Google Meluncurkan Gemini 4 Carbon, Mengungguli Pesaing dalam Tugas Keamanan Siber dan Jarak Jauh

iconMetaEra
Bagikan
AI summary iconRingkasan
Gemini 4 Carbon dari Google memimpin Artificial Analysis Intelligence Index v5.0 dengan skor 59, mengungguli Claude Opus 5.5 dan GPT-6 Astra. Analisis on-chain menunjukkan kinerja kuat dalam deteksi kerentanan (88,2%), eksploitasi (54,8%), dan perbaikan (71,0%). Model ini mempertahankan stabilitas selama tugas multi-hari. Sentimen pasar, sebagaimana tercermin dalam fear and greed index, tetap bullish terhadap inovasi yang didorong AI.
Model ini mencapai tingkat terdepan saat ini dalam keamanan siber dan kemampuan pemrosesan tugas jangka panjang.

Penulis artikel, sumber: Machine Learning Indonesia

Baru saja, Google mengumumkan peluncuran model mutakhir generasi baru, Gemini 4 Carbon, yang disebut sebagai "model terkuat"!

Model ini mencapai tingkat terkini dalam keamanan siber dan kemampuan penanganan tugas jangka panjang. Carbon mampu menangani tugas kompleks secara terus-menerus selama beberapa hari tanpa terjebak dalam kebuntuan atau mengambil jalan pintas untuk menyelesaikan tugas, sehingga menghasilkan kode berkualitas tinggi dan andal.

Hanya dua minggu sejak peluncuran flagship sebelumnya, Gemini 4 Argon. Demis Hassabis memulai dengan emoji petir, mengumumkan bahwa Google sedang "Iterating at lightning speed" (beriterasi dengan kecepatan petir) untuk model baru.

Sangat baik, sangat percaya diri. Dari data, model Carbon yang benar-benar baru ini cukup menakjubkan. Carbon mendapatkan skor 59 dalam Indeks Kecerdasan v5.0 dari lembaga evaluasi pihak ketiga Artificial Analysis, menempati peringkat pertama. Diikuti oleh Claude Opus 5.5 dengan skor 58, dan GPT-6 Astra dengan skor 57. Ketiga model ini hanya berbeda 2 poin, tetapi "pertama" tetaplah pertama.

Selain itu, Carbon mencapai skor 88,2% pada benchmark penemuan kerentanan SEC-bench Pro, 54,8% pada benchmark eksploitasi ExploitGym, dan 71,0% pada benchmark perbaikan kerentanan CWE-bench, di mana model ini secara jelas memperoleh keunggulan yang signifikan.

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

Keamanan siber end-to-end SOTA, tim Chrome menguji 「lebih baik 10 kali lipat」

Google menghabiskan banyak ruang di blog resminya untuk membahas kemampuan keamanan siber Carbon. Secara spesifik, Carbon mencakup tiga tahap kunci pertahanan keamanan siber, dan setiap tahap mencapai SOTA.

Mencari kerentanan: Di SEC-bench Pro, Carbon mencapai skor 88,2%, melebihi GPT-6 Astra dengan 85,4% dan Argon dengan 83,4%. Tugas dalam benchmark ini adalah meminta model untuk secara mandiri menemukan kerentanan keamanan kompleks yang tersembunyi dalam perangkat lunak nyata.

Verifikasi kerentanan: Di ExploitGym, Carbon mendapatkan skor 54,8%, jauh di atas peringkat kedua, GPT-6 Astra, yang mendapat 42,4%. Tes ini mengukur kemampuan model dalam memverifikasi eksplorabilitas nyata dari kerentanan, membantu tim keamanan menentukan prioritas perbaikan. Dalam batas waktu 10 jam, selisih Carbon dengan batas waktu 6 jam sangat kecil (54,8% vs 53,5%), menunjukkan bahwa ia mampu menyelesaikan sebagian besar verifikasi dalam waktu singkat.

Memperbaiki kerentanan: Setelah mengidentifikasi kerentanan, memperbaiki akar penyebabnya merupakan langkah kunci dalam siklus pertahanan keamanan siber. Carbon mencapai 71,0% di CWE-bench Collinear, secara langsung mengubah temuan yang diverifikasi menjadi perbaikan kode yang berfungsi.

