Google представила Gemini 4 Carbon: лидер бенчмарков, но доступ только у специалистов по киберзащите

Примерно через две недели после запуска Argon Google объявила в официальном блоге о выходе Gemini 4 Carbon. Публикацию подписал Корай Кавукчуоглу, старший вице-президент Google DeepMind и главный архитектор искусственного интеллекта компании. Он описывает Carbon как самую сильную модель Google, передовую в кибербезопасности и в задачах с длинным горизонтом. По его словам, во внутренних тестах команды видели, как модель работала по нескольку дней подряд, лишь бы выбраться из тупиков. Однако на первом этапе доступ получила только часть специалистов по киберзащите через Fairwind Program. Разработчикам, компаниям и широкой публике Google обещает модель позже, но не называет ни конкретной даты, ни срока окончания промо-тарифа: два доллара за миллион входных токенов и десять за миллион выходных.

Опубликованные Google данные о производительности показывают заметный прогресс, но с чёткими методологическими оговорками. Бенчмарки по кибербезопасности компания проводила без защитных фильтров (guardrails), поэтому они не совпадают с реальным опытом пользователей. В них Carbon набирает 88,2% в SEC-bench Pro по поиску уязвимостей, 54,8% в ExploitGym по их эксплуатации (у Argon, по данным VentureBeat, было 42,0%) и 71,0% в CWE-bench по устранению первопричин. Почти все эти цифры заявлены самой Google и приводятся без оценок неопределённости. В версии 5.0 Artificial Analysis Intelligence Index, пересмотренной и несопоставимой с предыдущими, модель первая с 59 баллами, впереди Claude Opus 5.5 (58), GPT-6 Astra (57) и Argon (50). При этом лидерство не повсеместное: в FrontierSWE 2 Carbon останавливается на 61,2%, уступая GPT-6 Astra (65,5%) и Claude Opus 5.5 (62,3%), а на офлайн-подмножестве OSWorld получает 81,5% против 87,2% у Opus 5.5.

Независимые оценки, которые приводит VentureBeat, рисуют более неоднозначную картину. В AA-Omniscience от Artificial Analysis точность Carbon растёт до 58% (Argon — 48%), но доля галлюцинаций увеличивается с 4% до 11%. В Vals Index Carbon набирает 70,4%, чуть выше Claude Opus 5.5 (70,2%). Во внутренних тестах безопасности, которые Google провела на том же многоуровневом стеке, что и для предыдущей модели, число предупреждений о серьёзном рассогласовании при генерации кода снизилось почти на 80%, а успешность атак непрямой prompt injection в бенчмарке Gray Swan упала до 0,0% (Argon — 0,7%). Зато без публичных подтверждений и подкрепляющих данных остаётся утверждение из заявления компании: якобы команда браузера Chrome получила исправления, по качеству более чем в десять раз превосходящие исправления крупной фронтирной модели конкурирующей лаборатории, название которой не приводится.

Подробного технического отчёта нет, поэтому ни архитектура, ни общее число параметров не известны. Google выбрала поэтапный выпуск модели, способной находить и эксплуатировать уязвимости. Когда операционная автономия растягивается на несколько дней, решение о том, кому дать доступ, значит не меньше, чем результаты бенчмарков. — Olya