Mô hình này đạt đến trình độ tiên tiến nhất hiện nay về khả năng xử lý nhiệm vụ mạng lưới an ninh và khoảng cách dài.Tác giả bài viết, nguồn: Machine Heart
Vừa qua, Google công bố ra mắt mô hình tiên tiến thế hệ mới, được mệnh danh là "mô hình mạnh nhất" Gemini 4 Carbon!

Mô hình này đạt đến trình độ tiên tiến nhất hiện nay về an ninh mạng và khả năng xử lý nhiệm vụ dài hạn. Carbon có thể xử lý liên tục các nhiệm vụ phức tạp trong nhiều ngày mà không bị đình trệ hay tìm cách đi tắt để hoàn thành nhiệm vụ, cuối cùng cung cấp mã chất lượng cao và đáng tin cậy.
Chỉ mới hai tuần kể từ khi ra mắt mẫu flagship Gemini 4 Argon. Demis Hassabis bắt đầu bằng biểu tượng chớp lightning, cho biết Google đang “Iterating at lightning speed” (lặp lại với tốc độ chớp nhoáng) mô hình mới.

Tốt lắm, rất tự tin. Dựa trên dữ liệu, mô hình Carbon hoàn toàn mới này thực sự ấn tượng. Carbon đạt 59 điểm trên chỉ số trí tuệ v5.0 của tổ chức đánh giá bên thứ ba Artificial Analysis, đứng đầu bảng. Claude Opus 5.5 đứng sau với 58 điểm, GPT-6 Astra đạt 57 điểm. Ba mô hình chỉ cách nhau 2 điểm, nhưng “đầu bảng” vẫn là đầu bảng.

Ngoài ra, Carbon đạt 88,2% trên bộ tiêu chuẩn phát hiện lỗ hổng SEC-bench Pro, 54,8% trên bộ tiêu chuẩn khai thác lỗ hổng ExploitGym và 71,0% trên bộ tiêu chuẩn sửa lỗi lỗ hổng CWE-bench, qua đó thiết lập lợi thế rõ rệt.

Liên kết blog: https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/
Bảo mật mạng toàn chuỗi SOTA, nhóm Chrome kiểm nghiệm thực tế “tốt hơn 10 lần trở lên”
Google đã dành rất nhiều nội dung trong bài đăng trên blog chính thức để nói về khả năng an ninh mạng của Carbon. Cụ thể, Carbon bao phủ ba giai đoạn then chốt trong phòng thủ an ninh mạng, và mỗi giai đoạn đều đạt mức SOTA.
Tìm lỗ hổng: Trên SEC-bench Pro, Carbon đạt 88,2%, vượt qua GPT-6 Astra với 85,4% và Argon với 83,4%. Nhiệm vụ của bài kiểm tra này là yêu cầu mô hình tự phát hiện các lỗ hổng bảo mật phức tạp ẩn trong phần mềm thực tế.

Xác minh lỗ hổng: Trên ExploitGym, Carbon đạt điểm 54,8%, dẫn xa thứ hai là GPT-6 Astra với 42,4%. Bài kiểm tra này đo lường khả năng của mô hình trong việc xác minh tính khai thác thực tế của lỗ hổng, giúp các đội an ninh xác định mức độ ưu tiên vá lỗi. Trong thời gian giới hạn 10 giờ, Carbon chỉ cách biệt nhỏ so với thời gian giới hạn 6 giờ (54,8% so với 53,5%), cho thấy nó có thể hoàn thành phần lớn công việc xác minh trong thời gian ngắn.

Sửa lỗ hổng: Sau khi xác định được lỗ hổng, việc khắc phục nguyên nhân gốc rễ là một bước then chốt trong vòng đời phòng thủ an ninh mạng. Carbon đạt 71,0% trên CWE-bench của Collinear, chuyển trực tiếp các phát hiện đã xác minh thành các bản sửa lỗi mã có thể hoạt động.

