Google Melancarkan Gemini 4 Carbon, Melampaui Pesaing dalam Keselamatan Siber dan Tugasan Jarak Jauh

iconMetaEra
Kongsi
AI summary iconRingkasan
Gemini 4 Carbon milik Google memimpin Indeks Kecerdasan Analisis Buatan v5.0 dengan skor 59, mengungguli Claude Opus 5.5 dan GPT-6 Astra. Analisis on-chain menunjukkan prestasi kuat dalam pengesanan kerentanan (88.2%), eksploitasi (54.8%), dan pembaikan (71.0%). Model ini mengekalkan kestabilan sepanjang tugas berbilang hari. Sentimen pasaran, seperti yang dicerminkan dalam indeks takut dan serakah, tetap optimis terhadap inovasi yang didorong AI.
Model ini mencapai tahap terkini dalam keselamatan siber dan kemampuan penanganan tugas jangka panjang.

Penulis artikel, sumber: Machine Learning China

Baru sahaja, Google mengumumkan pelancaran model terkini, Gemini 4 Carbon, yang digelar sebagai "model terkuat"!

Model ini mencapai tahap terkini dalam keselamatan siber dan kemampuan penanganan tugas jangka panjang. Carbon mampu mengendalikan tugas kompleks secara berterusan selama beberapa hari tanpa terhenti atau mengambil jalan pintas untuk menyelesaikan tugas, serta menghantar kod berkualiti tinggi dan boleh dipercayai.

Hanya dua minggu telah berlalu sejak pelancaran flagship sebelumnya, Gemini 4 Argon. Demis Hassabis memulakan dengan emoji petir, menunjukkan bahawa Google sedang "Iterating at lightning speed" (mengulang dengan kelajuan petir) untuk model baharu.

Sangat baik, sangat yakin. Berdasarkan data, model Carbon yang baru ini benar-benar hebat. Carbon memperoleh skor 59 dalam Indeks Kecerdasan v5.0 dari agensi penilaian 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 88.2% dalam piawai penemuan lalai SEC-bench Pro, 54.8% dalam piawai pemanfaatan lalai ExploitGym, dan 71.0% dalam piawai pembaikan lalai CWE-bench, di mana model ini semuanya menetapkan keunggulan yang jelas.

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

Keamanan siber seluruh rantai SOTA, pasukan Chrome menguji「lebih baik 10 kali ganda」

Google menghabiskan banyak ruang di blog rasmi mereka untuk kemampuan keselamatan siber Carbon. Secara khusus, Carbon meliputi tiga peringkat utama pertahanan siber, dan setiap peringkat mencapai SOTA.

Mencari lubang keamanan: Di SEC-bench Pro, Carbon mencapai 88.2%, melebihi GPT-6 Astra pada 85.4% dan Argon pada 83.4%. Tugas ujian standard ini adalah meminta model untuk secara bebas mengesan lubang keamanan kompleks yang tersembunyi dalam perisian asli.

Pengesahan lubang keamanan: Di ExploitGym, Carbon mendapat skor 54.8%, jauh mengungguli pesaing kedua, GPT-6 Astra, yang mendapat 42.4%. Ujian ini mengukur kemampuan model untuk mengesahkan ketermanfaatan lubang keamanan secara praktikal, membantu pasukan keselamatan menentukan keutamaan pembaikan. Dalam tempoh 10 jam, perbezaan skor Carbon dengan tempoh 6 jam adalah kecil (54.8% berbanding 53.5%), menunjukkan ia mampu menyelesaikan sebahagian besar pengesahan dalam masa yang singkat.

Memperbaiki lubang kelemahan: Setelah mengenal pasti lubang kelemahan, memperbaiki punca masalah merupakan langkah penting dalam kitaran pertahanan keselamatan siber. Carbon mencapai 71.0% di CWE-bench Collinear, dengan mengubah temuan yang telah disahkan terus menjadi pembaikan kod yang berfungsi.

