Google Melancarkan Gemini 4 Carbon, Memimpin dalam Ukuran Keselamatan AI

iconMetaEra
Kongsi
AI summary iconRingkasan
Gemini 4 Carbon milik Google memuncaki ukuran keselamatan AI dengan skor 59 pada Artificial Analysis Intelligence Index v5.0. Ia mencapai 88.2% dalam penemuan kerentanan, 54.8% dalam pengesahan eksploitasi, dan 71.0% dalam pembaikan kod. Model ini dibataskan kepada kumpulan keselamatan siber tertentu dan tidak mempunyai API awam. Pedagang yang memantau indeks takut dan serakah mungkin menemui altcoin yang perlu dipantau dalam projek keselamatan yang digerakkan oleh AI. Google menyatakan model ini boleh berjalan selama berhari-hari dalam pangkalan kod besar, walaupun pengesahan bebas masih menunggu.
Google melancarkan model terkini, Gemini 4 Carbon, dengan fokus pada peningkatan kemampuan AI Agent jangka panjang, kejuruteraan perisian, dan keselamatan siber. Carbon berada di tempat pertama dengan skor 59 dalam Artificial Analysis Intelligence Index v5.0, serta mencapai 88.2%, 54.8%, dan 71.0% masing-masing dalam penilaian penemuan lubang keamanan, pengesahan eksploitasi lubang, dan pembaikan kod. Google menyatakan bahawa model ini boleh beroperasi berterusan selama beberapa hari dalam kodbas besar, terus mencari penyelesaian selepas menghadapi jalan buntu, sambil mengurangkan penipuan, operasi luar batas, dan pernyataan tanpa asas. Namun, kali ini lebih tepat disebut sebagai “pelancaran terhad dengan hasil penilaian”: Carbon kini hanya boleh diakses oleh beberapa institusi pertahanan siber, dan pembangun biasa belum mempunyai API awam; sebahagian besar data keselamatan dan kebolehpercayaan juga berasal daripada ujian dalaman Google dan masih memerlukan pengesahan bebas.

Penulis artikel, sumber: Google DeepMind

Carbon bukan model ringan baru, tetapi iterasi pantas bagi Argon

Gemini 4 Carbon ialah model canggih seterusnya yang dilancarkan kira-kira dua minggu selepas pelancaran Gemini 4 Argon. Google tidak mengumumkan jumlah parameter, perubahan arsitektur, data latihan, atau kuasa komputasi latihan, dan juga tidak menjelaskan sama ada Carbon adalah model yang dilatih semula, versi fine-tuning mendalam Argon, atau checkpoint pembaharuan model asas yang sama.

Dari skala konteks yang sama, harga yang hampir serupa, dan jangka masa pelancaran yang singkat, ia lebih mirip satu iterasi kemampuan pantas cepat dalam siri Gemini 4 daripada model "Flash" yang ditujukan untuk skenario berkos rendah. Namun, ini hanyalah satu inferens berdasarkan maklumat awam; Google belum mengesahkan hubungan teknikal antara keduanya secara rasmi.

Carbon menyokong input teks, gambar, suara, dan video, dengan output masih berfokus pada teks, dengan jendela konteks 1 juta token. Google menempatkannya sebagai model "jangka panjang": pasukan dalaman telah membuatnya berjalan secara berterusan selama beberapa hari, semula jadi memeriksa kod besar, melacak kesalahan tersembunyi dalam sistem asas, dan terus mencari selepas menghadapi laluan tidak sah, bukan mengumumkan tugas selesai terlalu awal.

Pertama dalam senarai keseluruhan, tetapi tidak semua projek memimpin

Carbon mendapat skor 59 dalam Intelligence Index v5.0 yang baru dikemaskini oleh Artificial Analysis, menduduki tempat pertama di antara 52 model yang dinilai. Sebagai perbandingan, dalam jadual yang sama yang diterbitkan oleh Google, Claude Opus 5.5 mendapat skor 58, GPT‑6 Astra mendapat skor 57, dan generasi sebelumnya Argon mendapat skor 50. Indeks ini terdiri daripada sembilan set tugas pemrograman, pengetahuan, penalaran, sains, dan automasi, dan bukan hanya menggunakan banci sendiri Google.

