Google、Gemini 4 Carbonを発表:ベンチマークで首位も、提供はサイバー防御担当者に限定

Argonの公開から約2週間、Googleは公式ブログでGemini 4 Carbonを発表した。投稿の署名者は、Google DeepMindのシニアバイスプレジデントで同社のチーフAIアーキテクトを務めるKoray Kavukcuoglu氏。Carbonを「Googleで最も強力なモデル」とし、サイバーセキュリティと長期的なタスクで最先端の性能を持つと説明している。同氏によると、社内テストではチームが、行き詰まりを乗り越えるために何日も続けて動き続けるモデルの姿を確認したという。ただし当初の提供はFairwind Programを通じた一部のサイバー防御担当者に限られる。開発者や企業、一般向けには後日提供するとしているが、具体的な日程は示されていない。入力100万トークンあたり2ドル、出力100万トークンあたり10ドルというプロモーション価格がいつまで続くのかも不明だ。

性能面では、Googleの公表データは大きな進歩を示す一方、方法論上の明確な制約もある。サイバーセキュリティのベンチマークは、同社が保護フィルター(ガードレール)なしで評価したもので、実際の利用体験とは一致しない。そのうえでCarbonは、脆弱性の発見を測るSEC-bench Proで88.2%、悪用を測るExploitGymで54.8%(VentureBeatによるとArgonは42.0%)、根本原因の修正を測るCWE-benchで71.0%を記録した。これらの数値のほぼすべてはGoogleの自己申告で、不確実性の推定は示されていない。改訂され過去版と比較できないArtificial Analysis Intelligence Indexのバージョン5.0では、59ポイントで首位となり、Claude Opus 5.5(58)、GPT-6 Astra(57)、Argon(50)を上回った。ただし首位は全面的なものではない。FrontierSWE 2ではCarbonは61.2%にとどまり、GPT-6 Astra(65.5%)とClaude Opus 5.5(62.3%)に及ばない。OSWorldのオフラインサブセットでも81.5%で、Opus 5.5の87.2%を下回った。

VentureBeatが伝える独立評価は、より複雑な姿を示している。Artificial AnalysisのAA-OmniscienceではCarbonの正確性が58%(Argonは48%)に上がったが、ハルシネーション率は4%から11%に増えた。Vals IndexではCarbonは70.4%で、Claude Opus 5.5(70.2%)をわずかに上回る。Googleが前モデルと同じ多層スタックで実施した社内安全性テストでは、コード生成における重大なミスアライメントの警告が約80%減少し、Gray Swanベンチマークでの間接プロンプトインジェクション攻撃の成功率は0.0%に下がった(Argonは0.7%)。一方、同社の発表文にある主張は、公の裏付けもデータもないままだ。Chromeブラウザのチームが、名前の伏せられた競合ラボの大型フロンティアモデルと比べて、品質が10倍以上高い修正を得たというものである。

詳細な技術レポートがないため、アーキテクチャの構造もパラメータ総数もわかっていない。Googleは、脆弱性を見つけて悪用できるモデルに段階的な公開を選んだ。運用上の自律性が数日に及ぶとき、誰にアクセスを許すかという判断は、ベンチマークの結果と少なくとも同じくらい重要だ。— Olya