Ngoài dữ liệu benchmark công khai, Google còn cung cấp dữ liệu nội bộ. Tỷ lệ thành công của Carbon trong việc tạo mã an toàn cao hơn gấp hơn 2 lần so với Argon. Phản hồi từ nhóm Chrome còn ấn tượng hơn, họ báo cáo rằng Carbon vượt trội hơn tới hơn 10 lần so với “mô hình tiên tiến lớn của một phòng thí nghiệm khác” trong việc tạo ra các bản vá bảo mật chất lượng cao.
Nền tảng bảo mật đám mây Wiz thuộc sở hữu của Google cũng tham gia vào việc kiểm thử và nhận thấy Carbon dẫn đầu trong bộ tiêu chuẩn kiểm thử xâm nhập web, đây là một trong những khả năng cốt lõi của chương trình “Scan for Good” của Wiz.
Nhiệm vụ dài hạn: Có thể chạy liên tục trong vài ngày
Một điểm nổi bật khác của Carbon là khả năng “nhiệm vụ tầm xa”. Điều này cũng đang trở thành một trong những khả năng then chốt trong cuộc cạnh tranh của các mô hình lớn thế hệ mới.
Google cho biết, các đội nội bộ đã quan sát thấy Carbon có thể chạy liên tục trong vài ngày trên các kho mã lớn và hệ thống nền tảng, thực hiện việc truy tìm nguyên nhân gốc và tạo bản vá xuyên suốt các tệp tin. Khi gặp phải tình huống bế tắc, mô hình có thể tự điều chỉnh chiến lược để tiếp tục tiến hành, thay vì kết thúc nhiệm vụ ngay lập tức.
Một trong những nền tảng công nghệ của khả năng này là sự cải thiện đáng kể khả năng xử lý ngữ cảnh dài. Trong bài kiểm tra GraphWalks (đánh giá BFS F1 trong phạm vi 256k đến 1M token), Carbon đã tăng từ 84,2% của Argon lên 96,2%, vượt xa GPT-6 Astra ở mức 71,8% và Claude Opus 5,5 ở mức 66,8% hơn 20 điểm phần trăm. Việc hỗ trợ cửa sổ ngữ cảnh 1M token có nghĩa là mô hình có thể xử lý đồng thời lượng thông tin tương đương khoảng 1.500 trang tài liệu A4.
Khả năng kéo dài thời gian ngày càng trở nên quan trọng do các luồng làm việc của Agent đặt ra yêu cầu cao hơn đối với mô hình. Lấy lĩnh vực kỹ thuật phần mềm làm ví dụ, các nhiệm vụ phát triển phức tạp thực sự thường liên quan đến việc theo dõi liên tục các thay đổi mã, phối hợp các chỉnh sửa trên nhiều nhánh, xử lý các phụ thuộc xuyên module, cũng như kiểm tra và sửa lỗi lặp đi lặp lại. Những công việc này có thể kéo dài hàng giờ thậm chí vài ngày, vượt xa phạm vi của các câu hỏi và câu trả lời đơn lẻ.
Đối với các mô hình lớn tiên tiến, khả năng duy trì mục tiêu nhất quán, phát hiện và sửa lỗi kịp thời trong suốt quá trình thực thi kéo dài, đồng thời cuối cùng giao deliver kết quả đáng tin cậy, đang trở thành tiêu chuẩn quan trọng để đánh giá giá trị kỹ thuật thực tế của chúng.
Bảng điểm Benchmark: 9 tiêu chí đánh giá chỉ số thông minh, đạt 4 vị trí đầu
Artificial Analysis Chỉ số thông minh v5.0 là hệ thống đánh giá tổng hợp được tham khảo nhiều nhất trong ngành hiện nay.
Carbon đạt tổng điểm 59, dẫn đầu bảng xếp hạng với 4 hạng mục đứng đầu (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience, AutomationBench-AA), cao hơn 1 điểm so với Claude Opus 5.5 (58 điểm), cao hơn 2 điểm so với GPT-6 Astra (57 điểm), và tăng 9 điểm so với Argon (50 điểm) cách đây hai tuần. Artificial Analysis đánh giá, sự dẫn đầu của Carbon được thúc đẩy bởi hiệu suất mạnh mẽ trong các nhiệm vụ suy luận phức tạp, kiến thức và khoa học, với tiến bộ đáng kể trong lập trình và công việc tri thức (đặc biệt so với lịch sử hiệu suất của dòng Gemini), nhưng vẫn chưa dẫn đầu toàn diện ở các hướng này.