Selain benchmark awam, Google juga memberikan data dalaman. Kejayaan Carbon dalam menghasilkan kod selamat meningkat lebih daripada 2 kali ganda berbanding Argon. Maklum balas daripada pasukan Chrome Browser lebih ekstrem, mereka melaporkan bahawa Carbon berprestasi lebih daripada 10 kali ganda baik daripada "model terkini besar dari makmal lain" dalam menghasilkan pampasan keselamatan berkualiti tinggi.

Platform keselamatan awan milik Google, Wiz, juga terlibat dalam ujian dan memperhatikan bahawa Carbon menunjukkan prestasi terdepan dalam piawai pengujian penetrasi web, yang merupakan salah satu kemampuan utama dalam rancangan 'Scan for Good' Wiz.

Tugasan jangka panjang: Boleh berjalan berterusan selama beberapa hari

Kelebihan lain Carbon ialah kemampuan "tugasan jangka panjang". Ini juga sedang menjadi salah satu kemampuan utama dalam persaingan model besar generasi baru.

Google menyatakan bahawa pasukan dalaman mengamati bahawa Carbon mampu beroperasi secara berterusan selama beberapa hari dalam kod besar dan sistem asas, menyelesaikan pelacakan punca utama (root-causing) dan penghasilan pampasan lintas fail. Apabila menghadapi jalan buntu, model mampu menyesuaikan strateginya secara swakelola untuk meneruskan kemajuan, tanpa menghentikan tugas secara langsung.

Salah satu asas teknikal kemampuan ini ialah peningkatan ketara dalam kemampuan pemprosesan konteks panjang. Dalam ujian GraphWalks (penilaian BFS F1 dalam julat 256k hingga 1M token), Carbon meningkat dari 84.2% pada Argon kepada 96.2%, mengungguli GPT-6 Astra yang berada pada 71.8% dan Claude Opus 5.5 yang berada pada 66.8% melebihi 20 peratus. Dengan menyokong jendela konteks 1M token, model ini mampu memproses jumlah maklumat yang setara dengan kira-kira 1500 halaman dokumen A4 dalam satu masa.

Kemampuan jangka panjang menjadi semakin penting kerana alur kerja Agen menuntut lebih banyak daripada model. Sebagai contoh dalam kejuruteraan perisian, tugas pembangunan yang sebenarnya kompleks sering melibatkan pemantauan berterusan terhadap perubahan kod, koordinasi perubahan pada beberapa cawangan, penanganan ketergantungan antar modul, serta pengujian dan pembaikan berulang. Tugas-tugas ini boleh berterusan selama berjam-jam atau bahkan berhari-hari, jauh melebihi lingkungan soal-jawab tunggal.

Bagi model canggih terkini, keupayaan untuk mengekalkan konsistensi matlamat, memperbaiki kesilapan dengan segera, dan akhirnya menghantar hasil yang boleh dipercayai sepanjang proses pelaksanaan yang panjang sedang menjadi ukuran penting bagi nilai kejuruteraan sebenarnya.

Benchmark Penuh: Indeks Pintar, 9 Ujian, 4 Juara

Artificial Analysis Indeks Cerdas v5.0 adalah sistem penilaian komprehensif yang paling banyak dirujuk dalam industri saat ini.

Carbon memuncaki peringkat dengan skor total 59, meraih peringkat pertama dalam 4 kategori (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 kinerja historis seri Gemini), tetapi belum secara menyeluruh memimpin di bidang-bidang ini.

Dikembangkan mengikut dimensi berikut.

Dalam aspek pemrograman, kelemahan tradisional model Google ialah Carbon, yang menunjukkan kemajuan paling menarik. Dalam Artificial Analysis Coding Agent Index, Carbon dengan Antigravity CLI (high reasoning) mendapat skor 59, hanya tertinggal 3 mata dari Claude Code + Claude Opus 5.5 (max reasoning, 62 mata). Dalam penilaian individu, Carbon mendapat 64% dalam Terminal-Bench 4.0 dan 51% dalam FrontierCode v1.1, kedua-duanya berada di tempat kedua, hanya di belakang Claude Opus 5.5 (max, 56%). Carbon juga naik 89 Elo ke tempat keempat dalam WebDev Arena (arena pembangunan web penuh) dengan skor 1768 Elo.