Selain benchmark publik, Google juga memberikan data internal. Tingkat keberhasilan Carbon dalam menghasilkan kode yang aman meningkat lebih dari 2 kali dibanding Argon. Umpan balik dari tim Chrome Browser bahkan lebih ekstrem, mereka melaporkan bahwa Carbon berkinerja lebih dari 10 kali lebih baik daripada "model canggih besar dari laboratorium lain" dalam menghasilkan patch keamanan berkualitas tinggi.

Platform keamanan cloud milik Google, Wiz, juga berpartisipasi dalam pengujian dan mengamati bahwa Carbon unggul dalam benchmark pengujian penetrasi web, yang merupakan salah satu kemampuan inti dari program Wiz 'Scan for Good'.

Tugas jangka panjang: dapat berjalan terus-menerus selama beberapa hari

Fitur lain dari Carbon adalah kemampuan "tugas jarak jauh". Ini juga sedang menjadi salah satu kemampuan kunci dalam persaingan model besar generasi baru.

Google menyatakan bahwa tim internal mengamati bahwa Carbon dapat berjalan terus-menerus selama beberapa hari di repositori kode besar dan sistem dasar, menyelesaikan pelacakan akar penyebab (root-causing) dan pembuatan patch lintas file. Saat menghadapi jalan buntu, model dapat menyesuaikan strateginya secara mandiri untuk terus maju, tanpa langsung menghentikan tugas.

Salah satu dasar teknis kemampuan ini adalah peningkatan signifikan dalam kemampuan pemrosesan konteks panjang. Dalam pengujian GraphWalks (evaluasi BFS F1 pada rentang 256k hingga 1M token), Carbon meningkat dari 84,2% pada Argon menjadi 96,2%, unggul lebih dari 20 poin persentase dibandingkan GPT-6 Astra sebesar 71,8% dan Claude Opus 5,5 sebesar 66,8%. Dukungan jendela konteks 1M token berarti model dapat memproses jumlah informasi setara dengan sekitar 1500 halaman dokumen A4 sekaligus.

Kemampuan jangka panjang menjadi semakin penting karena alur kerja Agent menuntut persyaratan yang lebih tinggi dari model. Sebagai contoh dalam rekayasa perangkat lunak, tugas pengembangan yang benar-benar kompleks sering melibatkan pelacakan berkelanjutan terhadap perubahan kode, koordinasi modifikasi pada beberapa cabang, penanganan ketergantungan lintas modul, serta pengujian dan perbaikan masalah berulang-ulang. Pekerjaan ini dapat berlangsung selama beberapa jam bahkan beberapa hari, jauh melampaui cakupan satu sesi tanya jawab.

Bagi model besar terkini, kemampuan untuk mempertahankan konsistensi tujuan, mengoreksi kesalahan secara tepat waktu, dan akhirnya menghasilkan hasil yang andal selama proses eksekusi yang panjang sedang menjadi standar penting untuk mengukur nilai teknisnya.

Benchmark Penuh: Indeks Cerdas, 9 Uji Coba, 4 Juara Pertama

Artificial Analysis Smart Index v5.0 adalah sistem evaluasi komprehensif yang paling banyak dirujuk di industri saat ini.

Carbon meraih skor total 59, memimpin dengan empat kategori pertama (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience, AutomationBench-AA), unggul 1 poin dari Claude Opus 5.5 (58 poin) dan 2 poin dari GPT-6 Astra (57 poin), serta meningkat 9 poin dibandingkan Argon dua minggu lalu (50 poin). Artificial Analysis menilai, kepemimpinan Carbon didorong oleh kinerja kuat dalam penalaran kompleks, pengetahuan, dan tugas ilmiah, dengan kemajuan signifikan dalam pemrograman dan pekerjaan berbasis pengetahuan (terutama dibandingkan performa historis seri Gemini), tetapi belum secara menyeluruh memimpin di bidang-bidang ini.

Diperinci menurut dimensi berikut.

