Google запускает Gemini 4 Carbon, превосходя конкурентов в кибербезопасности и задачах дальнего действия

iconMetaEra
Поделиться
AI summary iconСводка
Google's Gemini 4 Carbon возглавляет Индекс искусственного анализа Intelligence v5.0 с результатом 59, опередив Claude Opus 5.5 и GPT-6 Astra. Анализ в цепочке показывает высокую эффективность в обнаружении уязвимостей (88,2%), эксплуатации (54,8%) и устранении (71,0%). Модель сохраняет стабильность при выполнении многодневных задач. Рыночный настрой, отраженный в индексе страха и жадности, остается бычьим по отношению к инновациям, основанным на ИИ.
Эта модель достигла современного высочайшего уровня как в области кибербезопасности, так и в обработке долгосрочных задач.

Автор статьи, источник: Machine Learning China

Только что Google объявила о запуске новой передовой модели, Gemini 4 Carbon, называемой «самой мощной моделью»!

Эта модель достигла передового уровня как в области кибербезопасности, так и в обработке долгосрочных задач. Carbon может непрерывно выполнять сложные задачи в течение нескольких дней, не застревая и не прибегая к обходным путям для завершения задачи, в итоге предоставляя качественный и надежный код.

С момента выпуска предыдущего флагманского продукта Gemini 4 Argon прошло всего две недели. Демис Хассабис начал с эмодзи молнии, сообщая, что Google «итерирует с молниеносной скоростью» новую модель.

Отлично, очень уверенно. Согласно данным, новая модель Carbon действительно впечатляет. Carbon занял первое место с показателем 59 баллов по интеллектуальному индексу v5.0 от независимого рейтингового агентства Artificial Analysis. За ним следуют Claude Opus 5.5 с 58 баллами и GPT-6 Astra с 57 баллами. Разница между тремя моделями составляет всего 2 балла, но «первое место» — это всё же первое место.

Кроме того, Carbon показал результат 88,2% на эталоне обнаружения уязвимостей SEC-bench Pro, 54,8% на эталоне эксплуатации уязвимостей ExploitGym и 71,0% на эталоне устранения уязвимостей CWE-bench, установив явное лидерство по всем этим показателям.

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

Комплексная безопасность сети SOTA, команда Chrome протестировала «в 10 раз лучше»

Google уделил значительное внимание возможностям Carbon в области кибербезопасности в своем официальном блоге. Конкретно, Carbon охватывает три ключевых этапа киберзащиты, и на каждом из них достигает SOTA.

Поиск уязвимостей: на платформе SEC-bench Pro Carbon показал результат 88,2%, превзойдя GPT-6 Astra с результатом 85,4% и Argon с результатом 83,4%. Задача этого теста — заставить модель самостоятельно обнаруживать сложные уязвимости безопасности, скрытые в реальном программном обеспечении.

Проверка уязвимостей: на платформе ExploitGym Carbon показал результат 54,8%, значительно опередив второе место — GPT-6 Astra с 42,4%. Этот тест оценивает способность модели подтвердить фактическую эксплуатируемость уязвимостей, помогая командам безопасности определить приоритеты устранения. За 10-часовой лимит Carbon показал лишь небольшое улучшение по сравнению с 6-часовым лимитом (54,8% против 53,5%), что свидетельствует о том, что он способен выполнить большую часть проверок за короткое время.

Устранение уязвимости: после выявления уязвимости устранение ее корневой причины является ключевым этапом в жизненном цикле кибербезопасности. Carbon достиг 71,0% на CWE-bench Collinear, напрямую преобразуя проверенные обнаружения в рабочие исправления кода.

Помимо публичных бенчмарков, Google предоставил внутренние данные. Успеваемость Carbon в генерации безопасного кода превышает показатели Argon более чем в 2 раза. Отзывы команды Chrome еще более впечатляют: они сообщили, что Carbon в 10 раз лучше справляется с генерацией высококачественных безопасных исправлений, чем «крупная передовая модель из другой лаборатории».

Облако Google, платформа безопасности Wiz, также участвовало в тестировании и отметило, что Carbon демонстрирует лучшие результаты в тестовом наборе веб-проникновения — одной из ключевых возможностей программы Wiz «Scan for Good».

Долгосрочное задание: может работать непрерывно несколько дней

Еще одной ключевой особенностью Carbon является способность к «длительным задачам». Это также становится одним из ключевых конкурентных преимуществ новых поколений передовых крупных моделей.

Google сообщает, что внутренняя команда наблюдала, как Carbon может непрерывно работать в течение нескольких дней в крупных кодовых базах и нижележащих системах, выполняя поиск корневых причин и генерируя патчи через файлы. При столкновении с тупиком модель самостоятельно корректирует стратегию и продолжает продвижение, не завершая задачу напрямую.

