Google Deepmind objavljuje Gemini 4 Carbon samo dva tjedna nakon Argona s poboljšanjima u svim područjima

Google DeepMind objavio je Gemini 4 Carbon samo dva tjedna nakon Argona, a novi model odmah je preuzeo prvo mjesto na Artificial Analysis Intelligence Indexu.

Carbon osvaja 59 bodova na nedavno ažuriranoj verziji 5.0 Artificial Analysis Intelligence Indexa, dok prethodnik Argon zaostaje s 50 bodova. Uz opća poboljšanja u agentskim zadacima i programiranju, Google posebno ističe sposobnosti koje pokrivaju cijeli životni ciklus kibernetičke obrane – od otkrivanja i provjere ranjivosti do njihovog zakrpavanja.

Stvoren za višednevne razvojne sesije

Google DeepMind navodi da je Carbon osmišljen za „znatno teže inženjerske probleme dugog horizonta” koji zahtijevaju trajne agentske procese. Interni timovi koristili su model neprekidno više dana, a za to je vrijeme samostalno pronalazio izlaze iz slijepih ulica i rješavao složene višekoračne zadatke poput analize temeljnih uzroka i otklanjanja suptilnih grešaka u velikim bazama koda i niskorazinskom softveru, tvrdi Google.

Google također izvještava o poboljšanjima u znanstvenom zaključivanju, multimodalnom razumijevanju i razvoju web aplikacija punog stoga, na temelju povratnih informacija korisnika. Kvalitetniji rezultati i artefakti u web razvoju donijeli su Carbonu rast od 89 Elo bodova na WebDev Areni, gdje zauzima četvrto mjesto s 1.769 bodova.

Na Gray Swanovom mjerilu za neizravno ubacivanje uputa, Carbon je smanjio stopu uspješnosti napada s 0,7 posto (koliko je bilježio Argon) na 0,0 posto, blokirajući svaki testirani pokušaj manipulacije, prema Googleovim navodima. To ne znači da je problem ubacivanja uputa riješen, ali test se čini zasićenim.

Neovisne evaluacije potvrđuju Googleove rezultate

Prema Artificial Analysisu, Carbon na najvišoj razini zaključivanja („high”) predvodi Intelligence Index v5 ponajprije zahvaljujući vrhunskim rezultatima u složenom zaključivanju, pronalaženju znanja i znanstvenim zadacima, osvajajući prvo mjesto u četiri od devet pojedinačnih evaluacija unutar indeksa.

U agentskom kodiranju na Antigravityju, Carbon još uvijek zaostaje za Claude Codeom s Opus 5.5 za tri boda, unatoč skoku s 53 na 59 bodova u odnosu na Argon. U agentskom radu sa znanjem na AA-Briefcaseu, Carbon (high) bilježi rast od 126 bodova u odnosu na Argon (high, 1.483 Elo) i dostiže 1.609 Elo, zahvaljujući kvaliteti prezentacija (+293 Elo, ukupno 1.598) i analitičkoj kvaliteti (+120 Elo, ukupno 1.671). Ipak, još uvijek zaostaje za Kimi K3.1 Pro (1.678 Elo), Muse Wonder (max, 1.659 Elo) i Grok 4.7 (xhigh, 1.638 Elo).

Točnost odgovora raste s 48 na 58 posto u usporedbi s Argonom, dok stopa halucinacija raste s četiri na 11 posto. To je više nego prije, ali Carbon i dalje ima drugu najnižu stopu u poretku. Claude Opus 5.5 (max) i GPT-6 Astra (max) bilježe po 50 posto.

Platforma za evaluaciju Vals AI svrstava Carbon na drugo mjesto s točnošću od 70,36 posto, iza Claude Sonneta 5.5 (70,85 posto) i ispred Claude Opusa 5.5 (70,18 posto) te Argona na četvrtom mjestu (69,24 posto) – sve to uz niže troškove.

Na Vals.ai, Carbon predvodi i Finance Index i Legal Research benchmark. U pravnom istraživanju, Vals AI zabilježio je otprilike 45 posto više citiranih izvora, češće pozive alatima i dulje odgovore nego kod Argona.