Dalam hal pemrograman, ini merupakan kelemahan tradisional model Google, dan kemajuan Carbon paling patut diperhatikan. Pada Artificial Analysis Coding Agent Index, Carbon dengan Antigravity CLI (high reasoning) mendapat skor 59, hanya tertinggal 3 poin dari Claude Code + Claude Opus 5.5 (max reasoning, 62 poin). Dalam penilaian individu, Carbon mendapat skor 64% di Terminal-Bench 4.0 dan 51% di FrontierCode v1.1, keduanya berada di peringkat kedua, di belakang Claude Opus 5.5 (max, 56%). Di WebDev Arena (arena pengembangan web penuh), Carbon naik 89 Elo ke peringkat keempat (1768 Elo).

Pekerjaan pengetahuan: Carbon (high) mendapat skor 1609 Elo di AA-Briefcase, meningkat 126 poin dari Argon (high, 1483). Peningkatan terbesar terjadi pada dimensi Presentation (kualitas presentasi), yang melonjak 293 Elo menjadi 1598; Kualitas Analitis juga meningkat 120 poin menjadi 1671. Namun, secara keseluruhan masih tertinggal dari Kimi K3.1 Pro (1678), Muse Wonder (max, 1659), dan Grok 4.7 (xhigh, 1638).

Keandalan pengetahuan dan tingkat halusinasi: AA-Omniscience v1.1 mendapat skor Carbon 54, unggul 6 poin dari Claude Opus 5.5 (max, 48) dan 8 poin dari Argon (46). Tingkat akurasi (persentase jawaban benar) meningkat dari 48% pada Argon menjadi 58%, naik 10 poin persentase. Tingkat halusinasi naik dari 4% pada Argon menjadi 11%, meskipun mengalami peningkatan, tetap merupakan yang kedua terendah di antara semua model, hanya kalah dari Argon. Sebagai perbandingan, tingkat halusinasi Claude Opus 5.5 (max) dan GPT-6 Astra (max) masing-masing adalah 50%.

Ilmu dan Matematika: RiemannBench 80,0%, Terminal-Bench-Science 64,8%, keduanya mencapai skor tertinggi saat ini.

Efisiensi biaya: Rata-rata biaya Carbon untuk menyelesaikan tugas indeks cerdas adalah $7,76, 23% lebih rendah dibandingkan Claude Opus 5.5 (max, $10,04), dan sekitar 1,2 kali biaya GPT-6 Astra (max, $6,25). Rata-rata output per tugas adalah 123k token, 29% lebih sedikit dibandingkan Claude Opus 5.5 (max, 173k). Dibandingkan dengan Argon pada harga setara ($7,68 per tugas), biaya hampir seimbang, tetapi indeks kecerdasannya 9 poin lebih tinggi.

Analisis Evaluasi Model Artificial Analysis: https://artificialanalysis.ai/models/gemini-4-carbon

Keamanan selaras: tingkat kecurangan 0%, tingkat keberhasilan serangan injeksi petunjuk 0%

Carbon melanjutkan arsitektur sistem pertahanan berlapis Argon dalam hal keselarasan keamanan, termasuk alignment selama pelatihan, deteksi penyalahgunaan real-time, pertahanan terhadap prompt injection, dan pemantauan rantai pemikiran, serta memperkuatnya lebih lanjut.

Tingkat kecurangan turun menjadi 0,0%. Dalam pengujian Terminal-Bench 4.0, tingkat keberhasilan kecurangan Carbon adalah nol, dengan hanya 0,4% upaya kecurangan, sementara akurasi tugas keseluruhan terus meningkat. Google menyatakan ini dicapai dengan lebih lanjut mengurangi perilaku jalan pintas (shortcut exploitation) model selama tahap pelatihan.

Keberhasilan serangan prompt injection: 0,0%. Dalam pengujian benchmark Indirect Prompt Injection (IPI) Gray Swan (k=15 upaya serangan), Carbon berhasil menangkal semua serangan. Sebagai perbandingan, model mutakhir lainnya: Argon 0,7%, Claude Opus 5,5, dan Claude Fable 5,1 masing-masing 1,0%, GPT-6 Astra 8,5%, dan Grok 4,6 mencapai 51,8%.