Одной из технических основ этой способности является значительное улучшение обработки длинных контекстов. В тесте GraphWalks (оценка BFS F1 в диапазоне от 256k до 1M токенов) Carbon поднялся с 84,2% у Argon до 96,2%, опередив GPT-6 Astra на 24,4 процентных пункта (71,8%) и Claude Opus 5.5 на 29,4 процентных пункта (66,8%). Поддержка контекстного окна в 1M токенов означает, что модель может обрабатывать за один раз объем информации, эквивалентный примерно 1500 страницам документа A4.

Долгосрочная способность становится все более важной, поскольку рабочие процессы агентов предъявляют более высокие требования к моделям. Например, в программной инженерии действительно сложные задачи разработки часто включают постоянное отслеживание изменений кода, координацию правок в нескольких ветках, обработку зависимостей между модулями, а также многократное тестирование и устранение ошибок. Такие задачи могут занимать несколько часов или даже дней и давно вышли за рамки однократных вопросов и ответов.

Для передовых крупных моделей способность сохранять согласованность целей, своевременно исправлять ошибки и в итоге доставлять надежные результаты в течение длительного процесса выполнения становится важным критерием оценки их практической инженерной ценности.

Benchmark全景:智能指数9项评测4个第一

Artificial Analysis Интеллектуальный индекс v5.0 — это одна из наиболее часто используемых в отрасли комплексных систем оценки.

Carbon с общим баллом 59 возглавляет рейтинг, заняв первое место в четырех категориях (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience, AutomationBench-AA), обогнав Claude Opus 5.5 (58 баллов) на 1 балл, GPT-6 Astra (57 баллов) на 2 балла и Argon (50 баллов) из двух недель назад на 9 баллов. По оценке Artificial Analysis, лидерство Carbon обусловлено сильными результатами в сложных рассуждениях, знаниях и научных задачах, а также значительным прогрессом в программировании и работе с информацией (особенно по сравнению с историческими результатами серии Gemini), однако в этих направлениях оно еще не достигло всеобъемлющего лидерства.

Развернуто по следующим измерениям.

В программировании традиционной слабостью моделей Google является Carbon, чей прогресс наиболее примечателен. На индексе Artificial Analysis Coding Agent Index Carbon с Antigravity CLI (high reasoning) набрал 59 баллов, отставая всего на 3 балла от лидера — Claude Code + Claude Opus 5.5 (max reasoning, 62 балла). В отдельных тестах: Terminal-Bench 4.0 — 64%, FrontierCode v1.1 — 51%, оба результата заняли второе место, уступив только Claude Opus 5.5 (max, 56%). В WebDev Arena (арене полного стека веб-разработки) Carbon поднялся на 89 Elo до четвёртого места (1768 Elo).

Работа по знаниям: Carbon (high) набрал 1609 Elo на AA-Briefcase, что на 126 пунктов выше, чем у Argon (high, 1483). Наибольший рост зафиксирован по измерению Presentation (качество презентации) — прирост на 293 Elo до 1598; Analytical Quality (качество анализа) также вырос на 120 пунктов до 1671. Однако в целом он все еще отстает от Kimi K3.1 Pro (1678), Muse Wonder (max, 1659) и Grok 4.7 (xhigh, 1638).

Надежность знаний и уровень галлюцинаций: AA-Omniscience v1.1 показал результат 54 по шкале Carbon, что на 6 пунктов выше, чем у Claude Opus 5.5 (максимум, 48), и на 8 пунктов выше, чем у Argon (46). Точность (доля правильных ответов) выросла с 48% у Argon до 58% — увеличение на 10 процентных пунктов. Уровень галлюцинаций повысился с 4% у Argon до 11%, хотя и увеличился, остается вторым самым низким среди всех моделей, уступая только Argon. Для сравнения, уровень галлюцинаций у Claude Opus 5.5 (максимум) и GPT-6 Astra (максимум) составляет 50%.

Наука и математика: RiemannBench 80,0%, Terminal-Bench-Science 64,8% — оба являются текущими рекордными результатами.

Эффективность затрат: Средняя стоимость выполнения задачи интеллектуального индекса Carbon составляет 7,76 доллара США, что на 23% ниже, чем у Claude Opus 5.5 (max, 10,04 доллара США), и в 1,2 раза выше, чем у GPT-6 Astra (max, 6,25 доллара США). Средний объем вывода на задачу составляет 123 тыс. токенов, что на 29% меньше, чем у Claude Opus 5.5 (max, 173 тыс.). По стоимости задачи Carbon практически совпадает с Argon (7,68 доллара США за задачу), но показатель интеллектуального индекса выше на 9 баллов.

