Gemini 4 Carbon заняла первое место в обновленном индексе Artificial Analysis Intelligence Index v5.0 с 59 баллами, опередив Claude Opus 5.5 (58) и GPT-6 Astra (57). Google называет модель самой сильной в своей истории. По данным компании, Carbon способна несколько дней подряд работать над сложными инженерными проблемами.
Что умеет Carbon
Модель создавалась для долгих многошаговых инженерных задач. Внутри Google она, по словам компании, работала по несколько дней, преодолевая тупики, чтобы найти первопричину и исправить трудноуловимые ошибки в больших кодовых базах и низкоуровневых системах.
Из 15 опубликованных бенчмарков Carbon лидирует в 11. На Terminal-Bench 4.0 в реализации Artificial Analysis модель набирает 65,2% против 59,6% у Claude Opus 5.5 и 59,1% у GPT-6 Astra. На Agents’ Last Exam v1.1 результат Carbon — 77,4%, у Astra — 73,1%, у Opus 5.5 — 71,6%.
Особенно заметен отрыв в работе с длинным контекстом. На GraphWalks с контекстом от 256 тысяч до 1 млн токенов Carbon показывает 96,2% против 84,2% у Argon, 71,8% у Astra и 66,8% у Opus 5.5. Модель также лидирует на AutomationBench (53,9%) и Terminal-Bench-Science (64,8%). В веб-разработке она поднялась на 89 пунктов Эло и заняла четвертое место в рейтинге WebDev Arena с 1768 баллами.
Явно Carbon уступает лишь на OSWorld 2.1, где впереди Opus 5.5, и на FrontierSWE 2, где сильнее GPT-6 Astra.
Фокус на кибербезопасности
Главный акцент Google делает на кибербезопасности. На бенчмарке SEC-bench Pro, где модель самостоятельно ищет уязвимости в реальном ПО, Carbon набирает рекордные 88,2%. На ExploitGym, проверяющем, можно ли эксплуатировать найденную уязвимость, результат составляет 54,8%, а на CWE-bench, где нужно исправить уязвимость в корне, — 71%. Все эти тесты проводились без защитных ограничений.
На внутренних тестах Google Carbon вдвое чаще пишет безопасный код, чем Argon. Команда Chrome сообщила, что при создании качественных патчей модель справилась более чем в 10 раз лучше крупной фронтир-модели другой лаборатории. Облачная платформа безопасности Wiz, принадлежащая Google, также отмечает лидерство Carbon в тестах на проникновение в веб-приложения.
Безопасность и поэтапный запуск
Поскольку модель с такими возможностями может быть использована и для атак, Google уделила много внимания безопасности и выравниванию. Carbon использует ту же многоуровневую защиту, что и Argon: обучение, защиту от злоупотреблений в реальном времени, устойчивость к промпт-инъекциям и мониторинг цепочки рассуждений.
По данным компании, на Terminal-Bench 4.0 доля успешного жульничества снизилась до нуля, а попыток — до 0,4%. В реальной работе с внутренними командами число серьезных сигналов о несоответствующем поведении упало почти на 80%. Модель вдвое реже делает неподтвержденные утверждения, на 26% реже выходит за рамки задачи и на 29% реже недовыполняет ее. При неясных требованиях Carbon сначала уточняет детали у пользователя, а не действует наугад. В тесте Gray Swan на устойчивость к косвенным промпт-инъекциям Carbon отразила все атаки: доля успешных атак снизилась с 0,7% у Argon до нуля.
Доступ к модели Google открывает осторожно. Компания участвует в добровольной программе правительства США по тестированию моделей до релиза. С этой недели Carbon получат специалисты по киберзащите, затем доступ постепенно расширится на доверенных партнеров через программу Fairwind. Сроки запуска для разработчиков, бизнеса и обычных пользователей Google не называет, обещая сделать это как можно скорее. Кэшированные входные токены будут стоить на 95% дешевле обычных.
Выпуск Gemini 4 Carbon всего через две недели после Argon показывает, насколько ускорилась гонка фронтир-моделей. Google не просто догнала OpenAI и Anthropic, а заняла первое место в независимом индексе Artificial Analysis и лидирует в большинстве опубликованных тестов. Особенно сильной модель выглядит в работе с длинным контекстом и в кибербезопасности. Именно поэтому Google не спешит с массовым запуском: модель, которая умеет находить, эксплуатировать и исправлять уязвимости, сначала попадет к специалистам по защите. Такой подход становится отраслевой нормой для самых мощных моделей.
Источник: Serverflow
