Gemini 4 Carbon: Google DeepMind lansează un model de frontieră cu performanţe record în securitate cibernetică şi codare

Google DeepMind a anunţat Gemini 4 Carbon, următorul său model de frontieră şi cel mai puternic de până acum, cu capabilităţi de securitate cibernetică şi de execuţie pe termen lung de ultimă generaţie, potrivit unui comunicat publicat pe blogul companiei. Modelul ocupă primul loc în versiunea actualizată v5.0 a Artificial Analysis Intelligence Index, cu un scor de 59, şi înregistrează progrese semnificative în sarcini de codare şi agentice, precum şi în capabilităţi critice pentru apărarea cibernetică, obţinând 88,2% în SEC-bench Pro pentru identificarea vulnerabilităţilor, 54,8% în ExploitGym pentru exploatare şi 71,0% în CWE-bench pentru remediere.

Construit pe baza modelului Gemini 4 Argon, lansat cu două săptămâni în urmă, Carbon ilustrează ritmul în care compania împinge frontiera înainte, cercetătorii şi modelele lucrând mână în mână pentru a avansa capabilităţile mai rapid, întărind totodată măsurile de siguranţă. Google DeepMind precizează că adoptă o abordare deliberată de implementare şi participă activ la procesul voluntar al guvernului SUA pentru testarea modelelor înainte de lansare, iar începând de această săptămână Carbon va fi disponibil unui subset de specialişti în apărare cibernetică, accesul urmând să fie extins treptat către alţi parteneri de încredere prin programul Fairwind.

Modelul va fi lansat la acelaşi preţ introductiv ca Argon, respectiv 2 dolari pentru un milion de tokenuri de intrare şi 10 dolari pentru un milion de tokenuri de ieşire, cu tokenurile de intrare cache-uite la o reducere de 95% faţă de preţul tokenurilor de intrare. Carbon este proiectat pentru probleme de inginerie complexe pe termen lung şi fluxuri de lucru agentice susţinute, iar echipele interne au observat că modelul poate rula zile întregi pentru a persista prin fundături şi a rezolva sarcini complexe, precum identificarea cauzelor şi remedierea unor bug-uri subtile în baze mari de cod şi sisteme de nivel scăzut. În dezvoltarea web, Carbon a urcat cu 89 de puncte elo, ajungând pe locul 4, cu 1768 de puncte, în WebDev Arena.

În ceea ce priveşte securitatea cibernetică, modelul oferă un salt semnificativ, obţinând performanţe de ultimă generaţie pe parcursul ciclului de apărare cibernetică - detectarea, validarea şi remedierea vulnerabilităţilor. Pe benchmark-urile interne, Carbon obţine o rată de succes de peste două ori mai mare decât Argon în generarea de cod securizat, iar echipa Chrome a raportat că modelul a performat de peste 10 ori mai bine decât un alt model de frontieră mare al altui laborator la generarea de patch-uri de înaltă calitate, iar platforma de securitate cloud Wiz observă că Carbon conduce la benchmark-urile pentru testarea penetraţiei web.

Carbon se bazează pe acelaşi stack multistrat de siguranţă şi securitate ca Argon, combinând antrenamentul modelului, apărările în timp real împotriva utilizării abuzive, rezistenţa la injectarea de prompturi şi monitorizarea lanţului de gândire. Compania a precizat că a redus încercările de a ocoli regulile în timpul antrenamentului, Carbon reducând „trişarea” reuşită pe Terminal-Bench 4.0 la 0,0%, cu încercările de trişare scăzând la 0,4%, în timp ce acurateţea generală a crescut, iar alertele de misalignare de severitate ridicată au scăzut cu aproape 80% în mediile interne de codare. Modelul reduce de aproximativ două ori afirmaţiile nesuportate faţă de Argon, oferă o mai bună colaborare cu utilizatorul în faţa ambiguităţii şi reduce depăşirea atribuţiilor cu 26% şi sub-servirea cu 29%. În plus, rezistenţa la injectarea indirectă de prompturi a ajuns la 0,0%, comparativ cu 0,7% pentru Argon, reuşind să reziste fiecărei încercări de atac evaluate.