Pada tingkat pengendalian perilaku, Carbon secara sejajar meningkatkan dua pola kegagalan penyelarasan yang umum: pengurangan 26% pada overreach (tindakan yang melampaui niat pengguna) dan pengurangan 29% pada under-service (kelalaian terhadap tindakan yang diminta pengguna). Google menjelaskan bahwa perubahan perilaku Carbon saat menghadapi tugas yang ambigu adalah model secara aktif mengambil sumber terkait dan menyajikan perbedaan informasi kepada pengguna, baru bertindak setelah konfirmasi, tanpa menebak atau memaksakan tindakan.

Dalam hal transparansi model, Carbon mengurangi klaim tanpa dasar (unsupported claims) sekitar 2 kali lebih banyak dibanding Argon. Ketika informasi kunci hilang, model akan secara langsung menandai batasan metodologis atau mencantumkan prasyarat yang belum terpenuhi dalam outputnya, tanpa membuat-buat atau mengaburkan.

Tim internal menguji secara langsung, peringatan kesalahan tingkat tinggi berkurang hampir 80% dibandingkan Argon.

Pricing and Availability

Harga Carbon disesuaikan dengan Argon, yaitu $4 per juta token masuk dan $20 per juta token keluar. Saat ini tersedia diskon peluncuran 50% tanpa batas waktu. Token masuk yang di-cache mendapat diskon 95%, sehingga hanya $0,20 per juta. Jendela konteks 1M token, mendukung input teks, gambar, video, dan suara.

Dari segi biaya per tugas, Carbon memiliki biaya rata-rata $7,76 per tugas indeks cerdas, 23% lebih rendah daripada Claude Opus 5.5 ($10,04), tetapi 24% lebih tinggi daripada GPT-6 Astra ($6,25). Carbon menghasilkan rata-rata 123k token per tugas, 29% lebih sedikit daripada 173k token dari Claude Opus 5.5, menunjukkan keunggulan Carbon dalam efisiensi token.

Carbon mulai minggu ini dibuka terlebih dahulu untuk para pembela jaringan terpercaya dalam proyek Fairwind, kemudian akan diperluas secara bertahap setelah mengumpulkan umpan balik dan mengiterasi perlindungan keamanan, sebelum dibuka secara penuh kepada pengembang, perusahaan, dan konsumen.

Penutup

Siklus yang sudah dikenal kembali muncul. Claude baru saja melepaskan "bom nuklir", lalu Google menyajikan hidangan baru, dan OpenAI langsung meningkatkan serangan. Setelah berputar-putar, ini lagi-lagi minggu biasa saja di industri AI.

Beberapa waktu lalu, Google tampaknya kehilangan suaranya dalam iterasi cepat model besar terkini, bahkan membuat orang bertanya-tanya apakah ia masih mampu bertahan di meja kompetisi ini. Namun, hasil baru yang secara berturut-turut dirilis, terutama Carbon, tetap mampu menarik perhatian.

Tentu, para raksasa saling mengejar, semakin ketat persaingannya, semakin baik bagi seluruh industri. Namun, daripada menciptakan suara melalui narasi krisis "AI menghancurkan dunia" atau pemasaran berlebihan yang membuat orang pusing dan terduduk, kami lebih ingin melihat kemajuan nyata dari model dalam tugas-tugas nyata.

Kurangi kesan berlebihan, tambahkan kemampuan nyata. Kompetisi AI seperti ini baru lebih patut ditunggu.

Penafian: Informasi pada halaman ini mungkin telah diperoleh dari pihak ketiga dan tidak mencerminkan pandangan atau opini KuCoin. Konten ini disediakan hanya untuk tujuan informasi umum, tanpa representasi atau jaminan apa pun, dan tidak dapat ditafsirkan sebagai saran keuangan atau investasi. KuCoin tidak bertanggung jawab terhadap segala kesalahan atau kelalaian, atau hasil apa pun yang keluar dari penggunaan informasi ini. Berinvestasi di aset digital dapat berisiko. Harap mengevaluasi risiko produk dan toleransi risiko Anda secara cermat berdasarkan situasi keuangan Anda sendiri. Untuk informasi lebih lanjut, silakan lihat Ketentuan Penggunaan dan Pengungkapan Risiko.