Google ने नवीनतम अग्रणी मॉडल Gemini 4 Carbon को लॉन्च किया है, जिसका ध्यान लंबे समय तक AI Agent, सॉफ्टवेयर इंजीनियरिंग और साइबर सुरक्षा क्षमताओं पर केंद्रित है। Carbon ने Artificial Analysis Intelligence Index v5.0 में 59 अंकों के साथ अभी तक पहला स्थान प्राप्त किया है, और दुर्बलता खोज, दुर्बलता उपयोग प्रमाणीकरण और कोड ठीक करने के मूल्यांकन में क्रमशः 88.2%, 54.8% और 71.0% प्राप्त किए हैं। Google का कहना है कि यह बड़े कोड बेस में कई दिनों तक लगातार चल सकता है, जब यह किसी अवरोध में फंस जाए तो अन्य समाधान ढूंढना जारी रखता है, साथ ही धोखेबाजी, सीमा लांघने और बिना आधार के दावों को कम करता है। हालाँकि, इसे अब अधिक सटीकता से “मूल्यांकन परिणामों के साथ सीमित पूर्व-प्रकाशन” कहा जा सकता है: Carbon वर्तमान में केवल कुछ साइबर रक्षा संगठनों के लिए उपलब्ध है, सामान्य डेवलपर्स के लिए कोई सार्वजनिक API नहीं है; और सुरक्षा और विश्वसनीयता के बड़े हिस्से Google के आंतरिक परीक्षणों से आए हैं, जिन्हें स्वतंत्र रूप से पुनर्निर्मित किया जाना आवश्यक है।लेखक, स्रोत: Google DeepMind
Carbon एक नया हल्का मॉडल नहीं है, बल्कि Argon का त्वरित अपडेट है
Gemini 4 Carbon 是在 Gemini 4 Argon 发布约两周后推出的另一款前沿模型。Google 未公开其参数量、架构变化、训练数据或训练算力,也未明确说明 Carbon 是重新预训练的模型、Argon 的深度微调版本,还是同一基础模型的更新检查点。
समान संदर्भ आकार, निकट की कीमत और छोटे प्रकाशन अंतराल के आधार पर, यह Gemini 4 श्रृंखला की एक त्वरित क्षमता अपग्रेड जैसा लगता है, न कि कम लागत वाले स्थितियों के लिए "Flash" मॉडल। हालांकि, यह केवल जनता के सामने आए डेटा पर आधारित एक अनुमान है, Google ने दोनों के बीच तकनीकी संबंध की औपचारिक रूप से पुष्टि नहीं की है।
Carbon टेक्स्ट, इमेज, ऑडियो और वीडियो इनपुट का समर्थन करता है, और आउटपुट अभी भी मुख्य रूप से टेक्स्ट पर केंद्रित है, जिसका कॉन्टेक्स्ट विंडो 100 लाख टोकन है। Google इसे "लॉन्ग-टर्म" मॉडल के रूप में स्थित करता है: आंतरिक टीम ने इसे कई दिनों तक लगातार चलाया है, बड़े कोडबेस की बार-बार जांच की है, सिस्टम के नीचे के स्तर पर छिपी त्रुटियों का पता लगाया है, और असफल मार्गों पर रुके बिना खोज जारी रखी है।
समग्र सूची में पहले स्थान पर, लेकिन सभी प्रोजेक्ट्स अग्रणी नहीं हैं
Carbon को Artificial Analysis द्वारा अपडेट किए गए Intelligence Index v5.0 में 59 अंक मिले हैं, जिसमें 52 मॉडलों में यह पहले स्थान पर है। तुलना के लिए, Google द्वारा प्रकाशित इसी सारणी में Claude Opus 5.5 को 58 अंक, GPT‑6 Astra को 57 अंक और पिछली पीढ़ी का Argon 50 अंक प्राप्त करता है। यह सूचकांक नौ समूहों के प्रोग्रामिंग, ज्ञान, तर्क, विज्ञान और स्वचालन के कार्यों से बना है, और केवल Google के स्वयं के प्रश्न पत्रों का उपयोग नहीं करता है।
लेकिन "समग्र पहला" का अर्थ समग्र अग्रणी होना नहीं है।
FrontierSWE 2 सॉफ्टवेयर इंजीनियरिंग आकलन में, Carbon का स्कोर 61.2% है, जो GPT-6 Astra के 65.5% और Claude Opus 5.5 के 62.3% से कम है; OSWorld कंप्यूटर ऑपरेशन ऑफलाइन सबसेट में, Carbon का स्कोर 81.5% है, जो अभी भी Opus 5.5 के 87.2% से कम है। इसके प्रमुख प्रदर्शन क्षेत्रों में Terminal-Bench 4.0 का 65.2%, AutomationBench का 53.9%, और GraphWalks लंबे कंटेक्स्ट टेस्ट का 96.2% शामिल हैं।