No zadaci u mjerilu Finance and Tax Agent traju više od dvostruko dulje nego s Argonom, a u pravnom istraživanju Carbon u prosjeku troši više od 50 minuta po zadatku. Model generira 2,3 puta više tokena zaključivanja i 64 posto više izlaznih tokena od Argona, premda je to još uvijek manje od polovice broja izlaznih tokena koje generiraju Sonnet 5.5 i Opus 5.5.

Na Arena.ai, Gemini 4 Carbon (High) preuzima vodstvo u Text Areni s 1.528 bodova, tek neznatno ispred Argona (1.520). U Agent Areni model zauzima drugo mjesto u više od 21.900 stvarnih sesija, ispred GPT-6 Astre i Fable-5.1, s neto poboljšanjem od 16,2 posto i najvišim rezultatom upravljivosti (+18,6 posto). Medijalni trošak po zadatku iznosi 1,80 USD, što je 72 posto manje od prvoplasiranog Claude Opusa 5.5 (Max).

U kategoriji WebDev unutar Code Arene, Carbon dostiže 1.768 bodova (89 više od Argona na jedanaestom mjestu) i zauzima četvrto mjesto ukupno, samo dva boda iza Claude Sonneta 5.5 (xHigh, 1.770). Time se svrstava na Pareto krivulju u sve tri discipline.

Carbon predvodi sigurnosna mjerila i bez zaštitnih ograničenja

Za nekoliko sigurnosnih testova Google je pokrenuo model bez zaštitnih ograničenja. Na SEC-bench Pro, koji mjeri autonomno otkrivanje ranjivosti u stvarnom softveru, Carbon postiže 88,2 posto i predvodi sve testirane modele. Na ExploitGymu, koji testira može li sustav pretvoriti otkrivene ranjivosti u funkcionalne eksploite, model dostiže 54,8 posto. Carbon također drži uvjerljivo prvo mjesto u pisanju zakrpa na CWE-Benchu.

Google navodi i interne rezultate koje nije moguće neovisno provjeriti. Na internim mjerilima, Carbon navodno više od dvostruko češće generira siguran kod u odnosu na Argon, a u testovima Googleovog Chrome tima pokazao je više od deset puta bolju učinkovitost pri pisanju sigurnosnih zakrpa od vodećeg modela neimenovanog konkurenta.

Sigurnosni stručnjaci dobivaju pristup prvi

Google model uvodi postupno i sudjeluje u američkom postupku pretestiranja prije objave, pozivajući se na napredne sigurnosne mogućnosti Carbona. Odabrani stručnjaci za kibernetičku sigurnost dobivaju pristup već ovog tjedna. Putem Google DeepMindovog programa Fairwind, pristup će se potom proširiti na više pouzdanih partnera.

Kompanija planira model otvoriti razvojnim programerima, tvrtkama i potrošačima putem svojih proizvoda, nakon što prikupi dodatne povratne informacije i prilagodi zaštitna ograničenja.

Gemini 4 Carbon lansira se po istoj uvodnoj cijeni kao i Argon: 2 USD po milijunu ulaznih tokena i 10 USD po milijunu izlaznih tokena, uz popust od 95 posto na predmemoriranu ulaznu cijenu u odnosu na redovnu cijenu ulaznih tokena.

Carbon košta 7,76 USD po zadatku u Artificial Analysis Intelligence Indexu, što je otprilike 23 posto manje od Claude Opusa 5.5 (max, 10,04 USD) i oko 1,2 puta više od GPT-6 Astre (max, 6,25 USD). U prosjeku generira 123.000 izlaznih tokena po zadatku, što je 29 posto manje od Anthropicovog modela (173.000 tokena), a cijena je gotovo identična Argonovoj (7,68 USD).

Artificial Analysis temelji svoje izračune na redovnoj cijeni od 4 USD po milijunu ulaznih tokena i 20 USD po milijunu izlaznih tokena (plus 0,20 USD za predmemorirane ulazne tokene), ne uzimajući u obzir trenutni uvodni popust od 50 posto koji vrijedi do kraja 2026. godine.