Được trình bày chi tiết theo các chiều sau.
Về mặt lập trình, đây là điểm yếu truyền thống của các mô hình Google, và sự tiến bộ của Carbon là đáng chú ý nhất. Trên chỉ số Artificial Analysis Coding Agent Index, Carbon kết hợp với Antigravity CLI (high reasoning) đạt 59 điểm, chỉ kém 3 điểm so với Claude Code + Claude Opus 5.5 (max reasoning, 62 điểm). Trong các bài kiểm tra riêng lẻ, Carbon đạt 64% trên Terminal-Bench 4.0 và 51% trên FrontierCode v1.1, cả hai đều xếp thứ hai, sau Claude Opus 5.5 (max, 56%). Trên WebDev Arena (sân chơi phát triển web toàn diện), Carbon tăng 89 Elo lên vị trí thứ tư (1768 Elo).

Công việc kiến thức: Trên AA-Briefcase, Carbon (high) đạt 1609 Elo, tăng 126 điểm so với Argon (high, 1483). Trong đó, chiều hướng tăng mạnh nhất là Presentation (chất lượng trình bày), tăng 293 Elo lên 1598; Analytical Quality (chất lượng phân tích) cũng tăng 120 điểm lên 1671. Tuy nhiên, tổng thể vẫn còn tụt hậu so với Kimi K3.1 Pro (1678), Muse Wonder (max, 1659) và Grok 4.7 (xhigh, 1638).

Độ tin cậy kiến thức và tỷ lệ ảo giác: AA-Omniscience v1.1 đạt điểm Carbon 54, dẫn trước Claude Opus 5.5 (max, 48) 6 điểm và dẫn trước Argon (46) 8 điểm. Tỷ lệ chính xác (tỷ lệ câu trả lời đúng) tăng từ 48% của Argon lên 58%, tăng 10 điểm phần trăm. Tỷ lệ ảo giác tăng từ 4% của Argon lên 11%, dù có tăng trở lại nhưng vẫn là mức thấp thứ hai trong tất cả các mô hình, chỉ sau Argon. Để so sánh, tỷ lệ ảo giác của Claude Opus 5.5 (max) và GPT-6 Astra (max) đều là 50%.

Khoa học và Toán học: RiemannBench 80.0%, Terminal-Bench-Science 64.8%, đều là điểm số cao nhất hiện tại.
Hiệu quả chi phí: Chi phí trung bình để Carbon hoàn thành một nhiệm vụ chỉ số thông minh là 7,76 USD, thấp hơn khoảng 23% so với Claude Opus 5.5 (max, 10,04 USD) và bằng 1,2 lần chi phí của GPT-6 Astra (max, 6,25 USD). Trung bình mỗi nhiệm vụ tạo ra 123k token, ít hơn 29% so với Claude Opus 5.5 (max, 173k). So với Argon ở cùng mức giá (7,68 USD mỗi nhiệm vụ), chi phí tương đương nhưng chỉ số thông minh cao hơn 9 điểm.

Phân tích đánh giá mô hình Artificial Analysis: https://artificialanalysis.ai/models/gemini-4-carbon
Bảo mật đồng bộ: Tỷ lệ gian lận 0%, tỷ lệ thành công của các cuộc tấn công tiêm gợi ý 0%
Carbon duy trì kiến trúc phòng thủ đa lớp của Argon về sự phù hợp an toàn, bao gồm sự phù hợp trong giai đoạn huấn luyện, phát hiện lạm dụng thời gian thực, phòng chống tiêm prompt và giám sát chuỗi suy nghĩ, đồng thời tăng cường thêm các tính năng này.
Tỷ lệ gian lận giảm xuống 0,0%. Trong bài kiểm tra Terminal-Bench 4.0, tỷ lệ gian lận thành công của Carbon bằng 0, tỷ lệ cố gắng gian lận chỉ là 0,4%, đồng thời tỷ lệ chính xác tổng thể của nhiệm vụ vẫn đang tiếp tục tăng. Google cho biết điều này đạt được bằng cách giảm thiểu thêm hành vi tận dụng lối tắt (shortcut exploitation) của mô hình trong giai đoạn huấn luyện.
Tỷ lệ thành công của cuộc tấn công prompt injection: 0,0%. Trong bài kiểm tra tiêu chuẩn Indirect Prompt Injection (IPI) của Gray Swan (k=15 lần thử tấn công), Carbon đã ngăn chặn thành công tất cả các cuộc tấn công. So sánh với hiệu suất của các mô hình tiên tiến khác: Argon là 0,7%, Claude Opus và Claude Fable đều là 1,0%, GPT-6 Astra là 8,5%, trong khi Grok 4.6 đạt mức cao tới 51,8%.

