Gemini 4 Carbon: nowy model Google DeepMind z rekordami

Zaledwie dwa tygodnie po premierze Argon, Google DeepMind wprowadza na rynek Gemini 4 Carbon. Nowy model obejmuje prowadzenie w rankingu Artificial Analysis Intelligence Index, a jego przewaga nad poprzednikiem jest wyraźna: 59 punktów w wersji 5.0 indeksu wobec 50 punktów Argona. To nie tylko kwestia ogólnego wyniku – Carbon poprawia się w zadaniach agentowych, programowaniu oraz w obszarze bezpieczeństwa, który Google szczególnie podkreśla w komunikacji premiery.

Model stworzony do wielodniowej pracy agentowej

Według Google DeepMind Carbon powstał z myślą o „znacznie trudniejszych, długoterminowych problemach inżynierskich”, które wymagają wytrwałych przepływów agentowych. To określenie nie jest przypadkowe – wewnętrzne zespoły firmy uruchamiały model przez wiele dni bez przerwy, a Carbon samodzielnie wychodził z impasów i radził sobie z wieloetapowymi zadaniami, takimi jak analiza przyczyn źródłowych czy subtelne poprawki błędów w dużych bazach kodu i oprogramowaniu niskopoziomowym.

Poza kodowaniem Google raportuje także postępy w rozumowaniu naukowym, rozumieniu multimodalnym oraz pełnostackowym tworzeniu stron internetowych. W tej ostatniej dziedzinie jakość generowanych artefaktów przełożyła się na wzrost o 89 punktów Elo w WebDev Arena, gdzie Carbon zajmuje czwarte miejsce z wynikiem 1 769 punktów. W wewnętrznym zestawie szesnastu testów Google model wygrywa piętnaście, odrywając się od konkurencji zwłaszcza w zadaniach z długim kontekstem i tych związanych z bezpieczeństwem.

Bezpieczeństwo jako główny wyróżnik nowego modelu

Najbardziej wyrazistym elementem premiery jest wynik w teście pośredniej iniekcji promptów (prompt injection) przygotowanym przez Gray Swan. W przypadku Argona skuteczność ataków wynosiła 0,7 proc., natomiast Carbon zbił ją do zera – według Google model zablokował każdą testowaną próbę manipulacji. Firma zastrzega przy tym, że nie oznacza to rozwiązania problemu iniekcji promptów jako takiego; sam test wydaje się po prostu wysycony.

Google uruchomił kilka testów bezpieczeństwa bez zabezpieczeń safety guardrails. W SEC-bench Pro, mierzącym autonomiczne wykrywanie podatności w rzeczywistym oprogramowaniu, Carbon osiąga 88,2 proc. i prowadzi wśród wszystkich badanych modeli. W ExploitGym, sprawdzającym zdolność zamiany wykrytych luk w działające exploity, wynik wynosi 54,8 proc. Model ma też wyraźną przewagę w pisaniu poprawek w CWE-Bench, gdzie uzyskuje 71,0 proc.

Google przytacza również wewnętrzne rezultaty, których nie da się niezależnie zweryfikować. Według firmy Carbon generuje bezpieczny kod ponad dwukrotnie częściej niż Argon, a w testach zespołu Chrome wypadał ponad dziesięciokrotnie lepiej w pisaniu łatek bezpieczeństwa od modelu frontier nienazwanego konkurenta.

Niezależne testy potwierdzają liczby Google

Artificial Analysis Intelligence Index

Platforma Artificial Analysis potwierdza, że Carbon w najwyższym poziomie rozumowania („high”) prowadzi w Intelligence Index v5, głównie dzięki czołowym wynikom w złożonym rozumowaniu, wyszukiwaniu wiedzy i zadaniach naukowych – zajmuje pierwsze miejsce w czterech z dziewięciu pojedynczych ewaluacji indeksu. W agentowym kodowaniu na Antigravity model wciąż ustępuje Claude Code z Opus 5.5 o trzy punkty, choć poprawił się z 53 do 59 względem Argona.

W pracy wiedzowej na AA-Briefcase Carbon (high) zyskuje 126 punktów Elo nad Argonem (high, 1 483 Elo), osiągając 1 609 Elo. Wzrost napędzają jakość prezentacji (+293 Elo do 1 598) oraz jakość analityczna (+120 Elo do 1 671). Mimo to model pozostaje za Kimi K3.1 Pro (1 678 Elo), Muse Wonder (max, 1 659 Elo) i Grok 4.7 (xhigh, 1 638 Elo).

Dokładność odpowiedzi rośnie z 48 do 58 proc. w porównaniu z Argonem, ale wskaźnik halucynacji wspina się z czterech do jedenastu procent. To więcej, choć wciąż drugi najniższy wynik w rankingu – Claude Opus 5.5 (max) i GPT-6 Astra (max) notują po 50 proc.

