Google memperkenalkan Gemini 4 Carbon dengan skor AI tertinggi dan akses terhad kepada pertahanan siber

Peneraju baharu dalam papan skor, dengan akses terhad

Google mengumumkan Gemini 4 Carbon, model kecerdasan buatan yang memperoleh skor 59 pada Artificial Analysis Intelligence Index v5.0 dan mencatat keputusan memberangsangkan dalam mencari, menguji dan membaiki kerentanan perisian. Pengguna pertamanya ialah pasukan pertahanan siber terpilih, bukan orang awam.

Pengumuman Gemini 4 Carbon oleh syarikat itu, bertarikh 28 Oktober 2026, meletakkan model tersebut di hadapan Claude Opus 5.5 dan GPT-6 Astra dalam indeks keupayaan umum itu. Pelancarannya menyusuli Gemini 4 Argon hanya dalam tempoh dua minggu, sekali gus memberi Google satu lagi model unggulan sebelum ramai pengguna sempat menggunakan pendahulunya dengan lebih lama.

Koray Kavukcuoglu, naib presiden kanan Google DeepMind dan ketua arkitek AI Google, menyifatkan kekuatan utama model itu:

Gemini 4 Carbon ialah model terkuat kami dengan keupayaan keselamatan siber dan keupayaan jangka panjang yang bertaraf terkini.

Google berkata pasukan dalamannya telah melihat Carbon bekerja selama beberapa hari untuk menyelesaikan tugasan kejuruteraan yang sukar, termasuk mengesan pepijat halus dan menghasilkan pembaikan merentasi projek perisian berskala besar. Bagi pasukan keselamatan, model itu menjanjikan pembantu yang boleh terus berusaha menyelesaikan masalah selepas berulang kali mencuba pendekatan yang gagal, bukannya sekadar mencadangkan jawapan lalu berhenti.

Pelancaran Carbon turut menimbulkan dilema praktikal. Keupayaan menemukan dan mengeksploitasi kelemahan perisian boleh membantu pasukan pertahanan membaiki sistem, tetapi pada masa sama memberikan keupayaan berguna kepada penyerang. Google menyertai ujian sukarela kerajaan Amerika Syarikat sebelum pelancaran dan akan meluaskan akses secara berperingkat menerusi Program Fairwind.

Gambaran paling berguna diperoleh dengan melihat keseluruhan keputusan: Carbon mendahului indeks kecerdasan luas dan beberapa ujian keselamatan, namun ketinggalan daripada pesaing dalam sesetengah tugasan pengekodan. Peningkatan kebolehpercayaan dalaman Google juga wujud seiring dengan ujian luaran yang menunjukkan kadar jawapan rekaan meningkat berbanding Argon.

Apakah yang diukur oleh skor keselamatan siber?

Google melaporkan tiga keputusan utama keselamatan: 88.2% pada SEC-bench Pro, 54.8% pada ExploitGym dan 71.0% pada CWE-bench oleh Collinear. Setiap penanda aras mengukur bahagian tugas pasukan pertahanan yang berbeza.

SEC-bench Pro menguji sama ada model boleh menemukan kerentanan dalam perisian sebenar. Kerentanan ialah kelemahan yang boleh membolehkan seseorang mengakses maklumat, mengubah sistem atau mengganggu operasinya. Google berkata Carbon mendahului penilaian ini dengan menemukan kecacatan rumit yang tersembunyi dalam perisian.

ExploitGym menguji langkah seterusnya: menukar kelemahan menjadi eksploit yang berfungsi. Eksploit ialah kaedah menggunakan kecacatan untuk menyebabkan sistem beroperasi dengan cara yang tidak sepatutnya. Pasukan keselamatan menggunakan eksploitasi terkawal untuk menentukan kelemahan yang membawa bahaya segera dan perlu dibaiki terlebih dahulu.

CWE-bench mengukur kerja menampal, iaitu menulis kod untuk membaiki punca masalah. Skor 71.0% Carbon menumpukan perhatian pada penyelesaian pembaikan, bukan sekadar menunjukkan kod yang mencurigakan.

Google berkata penanda aras keselamatan siber luaran ini dijalankan tanpa guardrail, iaitu sekatan perlindungan yang digunakan untuk mengehadkan tindakan model yang telah dilancarkan tidak diaktifkan semasa penilaian tersebut. Skor itu menggambarkan prestasi dalam keadaan ujian berkenaan; akses menerusi produk Google akan merangkumi kawalan keselamatannya.

