Google, Gemini 4 Carbon'ı lançlıyor ve Siber Güvenlik ile Uzun Menzilli Görevlerde Rakiplerini Geride Bırakıyor

iconMetaEra
Paylaş
AI summary iconÖzet
Google'in Gemini 4 Carbon, Yapay Analiz Zekâ Endeksi v5.0'da 59 puanla birinci oldu ve Claude Opus 5.5 ile GPT-6 Astra'yı geride bıraktı. Zincir içi analiz, zafiyet tespiti (88,2%), istismar (54,8%) ve onarım (71,0%) alanlarında güçlü performans gösterdiğini gösteriyor. Model, çok günlük görevlerde istikrarını koruyor. Korku ve açgözlülük endeksiyle yansıtan piyasa duygusu, yapay zeka tabanlı yenilikler üzerine iyimser.
Bu model, ağ güvenliği ve uzun menzilli görev işleme kapasitesi açısından mevcut en ileri seviyede.

Yazar, Kaynak: Machine Learning Türkiye

Just now, Google, en güçlü model olarak tanıttığı Gemini 4 Carbon'ı duyurdu!

Bu model, ağ güvenliği ve uzun menzilli görev işleme kapasitesi açısından mevcut en ileri seviyede. Carbon, karmaşık görevleri günlerce süreyle kesintisiz şekilde işleyebilir, durmaz ve görevi tamamlamak için kolay yollar izlemez; nihayetinde yüksek kalitede ve güvenilir kodlar sunar.

Gemini 4 Argon'un önceki sürümünden sadece iki hafta geçti. Demis Hassabis, bir yıldırım simgesiyle başlayarak Google'ın yeni modeli "yıldırım hızında iterasyon" yaptığını açıkladı.

Harika, çok güçlü. Verilere göre, bu tamamen yeni Carbon modeli gerçekten çok iyi. Carbon, üçüncü taraf değerlendirme kuruluşu Artificial Analysis'ın Akıllı İndeks v5.0'ında 59 puan alarak birinci oldu. Sıralamada hemen ardından Claude Opus 5.5 58 puan, GPT-6 Astra ise 57 puan aldı. Üç model arasındaki fark sadece 2 puandı, ancak "birinci" hâlâ birincidir.

Ayrıca, Carbon, güvenlik açığı bulma benchmarkı SEC-bench Pro'da %88,2, güvenlik açığı kullanma benchmarkı ExploitGym'de %54,8 ve güvenlik açığı onarım benchmarkı CWE-bench'de %71,0 puan alarak tümünde açık bir öne çıkmayı garantiledi.

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

Kiber güvenlikte tam zincir SOTA, Chrome ekibi tarafından test edildi ve "10 kat daha iyi" sonucu elde edildi

Google, resmi blogunda Carbon'un ağ güvenliği yeteneklerine geniş yer ayırdı. Detaylı olarak, Carbon, ağ güvenliği savunmasının üç ana aşamasını kapsıyor ve her aşamada SOTA düzeyinde performans gösteriyor.

Sızma noktası arama: SEC-bench Pro üzerinde, Carbon %88,2 puan alarak GPT-6 Astra'nın %85,4 ve Argon'un %83,4 puanını aştı. Bu benchmark görevi, modellerin gerçek yazılımlarda gizlenmiş karmaşık güvenlik açıklarını kendi kendine keşfetmesini gerektirir.

Zafiyet Doğrulama: ExploitGym üzerinde Carbon, ikinci sırada yer alan GPT-6 Astra'nın %42,4'üne kıyasla %54,8 puanla büyük bir farkla önde. Bu test, modellerin zafiyetlerin gerçek dünyada kullanılıp kullanılamayacağını doğrulama yeteneğini ölçer ve güvenlik ekiplerinin onarım önceliklerini belirlemesine yardımcı olur. 10 saatlik sürede Carbon, 6 saatlik süreye göre çok küçük bir farkla (54,8% karşı 53,5%) sonuç vermiş, bu da modelin kısa sürede büyük bir kısmını tamamlayabileceğini göstermektedir.

Savunma döngüsünde kritik bir adımdır: Carbon, Collinear'ın CWE-bench'inde %71,0 başarı elde ederek doğrulanmış bulguları doğrudan çalışır kod onarımına dönüştürdü.