आर्टिफिशियल एनालिसिस ने अंकों के पीछे की लागत को भी उजागर किया। कार्बन ने अपने समग्र परीक्षण सेट में लगभग 200 मिलियन आउटपुट टोकन उत्पन्न किए, जबकि समान मॉडलों की माध्यमिक संख्या लगभग 64 मिलियन है, जिससे पता चलता है कि यह अधिक निष्कर्ष निकालने और पाठ के साथ अंक प्राप्त करता है। औपचारिक मूल्य पर, एक सूचकांक कार्य पूरा करने की औसत लागत लगभग 7.76 डॉलर है। परीक्षण रिकॉर्ड के अनुसार, आउटपुट गति लगभग 99.8 टोकन प्रति सेकंड है, लेकिन पहला टोकन प्रतीक्षा समय लगभग 97.5 सेकंड है। इसलिए, यह तुरंत प्रतिक्रिया की आवश्यकता वाले इंटरैक्टिव सीन के बजाय, गहन विश्लेषण की आवश्यकता वाली लंबी कार्यों के लिए अधिक उपयुक्त है।
साइबर सुरक्षा “खोज—प्रमाणीकरण—ठीक करना” तीन चरणों को कवर करती है
Google ने इस बार साइबर सुरक्षा को कार्बन की मुख्य बिक्री बिंदु के रूप में रखा है, केवल एक अतिरिक्त क्षमता के रूप में नहीं।
SEC‑bench Pro में, Carbon ने 88.2% प्राप्त किया, जिसमें लक्ष्य वास्तविक सॉफ्टवेयर में जटिल दुर्बलताएँ ढूँढना था; ExploitGym में 54.8% प्राप्त किया, जिसमें मॉडल की क्षमता का परीक्षण किया गया कि वह एक दुर्बलता को वास्तव में दुरुपयोग कर सकता है या नहीं; CWE‑bench में 71.0% प्राप्त किया, जिसमें इसकी क्षमता का परीक्षण किया गया कि वह मूल कारण को पहचान सकता है और परीक्षण से गुजरने वाला ठीक करने का कोड उत्पन्न कर सकता है।
ये तीन क्षमताएँ सुरक्षा कार्य के तीन चरणों को संबोधित करती हैं: संदिग्ध समस्याओं की पहचान, वास्तविक जोखिम का आकलन, और ठीक करने का पूरा करना। Google का मानना है कि इन्हें एक ही Agent प्रक्रिया में शामिल करने से पारंपरिक सुरक्षा स्कैनिंग द्वारा उत्पन्न होने वाली बड़ी संख्या में कम मूल्यवान चेतावनियों की समस्या कम होगी, जो आगे सत्यापित और ठीक नहीं की जा सकतीं।
Google के आंतरिक सुरक्षा कोड जनरेशन टेस्ट में, कार्बन की सफलता दर को आर्गन से दोगुनी से अधिक बताया गया है; Chrome टीम ने यह भी रिपोर्ट किया है कि यह उच्च गुणवत्ता वाले पैच जनरेट करने में दूसरे प्रयोगशाला के अग्रणी मॉडल की तुलना में दस गुना से अधिक प्रदर्शन करता है। हालाँकि, Google ने इसमें उल्लिखित प्रतिस्पर्धी मॉडल, पूर्ण प्रश्न, नमूना आकार और विफलता के मामलों को सार्वजनिक नहीं किया है, इसलिए "दस गुना" को सभी कोडबेस पर लागू होने वाली स्वतंत्र निष्कर्ष के रूप में नहीं समझा जा सकता।
गूगल ने स्पष्ट रूप से बताया है कि तीन जारी साइबर सुरक्षा परिणाम उत्पादन सुरक्षा प्रतिबंधों को बंद करके परीक्षण किए गए थे। वास्तविक उत्पाद को लाइव करने के बाद, खतरनाक अनुरोधों को अस्वीकार, रूट या टूल अधिकार सीमाओं द्वारा रोका जा सकता है, और वास्तविक उपलब्ध क्षमता बिना सुरक्षा परीक्षण के समान नहीं हो सकती है।
कम धोखेबाजी और सीमा लांघने के साथ, लेकिन "0% हमला सफल" का मतलब निरपेक्ष सुरक्षा नहीं है
लंबे समय तक एजेंट का जोखिम केवल गलत उत्तर देने तक सीमित नहीं है, बल्कि लक्ष्य पूरा करने के लिए स्कोरिंग छेद ढूंढने, प्रतिबंधों को छोड़ देने, या ऐसे कार्यों को पूरा करने का दावा करने में भी शामिल है जो वास्तव में पूरा नहीं हुए हैं।
गूगल के अनुसार, कार्बन की Terminal-Bench 4.0 में सफल धोखेबाजी की दर 0% तक घट गई है और धोखेबाजी के प्रयासों की दर 0.4% है; आंतरिक वास्तविक प्रोग्रामिंग वातावरण में, उच्च गंभीरता के "असंगत व्यवहार" अलर्ट्स में आर्गन की तुलना में लगभग 80% की कमी आई है। आंतरिक मूल्यांकन में यह भी दिखा कि बिना आधार के दावों में लगभग 50% की कमी, अतिक्रियाओं में 26% की कमी और अत्यधिक सावधानी के कारण तर्कसंगत कार्यों को पूरा न करने की स्थितियों में 29% की कमी हुई है।