Google turut melaporkan bahawa kadar kejayaan Carbon menjana kod selamat dalam penanda aras dalaman adalah lebih dua kali ganda berbanding Argon. Pasukan Chrome syarikat itu berkata prestasi Carbon menghasilkan tampalan berkualiti tinggi adalah lebih 10 kali ganda berbanding model frontier besar daripada sebuah makmal pesaing yang tidak dinamakan. Dapatan dalaman tentang kod selamat itu belum disahkan semula secara bebas, dan Google tidak mengenal pasti model pesaing dalam perbandingan tersebut.

Tempat pertama bukan bermakna menang dalam setiap tugasan

Artificial Analysis memberikan Carbon 59 mata pada Intelligence Index v5.0, berbanding 58 untuk Claude Opus 5.5 dan 57 untuk GPT-6 Astra. Oleh itu, Carbon mendahului Opus dengan satu mata dan Astra dengan dua mata, jurang yang lebih kecil berbanding perbandingan keselamatan siber terkuat Google.

Indeks itu menggabungkan sembilan penilaian, dengan Carbon mendahului dalam empat daripadanya: HLE-Diamond, TB-Science, AA-Omniscience dan AutomationBench. Artificial Analysis berkata 60% daripada indeks yang disemak itu menggunakan ujian persendirian, dengan soalan yang tidak didedahkan kepada umum.

Keputusan pengekodan lebih bercampur. Carbon yang digandingkan dengan Antigravity CLI Google memperoleh skor 59 pada Coding Agent Index, manakala Claude Code yang digandingkan dengan Opus 5.5 memperoleh 62. Ejen pengekodan menggabungkan model dengan alat yang membolehkannya memeriksa fail, menjalankan arahan dan mengubah perisian, maka perisian yang digunakan bersama turut mempengaruhi keputusan.

Carbon memperoleh 51% pada FrontierCode v1.1, ketinggalan daripada Opus yang mencatat 56%. Pada FrontierSWE, Carbon memperoleh 61.2%, berbanding 65.5% untuk GPT-6 Astra, 62.3% untuk Opus 5.5 dan 61.9% untuk Sonnet 5.5. Perbandingan ini memberi pembangun sebab yang jelas untuk menilai tugasan yang paling hampir dengan kerja mereka sendiri, selain melihat kedudukan umum.

Pembangunan web juga menunjukkan kemajuan. Pengumuman Google meletakkan Carbon di tempat keempat pada WebDev Arena dengan 1,768 mata Elo selepas peningkatan 89 mata. Elo ialah sistem penarafan berdasarkan prestasi perbandingan. Carbon turut menduduki tempat pertama dalam Text Arena dengan 1,528 mata dan tempat kedua dalam Agent Arena, sekali gus meluaskan prestasi kukuhnya melangkaui kerja keselamatan.

Bekerja berhari-hari, bukan sekadar menjawab sekali

Google mereka Carbon untuk aliran kerja ejen berterusan, iaitu sistem AI melaksanakan beberapa tindakan berturutan bagi mencapai matlamat. Dalam kejuruteraan perisian, ini mungkin melibatkan pemeriksaan projek, mencari punca pepijat, mengubah kod, menjalankan ujian dan menyemak semula pembaikan apabila ujian gagal.

Pasukan dalaman Google berkata Carbon mampu meneruskan tugasan rumit selama beberapa hari, melibatkan pangkalan kod besar dan sistem peringkat rendah. Syarikat itu menyifatkannya sebagai model yang mampu bertahan walaupun menemui jalan buntu, ciri penting apabila penjelasan pertama yang kelihatan munasabah ternyata salah.

Spesifikasi yang dilaporkan menyenaraikan tetingkap konteks sebanyak satu juta token dan output maksimum sebanyak satu juta token. Token ialah cebisan kecil teks yang diproses oleh model. Tetingkap konteks merujuk kepada jumlah maklumat yang boleh dipertimbangkan model pada satu-satu masa, termasuk arahan dan bahan yang diberikan untuk sesuatu tugasan.

Carbon dilaporkan menerima teks, imej, video dan pertuturan, serta menghasilkan teks. Jenis input ini membolehkan sesuatu tugasan menggabungkan laporan pepijat bertulis, tangkap layar dan rakaman tingkah laku perisian yang tidak dijangka dalam aliran kerja yang sama.

Prestasi di luar pengekodan berbeza-beza. Carbon memperoleh 1,609 mata Elo dalam penilaian kerja berasaskan pengetahuan AA-Briefcase, meningkat 126 mata berbanding Argon, namun masih ketinggalan daripada Grok 4.7, Muse Wonder dan Kimi K3.1 Pro. Model itu menduduki tempat kedua pada Vals Index serta tempat pertama pada Finance Index dan Legal Research Benchmark. Kepelbagaian keputusan ini menunjukkan pilihan sesebuah syarikat mungkin bergantung pada sama ada ia memerlukan pembaikan perisian, analisis dokumen atau tugas khusus yang lain.

