Gemini 4 Carbon: kiberbiztonságra élezett csúcsmodell

Mi történt?

A Google DeepMind október 28-án bejelentette a Gemini 4 Carbont. A cég szerint ez az eddigi legerősebb modellje, a kiberbiztonságban és a hosszú, többlépéses feladatokban pedig state of the art (Google DeepMind).

A Carbon a két hete érkezett Gemini 4 Argonra épül. A Google szerint az Artificial Analysis Intelligence Index frissített, 5.0-s verzióján 59 ponttal az első helyen áll. A cég jelentős javulást ír kódolásban, agentic feladatokban, illetve a kibervédelemhez fontos képességekben.

Kiberbiztonság: itt a legnagyobb ugrás

A Google három külső benchmarkot emel ki, mindhármat guardrailek nélkül mérték:

• SEC-bench Pro, valódi sérülékenységek megtalálása: 88,2%.
• ExploitGym, annak ellenőrzése, mely sérülékenységek kihasználhatók: 54,8%.
• Collinear CWE-bench, javítás a hiba gyökerénél: 71,0%.

Belső mérésen a Carbon több mint kétszer sikeresebben generál biztonságos kódot, mint az Argon. A Chrome csapata szerint minőségi patchek írásában több mint tízszer jobban teljesített egy másik labor nagy frontier modelljénél. A Wiz szerint a web penetration testing benchmarkokon is vezet.

Forrás: Google DeepMind. A Gemini 4 Carbon benchmarkeredményei a Gemini 4 Argon, a GPT-6 Astra, a Claude Opus 5.5 és a Claude Fable 5.1 mellett.

A gyártó saját táblázata sem csupa első hely. A FrontierSWE 2 teszten a GPT-6 Astra vezet (65,5% a Carbon 61,2%-ával szemben), az OSWorld-2.1 offline részhalmazán pedig a Claude Opus 5.5 (87,2% a 81,5%-kal szemben).

Napokig futó agent munkák

A Carbont kifejezetten hosszan futó agentic workflow-kra tervezték. A Google belső csapatainál napokig futott, a zsákutcákon is átjutott. Nagy kódbázisokban, illetve alacsony szintű rendszerekben kereste meg és javította a rejtett bugok okát.

Webfejlesztésben is erősödött: a WebDev Arénán 89 Elo-pontot javított, ezzel 1769 ponttal a negyedik helyen áll.

Biztonság és alignment

A Carbon az Argon többrétegű biztonsági stackjére épül. A Google ezeket az eredményeket közölte:

• Terminal-Bench 4.0: a sikeres csalás aránya 0,0%, a csalási kísérleteké 0,4%, miközben a pontosság javult.
• Belső éles kódolási környezetben a súlyos misalignment riasztások közel 80%-kal csökkentek.
• Belső tesztben nagyjából feleannyi alátámasztatlan állítást tesz, mint az Argon.
• A hatáskör túllépése 26%-kal, az alulteljesítés 29%-kal csökkent többlépéses terveknél.
• Gray Swan IPI benchmark: 0,0% sikeres prompt injection támadás, az Argonnál ez 0,7% volt.

Ki fér hozzá és mennyibe kerül?

A Google óvatosan vezeti be a modellt. Részt vesz az amerikai kormány önkéntes, kiadás előtti modelltesztelési folyamatában. Ezen a héten kibervédelmi szakemberek egy szűk köre kapja meg, utána a Fairwind Programon keresztül fokozatosan további megbízható partnerek. Fejlesztőknek, cégeknek, illetve felhasználóknak a Google szerint a lehető leghamarabb jön, konkrét dátum nélkül.

A bevezető ár ugyanaz, mint az Argoné: millió input tokenenként 2 dollár, millió output tokenenként 10 dollár, a cache-elt input tokenek 95%-kal olcsóbbak. A bevezető időszak után 4, illetve 20 dollár lesz az ár. Azt nem írták meg, meddig tart a bevezető időszak.

Mit jelent ez nekünk?

Egyelőre semmit nem lehet kipróbálni: API hozzáférés még nincs, csak kibervédelmi partnerek kapják meg. Aki Argonnal dolgozik, annak jó hír, hogy a bevezető ár nem változik, így a váltás költségben semleges lesz. A számok nagy része viszont a Google saját mérése, érdemes kivárni a független teszteket, mielőtt átállítjuk rá a pipeline-t.