Açık benchmark'in yanı sıra Google, dahili verileri de sundu. Carbon, Argon'a göre güvenli kod oluşturma başarısını 2 katın üzerinde artırdı. Chrome tarayıcı ekibinin geri bildirimleri daha da çarpıcı: Carbon, kaliteli güvenlik düzeltmeleri üretme konusunda "başka bir laboratuvarın büyük ileri modelinden" 10 kat daha iyi performans gösterdiğini rapor ettiler.

Google'nin bulut güvenlik platformu Wiz de teste katıldı ve Carbon'un Web nüfuz testi performansında önde olduğunu gözlemledi; bu, Wiz'in "Scan for Good" programının temel yeteneklerinden biridir.

Uzun vadeli görev: Birkaç gün boyunca sürekli çalıştırılabilir

Carbon'ın diğer büyük avantajı, "Uzun Menzilli Görev" yeteneğidir. Bu, yeni nesil önde gelen büyük modeller arasındaki rekabetin anahtar yeteneklerinden biri haline gelmektedir.

Google, iç ekibin Carbon'ın büyük kod kümelerinde ve alt sistemlerde günlerce sürekli olarak çalıştığını, dosyalar arasında kök neden analizi yaparak ve onarımlar ürettiğini gözlemlediğini belirtti. Tıkanmalara karşı model, görevi doğrudan sonlandırmadan stratejilerini kendi kendine ayarlayarak ilerlemeye devam edebiliyor.

Bu yeteneklerin teknik temellerinden biri, uzun bağlam işleme kapasitesindeki önemli artıştır. GraphWalks testinde (256k ile 1M token aralığında BFS F1 değerlendirmesi), Carbon, Argon'un %84,2'sinden %96,2'ye yükseldi ve GPT-6 Astra'nın %71,8'inden ve Claude Opus 5.5'in %66,8'inden 20 puan üzerinde öne çıktı. 1M token bağlam penceresi desteği, modelin yaklaşık 1500 sayfa A4 belgenin eşdeğer bilgilerini tek seferde işlemesini sağlar.

Uzun süreli kapasitenin giderek daha önemli hale gelmesinin arkasında, Agent iş akışlarının modele daha yüksek taleplerde bulunması yatıyor. Yazılım mühendisliği örneğini alalım; gerçek anlamda karmaşık geliştirme görevleri genellikle kod değişikliklerinin sürekli izlenmesini, birden fazla dalın düzenlemelerinin koordinasyonunu, modüller arası bağımlılıkların yönetilmesini ve tekrarlı test ve hata düzeltmelerini içerir. Bu işler saatler hatta günler sürebilir ve tek bir soru-cevap etkileşiminin ötesine geçmiştir.

Ön uç büyük modeller için, uzun süren yürütme sürecinde hedefe bağlı kalıp, zamanında hataları düzeltip güvenilir sonuçlar sunabilme yeteneği, gerçek mühendislik değerlerini ölçmenin önemli bir standart haline gelmektedir.

Benchmark Panorama: Akıllı İndeks 9 Değerlendirmede 4 Birinci

Artificial Analysis Akıllı İndeks v5.0, şu anda endüstride en çok kullanılan kapsamlı değerlendirme sistemidir.

Carbon, toplam 59 puanla birinci oldu ve bunun içinde 4 kategoride (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience, AutomationBench-AA) birinci oldu; Claude Opus 5.5'ten (58 puan) 1 puan, GPT-6 Astra'dan (57 puan) 2 puan önde ve iki hafta önceki Argon'dan (50 puan) 9 puan daha yüksek. Artificial Analysis, Carbon'un öncülüğünün karmaşık muhakeme, bilgi ve bilimsel görevlerdeki güçlü performansla sürüldüğünü, programlama ve bilgi işlerinde Gemini serisinin geçmiş performansına kıyasla büyük ilerlemeler kaydettiğini, ancak bu alanlarda henüz tamamen önde olmadığını değerlendirdi.

Aşağıda boyutlar bazında açıklanmıştır.