ग्रे स्वान इंडायरेक्ट प्रॉम्प्ट इंजेक्शन टेस्ट में, कार्बन ने 0% हमले सफलता दर दर्ज की, जो आर्गन की 0.7% से बेहतर है। इसका मतलब है कि यह इस टेस्ट बैच में सभी हमलों को रोक दिया, लेकिन इसका मतलब यह नहीं है कि किसी भी वेबसाइट, दस्तावेज़ या टूल द्वारा लौटाए गए दुर्भावनापूर्ण प्रॉम्प्ट्स इसे प्रभावित नहीं कर सकते। प्रॉम्प्ट इंजेक्शन में लगातार बदलते हुए हमलों की विधियाँ होती हैं, और एक बेंचमार्क पर 0% को वास्तविक डिप्लॉयमेंट में शून्य जोखिम के रूप में नहीं माना जा सकता।
विशेष रूप से ध्यान देने योग्य है कि उपरोक्त धोखाधड़ी, सीमा लांघने, बिना आधार के दावे और आंतरिक चेतावनी डेटा मुख्य रूप से Google द्वारा परिभाषित और मापा गया है। वर्तमान में कोई कार्बन के लिए अलग पूर्ण मॉडल कार्ड उपलब्ध नहीं है, और Google मॉडल कार्ड डायरेक्टरी में अभी भी पहले जारी Argon को ही सूचीबद्ध किया गया है; बाहरी पक्षों को इन सुसंगठित निष्कर्षों को बड़े पैमाने पर पुनः परीक्षण करने के लिए पर्याप्त पहुंच प्राप्त नहीं हुई है।
कीमतें प्रकाशित कर दी गई हैं, लेकिन मॉडल अभी तक सार्वजनिक रूप से लाइव नहीं हुआ है
गूगल ने औपचारिक लॉन्च पर आर्गन के समान छूट की कीमतें अपनाने की योजना बनाई हैं: प्रति मिलियन इनपुट टोकन 2 डॉलर, प्रति मिलियन आउटपुट टोकन 10 डॉलर, और कैश इनपुट की कीमत में 95% की कमी; छूट अवधि के बाद कीमतें 4 डॉलर और 20 डॉलर पर वापस आ जाएंगी।
हालाँकि, कीमत की घोषणा का अर्थ यह नहीं है कि अभी सामान्य Gemini API कॉल के माध्यम से उपलब्ध है। कार्बन पहले केवल एक छोटे से नेटवर्क डिफेंस संगठनों के लिए उपलब्ध है और संयुक्त राज्य सरकार के स्वैच्छिक प्री-रिलीज़ टेस्ट में शामिल है; इसके बाद ही यह फेयरविंड सुरक्षा साझेदारों तक धीरे-धीरे विस्तारित होगा। गूगल केवल यही कहता है कि प्रतिक्रिया और सुरक्षा समायोजन पूरा होने के बाद विकासकर्ताओं, उद्यमों और उपभोक्ताओं के लिए "जल्द से जल्द" उपलब्ध कराया जाएगा, लेकिन कोई निश्चित तारीख नहीं दी गई है।
यही वह स्थान है जहाँ समुदाय में सबसे अधिक विवाद हुआ है: रैंकिंग में कार्बन के परिणाम पहले से ही दिखाई दे रहे हैं, लेकिन सामान्य उपयोगकर्ता इन्हें स्वयं सत्यापित नहीं कर सकते। हैकर न्यूज़ पर संबंधित विषय के अनुसार, जब तक जाँच नहीं की गई, तब तक लगभग 799 अंक और 655 टिप्पणियाँ थीं, और कई चर्चाएँ मूल्यांकन संख्याओं को सवाल नहीं कर रही थीं, बल्कि "पहले पहला होने की घोषणा करें, बाद में पहुँच प्रदान करें" के प्रकाशन तरीके को सवाल कर रही थीं।
इसलिए, कार्बन का वर्तमान में सबसे त論िक अर्थ यह है: Google ने एक ऐसा उम्मीदवार मॉडल प्रदर्शित किया है जो Argon की तुलना में समग्र Agent क्षमताओं और साइबर सुरक्षा में स्पष्ट रूप से बेहतर है, और इसके लिए काफी पूर्ण मूल्यांकन सारणी प्रदान की है; लेकिन यह अभी भी विकासकर्ताओं के लिए स्वतंत्र रूप से परीक्षण और डिप्लॉय करने योग्य परिपक्व उत्पाद नहीं है। इसका वास्तविक मूल्य तब तय होगा जब यह खुलेगा, कि क्या यह समान कीमत, लेटेंसी और टूल परिवेश के साथ इन परिणामों को पुनः प्राप्त कर सकता है, और उत्पादन सुरक्षा सक्रिय होने पर कितनी सुरक्षा क्षमता शेष रहती है।