Kerja pengetahuan: Carbon (high) mendapat skor 1609 Elo di AA-Briefcase, meningkat 126 poin berbanding Argon (high, 1483). Peningkatan terbesar berlaku pada dimensi Presentation (kualiti persembahan), naik 293 Elo kepada 1598; Kualiti Analitikal juga meningkat 120 poin kepada 1671. Namun, secara keseluruhan masih tertinggal daripada Kimi K3.1 Pro (1678), Muse Wonder (max, 1659), dan Grok 4.7 (xhigh, 1638).

Kehandalan pengetahuan dan kadar halusinasi: AA-Omniscience v1.1 mendapat skor Carbon 54, unggul 6 poin daripada Claude Opus 5.5 (max, 48) dan 8 poin daripada Argon (46). Kepresisian (peratusan jawapan betul) meningkat dari 48% pada Argon kepada 58%, iaitu peningkatan 10 peratus. Kadar halusinasi meningkat dari 4% pada Argon kepada 11%, walaupun ada peningkatan, ia masih merupakan yang kedua terendah di antara semua model, hanya kalah daripada Argon. Sebagai perbandingan, kadar halusinasi Claude Opus 5.5 (max) dan GPT-6 Astra (max) masing-masing ialah 50%.

Sains dan Matematik: RiemannBench 80.0%, Terminal-Bench-Science 64.8%, kedua-duanya mencatatkan skor tertinggi semasa ini.

Kecekapan kos: Kos purata Carbon untuk menyelesaikan tugas indeks pintar ialah $7.76, iaitu lebih rendah sebanyak kira-kira 23% berbanding Claude Opus 5.5 (max, $10.04), dan 1.2 kali ganda kos GPT-6 Astra (max, $6.25). Output purata per tugas ialah 123k token, 29% lebih rendah berbanding Claude Opus 5.5 (max, 173k). Berbanding Argon pada harga yang sama ($7.68 per tugas), kosnya hampir sama, tetapi indeks pintarnya 9 mata lebih tinggi.

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

Keselamatan selari: Kadar kecurangan 0%, kadar jebakan suntikan petunjuk 0%

Carbon melanjutkan arsitektur pertahanan berlapis Argon dalam keselarasan keselamatan, termasuk keselarasan pada peringkat latihan, pengesanan penyalahgunaan secara nyata, pertahanan terhadap penyuntikan petunjuk, dan pemantauan rantai pemikiran, serta diperkuat lagi berdasarkan asas tersebut.

Kadar kecurangan turun kepada 0.0%. Dalam ujian Terminal-Bench 4.0, kadar kejayaan kecurangan Carbon adalah sifar, dengan hanya 0.4% percubaan kecurangan, sementara ketepatan tugas keseluruhan terus meningkat. Google menyatakan bahawa ini dicapai dengan meredakan lebih lanjut perilaku jalan pintas model semasa peringkat latihan.

Kejayaan serangan prompt injection 0.0%. Dalam ujian piawai indirect prompt injection (IPI) Gray Swan (k=15 percubaan serangan), Carbon berjaya menahan semua serangan. Berbanding prestasi model terkini lain: Argon 0.7%, Claude Opus 5.5, dan Claude Fable 5.1 semuanya 1.0%, GPT-6 Astra 8.5%, dan Grok 4.6 mencapai 51.8%.

Pada tahap pengawasan tingkah laku, Carbon secara serentak memperbaiki dua corak kegagalan selari yang biasa: pengurangan 26% dalam tindakan berlebihan (overreach, iaitu tindakan yang melampaui niat pengguna) dan pengurangan 29% dalam tindakan tidak mencukupi (under-service, iaitu melupakan tindakan yang diminta pengguna). Google menggambarkan perubahan tingkah laku Carbon apabila menghadapi tugas kabur sebagai model yang secara aktif mengambil sumber yang berkaitan dan memaparkan perbezaan maklumat kepada pengguna, sebelum bertindak selepas pengesahan, tanpa menebak atau memaksa meneruskan.