Programlama açısından, Google modellerinin geleneksel zayıf noktasıydı ve Carbon'ın ilerlemesi en dikkat çekici. Artificial Analysis Coding Agent Index üzerinde, Carbon, Antigravity CLI (yüksek muhakeme) ile birlikte 59 puan alarak, birinci sırada yer alan Claude Code + Claude Opus 5.5 (maksimum muhakeme, 62 puan)’den sadece 3 puan geride kaldı. Tekil değerlendirme testlerinde, Terminal-Bench 4.0’da %64, FrontierCode v1.1’de %51 puan alarak, her ikisi de Claude Opus 5.5 (maksimum, %56)’den sonra ikinci sırada yer aldı. WebDev Arena’da (tam yığın web geliştirme yarışması) 89 Elo artarak dördüncü sıraya yükseldi (1768 Elo).

Bilgi işi: AA-Briefcase üzerinde Carbon (high) 1609 Elo puanı alarak Argon (high, 1483)'den 126 puan ilerledi. En büyük artış, 1598'e yükselen Sunum Kalitesi (Presentation) boyutunda oldu; Analitik Kalite (Analytical Quality) de 120 puan artarak 1671'e ulaştı. Ancak genel olarak hâlâ Kimi K3.1 Pro (1678), Muse Wonder (max, 1659) ve Grok 4.7 (xhigh, 1638)'den geride.

Bilgi Güvenilirliği ve Hallüsinasyon Oranı: AA-Omniscience v1.1, Carbon üzerinde 54 puan alarak Claude Opus 5.5 (maks., 48)’den 6 puan, Argon (46)’dan 8 puan önde. Doğruluk oranı (doğru cevap oranı), Argon’un %48’inden %58’e yükseldi, 10 puan artış sağlandı. Hallüsinasyon oranı, Argon’un %4’ünden %11’e çıktı, bir artış oldu ancak tüm modeller arasında hala ikinci en düşük, Argon’dan sonra. Karşılaştırma olarak, Claude Opus 5.5 (maks.) ve GPT-6 Astra (maks.)’ın hallüsinasyon oranları her ikisi de %50.

Bilim ve Matematik: RiemannBench 80,0%, Terminal-Bench-Science 64,8%, her ikisi de şu anki en yüksek puanlar.

Maliyet verimliliği: Carbon, bir akıllı indeks görevini ortalama 7,76 ABD dolarına tamamlıyor; bu, Claude Opus 5.5 (maks., 10,04 ABD doları)’den yaklaşık %23 daha düşük ve GPT-6 Astra (maks., 6,25 ABD doları)’nin yaklaşık 1,2 katı. Her görevde ortalama 123k token çıktısı veriyor; bu, Claude Opus 5.5 (maks., 173k)’den %29 daha az. Aynı fiyat aralığındaki Argon (her görev 7,68 ABD doları) ile maliyet açısından neredeyse eşit, ancak akıllı indeks puanı 9 puan daha yüksek.

Yapay Zeka Analizi Model Değerlendirmesi: https://artificialanalysis.ai/models/gemini-4-carbon

Güvenlik Uyumu: Hile oranı %0, İpucu Enjeksiyonu Sızma oranı %0

Carbon, Argon'un çok katmanlı savunma mimarisini güvenlik hizalamasında sürdürüyor ve eğitim aşaması hizalaması, gerçek zamanlı istismar tespiti, ipucu enjeksiyonu savunması ve düşünce zinciri izlemesini içeriyor; bunlara ek olarak daha da güçlendirildi.

Sahtecilik oranı %0,0'a düştü. Terminal-Bench 4.0 testinde, Carbon'un sahtecilik başarı oranı sıfırken, sahtecilik girişimi oranı sadece %0,4 oldu ve genel görev doğruluk oranı hâlâ artmaya devam etmektedir. Google, bunun eğitim aşamasında modelin kısayol kullanımını (shortcut exploitation) daha da azaltarak sağlandığını belirtti.

İnjection saldırı başarı oranı 0,0%. Gray Swan'ın dolaylı uyarı enjeksiyonu (Indirect Prompt Injection, IPI) testinde (k=15 saldırı denemesi), Carbon tüm saldırıları başarıyla engelledi. Diğer önde gelen modellerin performansı ile karşılaştırıldığında: Argon 0,7%, Claude Opus 5,5%, Claude Fable 5,1%, GPT-6 Astra 8,5%, Grok 4,6 ise %51,8.

