coordination des changements sur plusieurs branches, la gestion des dépendances entre modules, ainsi que des tests et corrections répétés. Ces tâches peuvent durer plusieurs heures, voire plusieurs jours, et dépassent largement le cadre d'une simple question-réponse.

Pour les grands modèles de pointe, la capacité à maintenir une cohérence d'objectif tout au long d'une exécution prolongée, à corriger les erreurs en temps voulu et à livrer des résultats fiables devient une norme essentielle pour évaluer leur valeur pratique en ingénierie.

Benchmark全景 : 9 évaluations pour l'indice intelligent, 4 premières places

Artificial Analysis Indice intelligent v5.0 est le système d'évaluation global le plus largement utilisé dans l'industrie actuelle.

Carbon obtient un score total de 59, arrivant en tête avec quatre premières places individuelles (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience, AutomationBench-AA), devançant Claude Opus 5.5 (58 points) de 1 point, GPT-6 Astra (57 points) de 2 points, et surpassant Argon (50 points) de deux semaines plus tôt de 9 points. Artificial Analysis estime que le leadership de Carbon est porté par des performances solides en matière de raisonnement complexe, de connaissances et de tâches scientifiques, avec des progrès significatifs en programmation et en travail intellectuel (notamment par rapport aux performances historiques de la série Gemini), mais sans une suprématie globale dans ces domaines.

Développé selon les dimensions suivantes.

Sur le plan de la programmation, c'est un point faible traditionnel des modèles Google, et les progrès de Carbon sont les plus remarquables. Sur l'indice Artificial Analysis Coding Agent Index, Carbon avec Antigravity CLI (high reasoning) obtient 59 points, soit seulement 3 points de moins que le premier classé, Claude Code + Claude Opus 5.5 (max reasoning, 62 points). Dans les évaluations individuelles, il obtient 64 % à Terminal-Bench 4.0 et 51 % à FrontierCode v1.1, classant deuxième dans les deux cas, juste derrière Claude Opus 5.5 (max, 56 %). Il progresse de 89 Elo dans WebDev Arena (arène de développement web full-stack) pour atteindre la quatrième place (1768 Elo).

Travail de connaissance : sur AA-Briefcase, Carbon (high) obtient 1609 Elo, soit une progression de 126 points par rapport à Argon (high, 1483). La dimension la plus améliorée est la qualité de présentation, en hausse de 293 Elo pour atteindre 1598 ; la qualité analytique progresse également de 120 points pour atteindre 1671. Toutefois, il reste en retard par rapport à Kimi K3.1 Pro (1678), Muse Wonder (max, 1659) et Grok 4.7 (xhigh, 1638).

Fiabilité des connaissances et taux d’hallucinations : AA-Omniscience v1.1 obtient un score Carbon de 54, devançant Claude Opus 5.5 (max, 48) de 6 points et Argon (46) de 8 points. Le taux de précision (pourcentage de réponses correctes) passe de 48 % chez Argon à 58 %, soit une augmentation de 10 points de pourcentage. Le taux d’hallucinations augmente de 4 % chez Argon à 11 %, bien qu’il soit en hausse, il reste le deuxième plus bas parmi tous les modèles, derrière Argon. À titre de comparaison, les taux d’hallucinations de Claude Opus 5.5 (max) et GPT-6 Astra (max) sont tous deux de 50 %.

Science and Mathematics: RiemannBench 80.0%, Terminal-Bench-Science 64.8%, both current highest scores.

Efficacité coûts : Le coût moyen de Carbon pour accomplir une tâche d'indice intelligent est de 7,76 $, soit environ 23 % de moins que Claude Opus 5.5 (max, 10,04 $) et 1,2 fois celui de GPT-6 Astra (max, 6,25 $). La sortie moyenne par tâche est de 123k tokens, soit 29 % de moins que Claude Opus 5.5 (max, 173k). Par rapport à Argon au même prix (7,68 $ par tâche), les coûts sont similaires, mais l'indice intelligent est supérieur de 9 points.

Analyse des évaluations du modèle Artificial Analysis : https://artificialanalysis.ai/models/gemini-4-carbon

Sécurité alignée : taux de tricherie 0 %, taux de réussite des attaques par injection de prompts 0 %

Carbon prolonge l'architecture de défense multicouche d'Argon en matière de sécurité et d'alignement, incluant l'alignement pendant la phase d'entraînement, la détection en temps réel des abus, la défense contre les injections de prompts et la surveillance des chaînes de pensée, tout en renforçant davantage ces mécanismes.