Ở cấp độ kiểm soát hành vi, Carbon đã cải thiện đồng thời hai mô hình thất bại trong việc căn chỉnh phổ biến: giảm 26% hành vi thực hiện quá mức (overreach – tức là thực hiện các thao tác vượt quá ý định của người dùng) và giảm 29% hành vi thực hiện không đầy đủ (under-service – tức là bỏ sót các thao tác mà người dùng yêu cầu). Google mô tả sự thay đổi hành vi của Carbon khi đối mặt với các nhiệm vụ mơ hồ là: mô hình sẽ chủ động truy xuất các nguồn liên quan và trình bày sự khác biệt thông tin cho người dùng, sau đó mới hành động khi đã được xác nhận, thay vì phỏng đoán hoặc ép buộc tiến hành.
Về độ minh bạch của mô hình, Carbon giảm khoảng 2 lần các tuyên bố không có cơ sở so với Argon. Khi thiếu thông tin quan trọng, mô hình sẽ trực tiếp ghi chú các hạn chế về phương pháp luận hoặc liệt kê các điều kiện tiên quyết chưa được hoàn thành, không bịa đặt hay xử lý mơ hồ.
Đội nội bộ đã thử nghiệm thực tế, cảnh báo mức độ nghiêm trọng cao đã giảm gần 80% so với Argon.
Giá và tính khả dụng
Giá của Carbon được giữ ổn định như Argon, với mức giá tiêu chuẩn là 4 USD mỗi triệu token đầu vào và 20 USD mỗi triệu token đầu ra. Hiện đang áp dụng chiết khấu 50% khi ra mắt, thời gian kết thúc chưa xác định. Token đầu vào được lưu cache được giảm giá 95%, chỉ còn 0,20 USD / triệu. Cửa sổ ngữ cảnh 1M token, hỗ trợ đầu vào văn bản, hình ảnh, video và âm thanh.
Về chi phí mỗi nhiệm vụ, Carbon có chi phí trung bình 7,76 USD cho một nhiệm vụ chỉ số thông minh, thấp hơn khoảng 23% so với Claude Opus 5.5 (10,04 USD), nhưng cao hơn khoảng 24% so với GPT-6 Astra (6,25 USD). Trung bình mỗi nhiệm vụ tạo ra 123k token, ít hơn 29% so với 173k token của Claude Opus 5.5, cho thấy Carbon cũng có lợi thế về hiệu quả token.
Carbon sẽ bắt đầu mở cửa cho những người phòng thủ mạng được tin cậy trong dự án Fairwind kể từ tuần này, sau đó sẽ dần mở rộng phạm vi, thu thập phản hồi và cải tiến các lớp bảo mật trước khi mở rộng toàn diện cho các nhà phát triển, doanh nghiệp và người tiêu dùng.
Kết thúc
Vòng lặp quen thuộc lại quay trở lại. Claude vừa ném một quả "bom hạt nhân", Google đã lập tức trình làng món mới, OpenAI ngay lập tức tăng cường火力. Quay một vòng, lại là một tuần bình thường của ngành AI.
Một thời gian trước, Google dường như đã mất đi sự chú ý trong cuộc cạnh tranh khốc liệt của các mô hình lớn tiên tiến, thậm chí khiến người ta nghi ngờ liệu nó có còn giữ được vị trí trên bàn cờ cạnh tranh này hay không. Nhưng những thành tựu mới gần đây, đặc biệt là Carbon, vẫn khiến người ta phải bất ngờ.
Tất nhiên, khi các ông lớn cạnh tranh lẫn nhau, sự cạnh tranh càng gay gắt càng mang lại lợi ích lớn cho toàn ngành. Tuy nhiên, thay vì tạo tiếng vang thông qua các câu chuyện khủng hoảng như “AI hủy diệt thế giới” hay các chiến dịch tiếp thị quá mức gây choáng ngợp, chúng tôi mong muốn thấy những tiến bộ thực sự của các mô hình trong các nhiệm vụ thực tế.
Ít huyễn hoặc hơn, nhiều thực lực hơn. Cuộc thi AI như vậy mới đáng mong đợi hơn.