Dalam hal transparansi model, Carbon mengurangkan pernyataan tanpa dasar (unsupported claims) sebanyak kira-kira dua kali ganda berbanding Argon. Apabila maklumat penting hilang, model akan secara langsung menandakan had metodologi atau menyenaraikan syarat awal yang belum selesai dalam outputnya, tanpa membuat-buat atau memperlahankan.

Ujian dalaman menunjukkan bahawa peringatan sejajar dengan keparahan tinggi berkurang hampir 80% berbanding Argon.

Harga dan ketersediaan

Harga Carbon diselaraskan dengan Argon, dengan harga standard sebanyak $4 per juta token masuk dan $20 per juta token keluar. Kini menawarkan diskaun pelancaran 50%, dengan tarikh akhir yang belum ditentukan. Token masuk yang disimpan mendapat diskaun 95%, hanya $0.20 per juta. Tetingkap konteks 1M token, menyokong input teks, gambar, video, dan suara.

Dari segi kos setiap tugas, Carbon mempunyai kos purata sebanyak $7.76 untuk menyelesaikan tugas indeks pintar, iaitu lebih rendah sebanyak kira-kira 23% berbanding Claude Opus 5.5 ($10.04), tetapi lebih tinggi sebanyak kira-kira 24% berbanding GPT-6 Astra ($6.25). Ia menghasilkan purata 123k token setiap tugas, yang 29% lebih rendah daripada 173k token milik Claude Opus 5.5, menunjukkan bahawa Carbon juga mempunyai kelebihan dalam kecekapan token.

Carbon akan dibuka terlebih dahulu kepada pembela jaringan terpercaya dalam projek Fairwind bermula minggu ini, kemudian akan diperluaskan secara berperingkat kepada pembangun, perusahaan, dan pengguna akhir selepas mengumpul maklum balas dan mengitersi pagar keselamatan.

Penutup

Siklus yang sudah dikenal kembali muncul. Claude baru sahaja melepaskan satu「bom nuklear», Google segera menghidangkan hidangan baharu, dan OpenAI kemudian meningkatkan serangan. Selepas berputar sebentar, ia adalah minggu biasa sahaja dalam industri AI.

Beberapa waktu lalu, Google kelihatan kehilangan suara dalam persaingan pantas pemodenan model besar, sehingga menimbulkan keraguan sama ada ia masih mampu bertahan di meja permainan ini. Namun, hasil terkini yang dikeluarkan secara berturut-turut, terutamanya Carbon, masih mampu menarik perhatian.

Tentu, para raksasa saling mengejar, semakin ketat persaingan, 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 model dalam tugas-tugas sebenarnya.

Kurangkan sedikit kehebatan semu, tambahkan lebih banyak kebolehan sebenar. Kompetisi AI seperti ini jauh lebih patut ditunggu-tunggu.

Penafian: Maklumat yang terdapat pada halaman ini mungkin telah diperoleh daripada pihak ketiga dan tidak semestinya menggambarkan pandangan atau pendapat KuCoin. Kandungan ini adalah disediakan bagi tujuan maklumat umum sahaja, tanpa sebarang perwakilan atau waranti dalam apa jua bentuk, dan juga tidak boleh ditafsirkan sebagai nasihat kewangan atau pelaburan. KuCoin tidak akan bertanggungjawab untuk sebarang kesilapan atau pengabaian, atau untuk sebarang akibat yang terhasil daripada penggunaan maklumat ini. Pelaburan dalam aset digital boleh membawa risiko. Sila menilai risiko produk dan toleransi risiko anda dengan teliti berdasarkan keadaan kewangan anda sendiri. Untuk maklumat lanjut, sila rujuk kepada Terma Penggunaan dan Pendedahan Risiko kami.