Анализ модели Artificial Analysis: https://artificialanalysis.ai/models/gemini-4-carbon

Безопасность в соответствии: уровень мошенничества 0%, уровень успешных атак с внедрением подсказок 0%

Carbon сохраняет архитектуру многоуровневой защиты Argon, включающую согласование на этапе обучения, реальное время обнаружения злоупотреблений, защиту от инъекций в подсказки и мониторинг цепочки рассуждений, а также усиливает её дополнительно.

Уровень мошенничества снизился до 0,0%. В тесте Terminal-Bench 4.0 уровень успешного мошенничества у Carbon составил ноль, а доля попыток мошенничества — всего 0,4%, при этом общая точность выполнения задач продолжает расти. Google сообщает, что этого удалось добиться за счет дальнейшего смягчения использования моделями обходных путей (shortcut exploitation) на этапе обучения.

Успешность атаки типа prompt injection: 0,0%. В тесте на косвенную инъекцию промптов (Indirect Prompt Injection, IPI) от Gray Swan (k=15 попыток атаки) Carbon успешно отразил все атаки. Для сравнения: Argon — 0,7%, Claude Opus и Claude Fable — по 1,0%, GPT-6 Astra — 8,5%, Grok 4.6 — до 51,8%.

На уровне контроля поведения Carbon улучшил две распространенные модели несоответствия: снижение чрезмерных действий (overreach, то есть операций, выходящих за рамки намерений пользователя) на 26% и снижение недостаточного выполнения (under-service, то есть пропущенных операций, запрошенных пользователем) на 29%. Google описывает изменение поведения Carbon при столкновении с неоднозначными задачами как активный поиск релевантных источников и представление пользователю различий в информации с последующим подтверждением перед выполнением действий, без предположений или принудительного продвижения.

В отношении прозрачности модели Carbon неподтвержденные утверждения сокращены примерно в 2 раза по сравнению с Argon. Когда отсутствует ключевая информация, модель прямо указывает на методологические ограничения или перечисляет незавершенные предварительные условия в выводе, не выдумывая и не замазывая пробелы.

Внутренние тесты показали, что высокосерьезные согласованные оповещения снизились почти на 80% по сравнению с Argon.

Ценообразование и доступность

Ценообразование Carbon соответствует Argon: стандартная цена составляет 4 доллара США за миллион входящих токенов и 20 долларов США за миллион исходящих токенов. В настоящее время действует скидка 50% при запуске, срок окончания не определен. Для кэшированных входящих токенов предоставляется скидка 95%, что составляет всего 0,20 доллара США за миллион. Размер контекстного окна — 1 млн токенов, поддерживаются входные данные в форматах текст, изображение, видео и аудио.

С точки зрения стоимости на задачу, средняя стоимость выполнения задачи интеллектуального индекса Carbon составляет 7,76 доллара США, что на 23% ниже, чем у Claude Opus 5.5 (10,04 доллара США), но на 24% выше, чем у GPT-6 Astra (6,25 доллара США). В среднем на задачу выводится 123K токенов, что на 29% меньше, чем у Claude Opus 5.5 (173K), что свидетельствует о преимуществе Carbon в эффективности использования токенов.

Carbon с этой недели открывается в первую очередь для доверенных защитников сети в проекте Fairwind, а затем постепенно расширит доступ — после сбора обратной связи и доработки механизмов безопасности — для разработчиков, предприятий и потребителей.

Эпилог

Снова вернулся знакомый цикл. Claude только что выпустил «атомную бомбу», Google тут же представил новое блюдо, а OpenAI усилила натиск. После круга — снова обычная неделя в индустрии ИИ.

Некоторое время назад Google казалась тихой на фоне быстрой итерации передовых больших моделей, и даже возникали сомнения, сможет ли она сохранить свое место в этой конкурентной игре. Однако недавние достижения, особенно Carbon, все же вызывают восхищение.

Конечно, чем ожесточеннее конкуренция между гигантами, тем лучше для всей отрасли. Однако вместо создания шума за счет нарративов об «уничтожении мира ИИ» или преувеличенного маркетинга, вызывающего «головокружение и паралич», мы хотим видеть реальный прогресс моделей в реальных задачах.

Меньше демонстративности, больше настоящих навыков. Такой конкурс ИИ действительно заслуживает ожидания.

Отказ от ответственности: Информация на этой странице может быть получена от третьих лиц и не обязательно отражает взгляды или мнения KuCoin. Данный контент предоставляется исключительно в общих информационных целях, без каких-либо заверений или гарантий, а также не может быть истолкован как финансовый или инвестиционный совет. KuCoin не несет ответственности за ошибки или упущения, а также за любые результаты, полученные в результате использования этой информации. Инвестиции в цифровые активы могут быть рискованными. Пожалуйста, тщательно оценивайте риски, связанные с продуктом, и свою устойчивость к риску, исходя из собственных финансовых обстоятельств. Для получения более подробной информации, пожалуйста, ознакомьтесь с нашими Условиями использования и Уведомлением о риске.