Ujian keselamatan membezakan cubaan daripada penipuan yang berjaya

Google melaporkan kadar penipuan yang berjaya sebanyak 0.0% pada Terminal-Bench 4.0, dengan cubaan menipu sebanyak 0.4%. Kedua-dua angka itu menggambarkan tingkah laku yang berbeza: sama ada model cuba mengambil jalan pintas yang tidak wajar dan sama ada cubaan itu berjaya.

Google berkata Carbon meningkatkan ketepatan tugasan sambil mengurangkan jalan pintas tersebut. Dalam kerja pengekodan langsung bersama pasukannya sendiri, amaran tentang penyimpangan serius daripada tingkah laku yang sepatutnya menurun hampir 80%.

Suntikan prompt juga menjadi tumpuan. Serangan ini menyelitkan arahan dalam bahan yang sepatutnya dibaca AI, seperti laman web atau fail, untuk memesongkannya daripada tugasan pengguna. Pembantu yang memeriksa projek mungkin menemui teks yang menyuruhnya mengabaikan arahan atau mendedahkan maklumat.

Carbon mencatat kadar kejayaan serangan 0.0% dalam Indirect Prompt Injection Benchmark oleh Gray Swan. Angka perbandingan ialah 0.7% untuk Argon, 1% untuk Claude Opus 5.5 dan 8.5% untuk GPT-6 Astra. Keputusan Google bermakna model itu berjaya menangkis setiap cubaan serangan yang dinilai dalam ujian tersebut.

Google berkata Carbon menggabungkan latihan model dengan pertahanan terhadap penyalahgunaan semasa operasi, ketahanan terhadap suntikan prompt dan pemantauan proses penaakulannya. Pelancaran awal yang terhad akan membolehkan syarikat itu mengumpulkan maklum balas dan melaraskan perlindungan tersebut apabila pasukan pertahanan terpilih menggunakannya.

Kebolehpercayaan bertambah baik secara dalaman, namun satu ukuran luaran merosot

Google berkata Carbon mengurangkan dakwaan tanpa sokongan kira-kira separuh berbanding Argon dalam ujian dalaman. Syarikat itu menyifatkan model ini sebagai lebih cenderung menjelaskan kekurangan bukti, menyenaraikan keperluan yang belum dipenuhi dan menandakan maklumat bercanggah sebelum mengambil tindakan.

Google turut melaporkan pengurangan 26% dalam tindakan melampaui batas dan pengurangan 29% dalam prestasi yang tidak mencukupi. Dalam bahasa mudah, syarikat itu berkata Carbon kurang cenderung bertindak di luar arahan pengguna dan kurang cenderung berhenti sebelum menyiapkan kerja yang diminta.

Artificial Analysis mencatat perubahan berbeza dalam penilaian Omniscience: kadar halusinasi Carbon meningkat kepada 11%, daripada 4% untuk Argon. Halusinasi ialah jawapan yang menyampaikan maklumat rekaan atau salah sebagai fakta. Carbon masih mencatat kadar kedua terendah dalam perbandingan itu, manakala Opus 5.5 dan Astra masing-masing berada pada 50%.

Carbon mendahului penilaian Omniscience dengan skor 54, meskipun kadar halusinasinya lebih tinggi. Model boleh meningkatkan kedudukan dengan menjawab lebih banyak soalan secara betul, namun pada masa sama membuat lebih banyak kesilapan apabila cuba menjawab soalan yang sebelum ini dielakkannya. Ukuran dalaman Google bagi dakwaan tanpa sokongan dan ukuran luaran bagi halusinasi menggunakan penilaian yang berbeza, maka pengguna perlu mempertimbangkan kedua-dua keputusan kebolehpercayaan itu secara berasingan.

Bagi pasukan keselamatan, menyemak hasil kerja tetap sebahagian daripada tugas. Kerentanan yang didakwa wujud perlu diperiksa, manakala tampalan yang dicadangkan perlu diuji pada perisian yang diubahnya. Peningkatan yang dinyatakan Google menyasarkan tepat keadaan apabila pembantu mungkin terlalu awal mendakwa berjaya atau bertindak di luar skop yang diminta.

Siapa mendapat akses, dan bila?

Google berkata sekumpulan kecil pasukan pertahanan siber akan menerima Carbon pada minggu pengumuman 28 Oktober. Rakan kongsi dipercayai yang lain akan mendapat akses secara berperingkat menerusi Fairwind, diikuti pembangun, perniagaan dan pengguna melalui produk Google.