Carbon, davranış kontrol düzeyinde, iki yaygın hizalama hatasını aynı anda iyileştirdi: kullanıcı niyetini aşan aşırı yürütme %26 azaldı, kullanıcı taleplerini kaçırma eksik yürütme ise %29 azaldı. Google, Carbon'un belirsiz görevlerle karşılaştığında davranış değişikliğini, modelin ilgili kaynakları aktif olarak arayarak kullanıcıya bilgi farklarını sunması ve eyleme geçmeden önce onay alması olarak tanımladı; tahminde bulunmaz veya zorla ilerlemez.

Carbon, Argon'a göre temel olmayan iddiaları yaklaşık iki kat daha az yapıyor. Ana bilgiler eksik olduğunda, model çıktıda yöntemsel sınırlamaları doğrudan işaretliyor veya tamamlanmamış ön koşulları listeliyor, yalan üretmiyor veya belirsizleştirmiyor.

İç ekip tarafından test edildi; yüksek ciddiyetteki uyum uyarıları Argon'a göre yaklaşık %80 azaldı.

Fiyatlandırma ve Kullanılabilirlik

Carbon, Argon ile aynı fiyatlara sahiptir: standart fiyat, milyon girdi token başına 4 dolar ve milyon çıktı token başına 20 dolar. Şu anda %50 lik piyasa indirimi sunulmaktadır ve bu indirim bitiş tarihi belirlenmemiştir. Önbelleğe alınan girdi tokenları için %95 indirim sağlanmaktadır, bu da milyon başına yalnızca 0,20 dolar anlamına gelir. Bağlam penceresi 1M token, metin, görüntü, video ve ses girdilerini destekler.

Her görev maliyeti açısından, Carbon'un akıllı indeks görevini tamamlama ortalaması 7,76 dolar olup, Claude Opus 5.5'in (10,04 dolar) %23 daha düşük, ancak GPT-6 Astra'nın (6,25 dolar) %24 daha yüksekidir. Her görevde ortalama 123k token üretmektedir; bu, Claude Opus 5.5'in 173k tokenine göre %29 daha azdır ve Carbon'un token verimliliğinde de bir avantaja sahip olduğunu göstermektedir.

Carbon, bu hafta başlayarak ilk olarak Fairwind projesine ait güvenilen ağ savunucularına açılıyor; geri bildirim toplayıp güvenlik önlemlerini iyileştirdikten sonra geliştiricilere, işletmelere ve tüketicilere genişletilecektir.

Son

Aynı alışkanlık tekrar geldi. Claude, bir “nükleer bomba” attı, Google yeni bir yemek sundu, OpenAI hemen gücü artırdı. Bir tur attıktan sonra, yine AI endüstrisinin sıradan bir haftası.

Bir zamanlar Google, öncü büyük modellerin hızlı gelişiminde sessiz kalmış gibi görünüyordu ve bu durum, şirketin bu rekabet masasında yerini koruyup koruyamayacağı konusunda şüphelere yol açmıştı. Ancak son zamanlarda özellikle Carbon ile sunduğu yeni sonuçlar, hâlâ dikkat çekmeye devam ediyor.

Elbette, devler birbirini yakalıyor, rekabet ne kadar yoğun olursa, sektör için o kadar iyi olur. Ancak "AI dünyayı yok edecek" gibi bir kriz hikayesi ya da "baş dönmesine ve yere yığılmanıza" neden olan abartılı pazarlama yerine, modellerin gerçek görevlerde somut ilerlemeler göstermesini görmek daha istiyoruz.

Daha az pırıl pırıl, daha fazla gerçek beceri. Böyle bir AI yarışması daha fazla beklenti uyandırır.

Yasal Uyarı: Bu sayfadaki bilgiler üçüncü şahıslardan alınmış olabilir ve KuCoin'in görüşlerini veya fikirlerini yansıtmayabilir. Bu içerik, herhangi bir beyan veya garanti olmaksızın yalnızca genel bilgilendirme amacıyla sağlanmıştır ve finansal veya yatırım tavsiyesi olarak yorumlanamaz. KuCoin, herhangi bir hata veya eksiklikten veya bu bilgilerin kullanımından kaynaklanan sonuçtan sorumlu değildir. Dijital varlıklara yapılan yatırımlar riskli olabilir. Lütfen bir ürünün risklerini ve risk toleransınızı kendi finansal koşullarınıza göre dikkatlice değerlendirin. Daha fazla bilgi için lütfen Kullanım Koşullarımıza ve Risk Açıklamamıza bakınız.