Vals AI i Arena.ai

Platforma Vals AI umieszcza Carbon na drugim miejscu z dokładnością 70,36 proc., za Claude Sonnet 5.5 (70,85 proc.) i przed Claude Opus 5.5 (70,18 proc.) oraz Argonem na czwartej pozycji (69,24 proc.). Przy koszcie 10,51 dolara za test i czasie nieco poniżej 48 minut model działa taniej i szybciej niż oba modele Anthropic. Carbon prowadzi też w Finance Index oraz Legal Research – w tym drugim odnotowano około 45 proc. więcej cytowanych źródeł, częstsze wywołania narzędzi i dłuższe odpowiedzi niż u Argona. Cena ma jednak swoją drugą stronę: zadania w benchmarku Finance and Tax Agent zajmują ponad dwukrotnie więcej czasu, a w Legal Research średnio ponad 50 minut. Model generuje 2,3 razy więcej tokenów rozumowania i 64 proc. więcej tokenów wyjściowych niż Argon.

Na Arena.ai Gemini 4 Carbon (High) prowadzi w Text Arena z 1 528 punktami, wyprzedzając Argona (1 520). W Agent Arena zajmuje drugie miejsce w ponad 21 900 rzeczywistych sesjach, przed GPT-6 Astra i Fable-5.1, z poprawą netto 16,2 proc. i najwyższym wynikiem sterowalności (+18,6 proc.). Medialny koszt zadania wynoszący 1,80 dolara jest o 72 proc. niższy niż u lidera, Claude Opus 5.5 (Max). W kategorii WebDev Code Arena Carbon osiąga 1 768 punktów (89 więcej niż jedenasty Argon), co daje czwarte miejsce ogólnie – dwa punkty za Claude Sonnet 5.5 (xHigh, 1 770). Tym samym model plasuje się na krzywej Pareto we wszystkich trzech dyscyplinach.

Cena, dostępność i stopniowe wdrażanie

Google wprowadza model etapami i uczestniczy w rządowym procesie testów przedpremierowych, powołując się na zaawansowane możliwości bezpieczeństwa Carbona. Wybrani eksperci ds. cyberbezpieczeństwa otrzymują dostęp jako pierwsi – od tego tygodnia. W ramach programu Fairwind dostęp będzie rozszerzany na kolejnych zaufanych partnerów, a po zebraniu opinii i dostrojeniu zabezpieczeń firma planuje otworzyć model dla deweloperów, przedsiębiorstw i konsumentów poprzez swoje interfejsy produktowe.

Cennik startowy jest identyczny jak przy Argonie: 2 dolary za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych, z 95-procentowym rabatem na tokeny wejściowe z pamięci podręcznej. Przy niemal tym samym koszcie zadania co Argon (7,76 wobec 7,68 dolara) Carbon wspina się o dziewięć punktów do 59 i zbliża do szczytu krzywej Pareto, wyprzedzając droższego Claude Opus 5.5 (10,04 dolara). Artificial Analysis wylicza koszt 7,76 dolara za zadanie w Intelligence Index – około 23 proc. mniej niż Claude Opus 5.5 (max, 10,04 dolara) i około 1,2 razy więcej niż GPT-6 Astra (max, 6,25 dolara). Model zużywa średnio 123 tysiące tokenów wyjściowych na zadanie, o 29 proc. mniej niż model Anthropic (173 tysiące). Kalkulacje opierają się na regularnej cenie listowej 4 dolarów za milion tokenów wejściowych i 20 dolarów za milion wyjściowych, z pominięciem obowiązującej do końca 2026 roku 50-procentowej zniżki wprowadzającej.

Co to oznacza dla rynku agentów AI

Gemini 4 Carbon pokazuje, że Google DeepMind skraca cykl wydawniczy i celuje w konkretne zastosowania: długotrwałe sesje kodowania, cyberobronę oraz pracę wiedzową z naciskiem na bezpieczeństwo. Model nie dominuje we wszystkich kategoriach – w agentowym kodowaniu wciąż wygrywa Claude Opus 5.5, a w pracy wiedzowej wyprzedzają go Kimi K3.1 Pro i Grok 4.7. Przewaga Carbona tkwi raczej w kombinacji wyników, kosztu i szybkości niż w pojedynczym rekordzie.

Warto obserwować dwie rzeczy: czy zerowy wynik w teście Gray Swan utrzyma się przy szerszym wdrożeniu oraz jak zachowa się wskaźnik halucynacji, który wzrósł względem Argona. Stopniowe udostępnianie modelu – najpierw ekspertom bezpieczeństwa, potem partnerom, a na końcu deweloperom i konsumentom – sugeruje, że Google traktuje możliwości ofensywne Carbona poważnie. Dla zespołów budujących agentów AI to model, który warto uwzględnić w porównaniach, zwłaszcza gdy priorytetem jest koszt zadania i sterowalność.

Źródło

Może Cię zainteresować