Tetapi "teratas secara komprehensif" tidak bermaksud memimpin secara menyeluruh.

Dalam ujian kejuruteraan perisian FrontierSWE 2, Carbon berada pada 61.2%, lebih rendah daripada 65.5% GPT‑6 Astra dan 62.3% Claude Opus 5.5; dalam subset offline operasi komputer OSWorld, Carbon berada pada 81.5%, masih lebih rendah daripada 87.2% Opus 5.5. Projek yang menonjol termasuk 65.2% Terminal‑Bench 4.0, 53.9% AutomationBench, dan 96.2% ujian konteks panjang GraphWalks.

Artificial Analysis juga mengungkapkan kos di sebalik pencapaian tersebut. Carbon menghasilkan sebanyak 200 juta Token output dalam keseluruhan ujian komprehensifnya, manakala median model sejenis adalah sekitar 64 juta, menunjukkan ia menggunakan lebih banyak penalaran dan teks untuk mendapatkan pencapaian. Berdasarkan harga pasaran rasmi, rata-rata tugas indeks memerlukan kira-kira $7.76. Kelajuan output yang dicatat dalam ujian adalah sekitar 99.8 Token per saat, tetapi masa tunggu untuk Token pertama mendekati 97.5 saat. Oleh itu, ia lebih sesuai untuk tugas panjang yang boleh menunggu analisis mendalam, bukan untuk skenario interaktif yang memerlukan respons segera.

Keselamatan siber meliputi tiga peringkat: "penemuan—pengesahan—pembaikan"

Google kali ini menjadikan keselamatan cyber sebagai ciri utama Carbon, bukan sekadar kemampuan tambahan.

Dalam SEC‑bench Pro, Carbon mencapai 88.2%, dengan tugas mencari kelemahan kompleks dalam perisian sebenar; mencapai 54.8% dalam ExploitGym, yang menguji sama ada model boleh mengesahkan sama ada kelemahan tersebut benar-benar boleh dieksploitasi; dan mencapai 71.0% dalam CWE‑bench, yang menguji kemampuannya untuk mengenal pasti punca asal dan menghasilkan kod pembaikan yang dapat lulus ujian.

Tiga kemampuan ini masing-masing berkaitan dengan tiga peringkat kerja keselamatan: mengenal pasti isu mencurigakan, menilai risiko sebenar, dan menyelesaikan pembaikan. Google percaya bahawa memasukkan ketiga-tiganya ke dalam satu proses Agent boleh mengurangkan masalah pengimbasan keselamatan tradisional yang menghasilkan banyak amaran bernilai rendah tetapi tidak dapat disahkan dan diperbaiki.

Dalam ujian penghasilan kod keselamatan dalaman Google, kejayaan Carbon dikatakan melebihi dua kali ganda Argon; pasukan Chrome juga melaporkan bahawa ia mencapai lebih daripada sepuluh kali ganda prestasi model besar terkini di makmal lain dalam menghasilkan pampasan berkualiti tinggi. Namun, Google tidak mengumumkan model pesaing yang dimaksudkan, soalan lengkap, saiz sampel, dan kes gagal di sini, oleh itu "sepuluh kali ganda" tidak boleh difahami sebagai kesimpulan bebas yang berlaku secara umum kepada semua perpustakaan kod.

Google juga secara jelas menyatakan bahawa tiga pencapaian keselamatan siber yang dipaparkan diukur dalam persekitaran yang tanpa sekatan perlindungan penghasilan. Selepas produk sebenar dilancarkan, permintaan berbahaya mungkin ditolak, diarahkan semula, atau dibatasi oleh kebenaran alat, sehingga kemampuan sebenar yang boleh digunakan mungkin tidak sama dengan penilaian tanpa perlindungan.

Lebih sedikit kecurangan dan pelanggaran, tetapi "0% kejayaan serangan" tidak bermaksud keselamatan mutlak

Risiko agen jangka panjang bukan sahaja terletak pada jawapan yang salah, tetapi juga mencari lubang penilaian, melangkau batasan, atau mengaku telah melaksanakan tindakan yang sebenarnya tidak dilakukan.