Le taux de triche est tombé à 0,0 %. Lors des tests Terminal-Bench 4.0, le taux de réussite des tentatives de triche de Carbon était nul, avec seulement 0,4 % d'essais de triche, tandis que la précision globale des tâches continuait d'augmenter. Google indique que cela a été réalisé en atténuant davantage les comportements de raccourci (shortcut exploitation) pendant la phase d'entraînement.

Taux de réussite des attaques par injection de prompt : 0,0 %. Lors du test de référence sur les injections de prompt indirectes (Indirect Prompt Injection, IPI) de Gray Swan (k=15 tentatives d’attaque), Carbon a réussi à repousser toutes les attaques. En comparaison avec les performances d’autres modèles de pointe : Argon (0,7 %), Claude Opus (5,5 %), Claude Fable (5,1 %), GPT-6 Astra (8,5 %) et Grok 4.6 (51,8 %).

Au niveau du contrôle comportemental, Carbon a amélioré de manière synchronisée deux modes courants d'échec d'alignement : une réduction de 26 % des dépassements (overreach, c'est-à-dire des opérations allant au-delà de l'intention de l'utilisateur) et une réduction de 29 % des insuffisances d'exécution (under-service, c'est-à-dire l'omission d'opérations demandées par l'utilisateur). Google décrit le changement de comportement de Carbon face à des tâches vagues comme suit : le modèle récupère activement des sources pertinentes et présente les différences d'information à l'utilisateur, n'agissant qu'après confirmation, sans deviner ni forcer l'avancement.

En matière de transparence du modèle, Carbon réduit les affirmations non étayées d'environ deux fois par rapport à Argon. Lorsque des informations essentielles sont manquantes, le modèle indique directement dans la sortie les limites méthodologiques ou liste les conditions préalables non remplies, sans inventer ni obscurcir les informations.

Tests internes ont montré une réduction de près de 80 % des alertes de gravité élevée par rapport à Argon.

Prix et disponibilité

Le prix de Carbon est aligné sur celui d'Argon : 4 USD par million de tokens d'entrée et 20 USD par million de tokens de sortie. Une réduction de 50 % à la sortie est actuellement disponible, sans date de fin prévue. Les tokens d'entrée mis en cache bénéficient d'une réduction de 95 %, soit seulement 0,20 USD / million. Fenêtre de contexte de 1M tokens, avec prise en charge des entrées texte, image, vidéo et audio.

En termes de coût par tâche, Carbon coûte en moyenne 7,76 $ pour accomplir une tâche d'indice intelligent, soit environ 23 % de moins que Claude Opus 5.5 (10,04 $), mais environ 24 % de plus que GPT-6 Astra (6,25 $). Il génère en moyenne 123k tokens par tâche, soit 29 % de moins que les 173k de Claude Opus 5.5, ce qui démontre également un avantage en efficacité token.

Carbon ouvre dès cette semaine l'accès aux défenseurs de la sécurité de confiance du projet Fairwind, puis élargira progressivement l'accès aux développeurs, entreprises et consommateurs après collecte des retours et itération des mesures de sécurité.

Épilogue

Le cycle familier est de retour. Claude vient de lancer une « bombe nucléaire », Google présente immédiatement un nouveau plat, et OpenAI augmente encore la pression. Après un tour complet, une autre semaine ordinaire pour l’industrie de l’IA.

Il y a quelques temps, Google semblait avoir perdu de sa voix dans l'itération rapide des grands modèles de pointe, au point de faire douter de sa capacité à rester à la table des concurrents. Mais les récents résultats présentés, en particulier Carbon, sont tout de même impressionnants.

Bien sûr, les géants se disputent la première place ; plus la concurrence est intense, mieux c'est pour l'ensemble de l'industrie. Toutefois, au lieu de générer de la notoriété grâce à des récits de crise comme « l'IA détruit le monde » ou des campagnes marketing exagérées qui laissent les gens étourdis et paralysés, nous souhaitons voir des progrès concrets des modèles sur des tâches réelles.

Moins de mystification, plus de compétences réelles. Ce genre de concours d'IA est plus méritoire.

Clause de non-responsabilité : les informations sur cette page peuvent avoir été obtenues auprès de tiers et ne reflètent pas nécessairement les points de vue ou opinions de KuCoin. Ce contenu est fourni à titre informatif uniquement, sans aucune représentation ou garantie d’aucune sorte, et ne doit pas être interprété comme un conseil en investissement. KuCoin ne sera pas responsable des erreurs ou omissions, ni des résultats résultant de l’utilisation de ces informations. Les investissements dans les actifs numériques peuvent être risqués. Veuillez évaluer soigneusement les risques d’un produit et votre tolérance au risque en fonction de votre propre situation financière. Pour plus d’informations, veuillez consulter nos conditions d’utilisation et divulgation des risques.