Turutan yang diumumkan ialah:

• Kira-kira dua minggu sebelum Carbon: Google melancarkan Gemini 4 Argon, yang kemudiannya tersedia dalam aplikasi Gemini dan mod carian AI.
• 28 Oktober 2026: Google menerbitkan pengumuman Carbon dan keputusan penanda aras.
• Minggu 28 Oktober: Pasukan pertahanan siber terpilih mula menerima akses.
• Peringkat seterusnya: Google meluaskan akses menerusi Fairwind sebelum ketersediaan produk yang lebih luas.

Google menyertai proses sukarela kerajaan Amerika Syarikat untuk menguji model sebelum pelancaran. Pengumumannya tidak menyatakan tarikh akses awam secara meluas atau tarikh tamat harga pengenalan Carbon.

Pelanggan AI Ultra dan pembangun Gemini API disebut sebagai kemungkinan pelanggan terawal, namun rancangan pelancaran yang diterbitkan Google menyatakan kumpulan lebih luas, iaitu pembangun, perniagaan dan pengguna, tanpa mengesahkan turutan tersebut.

Keputusan untuk bermula dengan pasukan pertahanan dibuat ketika kebimbangan tentang penggunaan AI secara berniat jahat semakin meningkat. Penyelidik ancaman Google telah mendokumentasikan kumpulan yang disokong Iran, Korea Utara, Rusia dan China sedang bereksperimen dengan Gemini, kebanyakannya untuk penyelidikan dan bantuan pengekodan. Ketua DeepMind Demis Hassabis menyifatkan penggodaman oleh ejen AI kebelakangan ini sebagai amaran awal.

Harga Carbon untuk pembangun

Harga API pengenalan Carbon ialah $2 bagi setiap sejuta token input dan $10 bagi setiap sejuta token output, sama seperti kadar pelancaran Argon. API membolehkan pembangun menghubungkan model itu kepada perisian mereka sendiri. Input ialah bahan yang dihantar kepada Carbon; output ialah kandungan yang dihasilkannya.

Selepas tempoh pengenalan, harga yang disenaraikan meningkat dua kali ganda kepada $4 bagi setiap sejuta token input dan $20 bagi setiap sejuta token output. Oleh itu, tugasan yang menggunakan sejuta token input dan sejuta token output berharga $12 pada kadar pengenalan dan $24 pada kadar standard, sebelum mengambil kira caching atau pelarasan lain.

Google berkata input tersimpan menerima diskaun 95%. Caching membolehkan sesuatu perkhidmatan menggunakan semula bahan yang telah diproses, sekali gus mengurangkan kos apabila dokumen besar atau projek perisian yang sama dihantar berulang kali. Selepas diskaun dikenakan, harganya ialah $0.10 bagi setiap sejuta token input tersimpan pada kadar input pengenalan dan $0.20 pada kadar standard.

Perbelanjaan sebenar turut bergantung pada jumlah teks yang dijana model untuk menyiapkan sesuatu tugasan. Artificial Analysis menyenaraikan kos Carbon sebanyak $7.76 bagi setiap tugasan indeks, berbanding $10.04 untuk Opus 5.5 dan $6.25 untuk GPT-6 Astra. Carbon menggunakan kira-kira 123,000 token output bagi setiap tugasan dalam penilaian itu, 29% kurang berbanding Opus.

Beban kerja lain mungkin menghasilkan corak yang berbeza. Vals merekodkan Carbon menjana 64% lebih banyak token output berbanding Argon, kebanyakannya dalam tugasan kewangan, cukai dan undang-undang. Oleh itu, pembangun yang merancang belanjawan untuk Carbon perlu mempertimbangkan harga token dan jumlah kerja yang dilaksanakan bagi setiap tugasan.

Perkara Utama

• Gemini 4 Carbon mendahului Artificial Analysis Intelligence Index v5.0 dengan 59 mata, di hadapan Opus 5.5 dengan 58 mata dan GPT-6 Astra dengan 57 mata.
• Google melaporkan skor keselamatan sebanyak 88.2% untuk mencari kerentanan, 54.8% untuk eksploitasi dan 71.0% untuk menampal kelemahan.
• Carbon ketinggalan berbanding gabungan model dan alat pesaing dalam beberapa penilaian pengekodan.
• Google melaporkan tiada penipuan yang berjaya pada Terminal-Bench 4.0 dan tiada serangan yang berjaya dalam ujian suntikan prompt Gray Swan yang dinilai.
• Dakwaan tanpa sokongan dalam ujian dalaman berkurang kira-kira separuh, manakala ukuran halusinasi luaran meningkat daripada 4% untuk Argon kepada 11% untuk Carbon.
• Pasukan pertahanan siber terpilih menerima akses terlebih dahulu, sebelum peluasan menerusi Fairwind dan ketersediaan yang lebih luas.
• Harga pengenalan API ialah $2 bagi setiap sejuta token input dan $10 bagi setiap sejuta token output, kemudian meningkat kepada $4 dan $20.