Google menyatakan bahawa kadar kejayaan penipuan Carbon dalam Terminal‑Bench 4.0 telah turun kepada 0%, dengan kadar cubaan penipuan sebanyak 0.4%; dalam persekitaran pemrograman sebenar dalaman, amaran "perilaku tidak konsisten" dengan keparahan tinggi berkurang hampir 80% berbanding Argon. Penilaian dalaman juga menunjukkan bahawa pernyataan tanpa asas berkurang lebih kurang separuh, tindakan berlebihan berkurang 26%, dan kes gagal menyelesaikan tugas yang munasabah akibat kehati-hatian berlebihan berkurang 29%.

Dalam ujian penyuntikan petunjuk Gray Swan tidak langsung, Carbon mencatat kadar kejayaan serangan 0%, lebih baik daripada Argon yang 0.7%. Ini bermakna ia menahan semua serangan dalam ujian ini, bukan membuktikan bahawa sebarang petunjuk jahat yang dikembalikan oleh laman web, dokumen, atau alat tidak boleh mempengaruhinya. Serangan penyuntikan petunjuk terus berubah-ubah, dan kadar 0% dalam satu ukuran piawai tidak boleh dijadikan asas untuk menyimpulkan tiada risiko dalam pelaksanaan sebenar.

Perlu diperhatikan bahawa data kecurangan, pelanggaran, pernyataan tanpa asas, dan amaran dalaman yang disebutkan di atas terutamanya ditakrifkan dan diukur oleh Google sendiri. Saat ini tidak ada kad model lengkap yang tersendiri untuk Carbon, dan direktori kad model Google masih hanya menyenaraikan Argon yang telah dikeluarkan sebelum ini; pihak luar juga belum memperoleh akses yang mencukupi untuk mengulangi kesimpulan kebolehpercayaan ini dalam skala besar.

Harga telah diumumkan, tetapi model belum dilancarkan secara rasmi

Google merancang untuk mengamalkan harga promosi yang sama dengan Argon pada pelancaran rasmi: $2 setiap juta token input, $10 setiap juta token output, dengan harga cache input dikurangkan sebanyak 95%; harga akan kembali kepada $4 dan $20 selepas tempoh promosi berakhir.

Namun, pengumuman harga tidak bermakna ia kini boleh diakses melalui panggilan API Gemini biasa. Carbon terlebih dahulu hanya dibuka kepada sekumpulan kecil institusi pertahanan siber dan menyertai ujian pra-pelancaran sukarela oleh kerajaan Amerika Syarikat; selepas itu, ia akan diperluaskan secara berperingkat kepada rakan kongsi keselamatan Fairwind. Google hanya menyatakan bahawa ia akan diberikan kepada pembangun, perniagaan, dan pengguna akhir "secepat mungkin" selepas menyelesaikan maklum balas dan penyesuaian perlindungan, tanpa memberikan tarikh yang pasti.

Ini juga merupakan tempat paling banyak diperdebatkan oleh komunitas: daftar peringkat telah menunjukkan hasil Carbon, tetapi pengguna biasa tidak dapat memverifikasi sendiri. Topik terkait di Hacker News pada saat pengambilan data memiliki sekitar 799 poin dan 655 ulasan, dengan banyak diskusi yang tidak mempertanyakan angka evaluasi itu sendiri, tetapi mempertanyakan cara peluncuran “mengumumkan pertama, kemudian memberikan akses nanti”.

Oleh itu, tafsiran paling munasabah terhadap Carbon sekarang ialah: Google telah memperkenalkan model kandidat yang jelas lebih unggul daripada Argon dalam segi kemampuan agen komprehensif dan keselamatan siber, serta menyediakan jadual penilaian yang agak lengkap; tetapi ia belum menjadi produk matang yang boleh diuji dan dilaksanakan secara bebas oleh pembangun. Yang benar-benar menentukan nilainya ialah sama ada hasil-hasil ini boleh diperoleh semula dengan harga, latensi, dan persekitaran alat yang sama selepas dibuka, serta berapa banyak kemampuan keselamatan yang masih tinggal apabila perlindungan pengeluaran diaktifkan.

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.