Google paskelbė naujausią pažangiausią modelį Gemini 4 Carbon. Pasak bendrovės, tai stipriausias jos modelis, pasižymintis pažangiausiais kibernetinio saugumo ir ilgo horizonto užduočių vykdymo gebėjimais.
Carbon užima #1 vietą neseniai atnaujintame Artificial Analysis Intelligence Index v5.0 reitinge – jis surinko 59 balus. Modelis ženkliai pagerėjo programavimo ir agentinių užduočių srityse, taip pat pagrindinių kibernetinio gynybos gebėjimų srityse: aiškiai pirmauja SEC-bench Pro (88.2%) testu vertinant pažeidžiamumų paiešką, ExploitGym (54.8%) – išnaudojimą, o CWE-bench (71.0%) – pataisų kūrimą. Vidiniuose testuose Carbon ženkliai pagerino saugaus kodo generavimą, o realiose programavimo aplinkose, kuriose jį naudoja pačios bendrovės komandos, sumažėjo netinkamo elgesio (angl. misalignment) ir faktų išgalvojimo atvejų.
Carbon remiasi prieš dvi savaites pristatytu Gemini 4 Argon ir, pasak Google, rodo, kokiu tempu bendrovė stumia pažangiausių modelių ribas į priekį. Bendrovės tyrėjai ir modeliai dirba išvien, kad gebėjimai tobulėtų greičiau, o apsaugos priemonės kartu stiprėtų.
Google teigia pasirinkusi apgalvotą diegimo būdą ir aktyviai dalyvauja JAV vyriausybės savanoriškame modelių testavimo prieš išleidžiant procese. Nuo šios savaitės Carbon bus prieinamas daliai kibernetinės gynybos specialistų, o prieiga papildomiems patikimiems partneriams bus pamažu plečiama per programą „Fairwind Program“. Bendrovė toliau renka atsiliepimus ir tobulina apsaugos mechanizmus, kad kuo greičiau Carbon taptų prieinamas kūrėjams, įmonėms ir vartotojams per Google produktus.
Gemini 4 Carbon bus pradėtas siūlyti tokia pačia įžanginė kaina kaip Argon: $2 už milijoną įvesties žetonų ir $10 už milijoną išvesties žetonų, o talpykloje saugomi įvesties žetonai kainuos 95% pigiau nei įprasti įvesties žetonai.
Paaiškinimas: Žetonas yra mažas teksto vienetas, pavyzdžiui, žodis ar jo dalis, kuriuo matuojamas dirbtinio intelekto modelio apdorojamas turinys ir skaičiuojama paslaugos kaina.
Geresnis programavimas ir mąstymas sudėtingoms, ilgo horizonto užduotims
Carbon sukurtas gerokai sudėtingesnėms, ilgo horizonto inžinerinėms problemoms spręsti ir ilgalaikėms agentinėms darbo eigoms. Bendrovės komandos vidiniuose bandymuose matė, kaip Carbon dienų dienas dirba ir nepasiduoda aklavietėse, spręsdamas sudėtingas kelių žingsnių inžinerines užduotis, pavyzdžiui, ieškodamas pagrindinės priežasties ir taisydamas subtilias klaidas dideliuose kodo rinkiniuose ir žemo lygio sistemose.
Atsižvelgdama į naudotojų atsiliepimus, Google siekė pagerinti modelio veikimą įvairiose srityse, įskaitant programavimą, agentines ir mokslines užduotis, taip pat pilno kamino (full-stack) saityno kūrimą ir multimodalinį supratimą. Dėl geresnės rezultatų ir artefaktų kokybės kuriant saityno sprendimus Carbon šoktelėjo +89 elo taškais ir WebDev Arena reitinge užėmė #4 vietą (1769).
Pažangiausi kibernetinio saugumo rezultatai, padedantys kurti saugias sistemas
Pasak Google, Gemini 4 Carbon kibernetinio saugumo gebėjimai pašoko į priekį. Modelis pasiekia pažangiausius rezultatus per visą kibernetinės gynybos ciklą – pažeidžiamumų aptikimą, patvirtinimą ir šalinimą.
Bendrovės komandos jau mato ryškią naudą kibernetinėje gynyboje. Vidiniuose testuose Carbon daugiau nei 2x padidino saugaus kodo generavimo sėkmės rodiklį, palyginti su Argon. Kaip kitą pavyzdį bendrovė nurodo, kad „Chrome“ komanda pranešė, jog kuriant aukštos kokybės pataisas Carbon veikė daugiau nei 10X geriau nei kitos laboratorijos didelis pažangiausias modelis. Debesijos saugumo platforma Wiz, vadinama pirmaujančia Google debesijos saugumo platforma, taip pat pastebi, kad Carbon pirmauja saityno penetracinio testavimo testuose – tai pagrindinis gebėjimas Wiz iniciatyvai „Scan for Good“.
Carbon pasižymi puikiais rezultatais pagrindiniuose išoriniuose testuose (vertinta be apsaugos mechanizmų):
- Tikrų pažeidžiamumų paieška: Kibernetinės gynybos pagrindas yra tikrų pažeidžiamumų radimas. Carbon pasiekia pažangiausią 88.2% rezultatą SEC-bench Pro teste – savarankiškai aptinka sudėtingus trūkumus, paslėptus realioje programinėje įrangoje.
- Rizikos patvirtinimas išnaudojant: Kad nuspręstų, kuriuos pažeidžiamumus šalinti pirmiausia ar apskritai šalinti, kibernetinės gynybos specialistai vis dažniau remiasi modeliais, kurie patikrina, kuriuos pažeidžiamumus galima išnaudoti. Carbon nustato naują pažangiausią rezultatą populiariame išnaudojimo teste ExploitGym (54.8%).
- Taisymas šalinant pagrindinę priežastį: Galiausiai, nustačius pažeidžiamumus, svarbus kibernetinės gynybos ciklo žingsnis yra pagrindinės priežasties pašalinimas. Carbon pasiekia 71.0% Collinear CWE-bench teste – patvirtintus radinius tiesiogiai paverčia veikiančiomis kodo pataisomis.
Pažangiausių modelių saugos ir apsaugos stiprinimas
Gemini 4 Carbon remiasi ta pačia daugiasluoksne saugos ir apsaugos sistema kaip Argon: ji jungia modelio mokymą, realiuoju laiku veikiančią apsaugą nuo piktnaudžiavimo, atsparumą prompt injection atakoms ir minties grandinės (chain-of-thought) stebėseną. Ypač pažymima, kad su Argon buvo padaryta didelė pažanga modelio suderinamumo (alignment) srityje, o jo polinkį elgtis suderintai Google aprašė savo Saugos ir apsaugos ataskaitoje. Su Carbon bendrovė nusprendė žengti dar toliau ir apmokė modelį tinkamai reaguoti į sudėtingas ar didelio spaudimo užduotis.
- Mažiau trumpesnių kelių ir spragų išnaudojimo: Su Carbon bendrovė dar labiau sumažino bandymus eiti trumpesniu keliu mokymo metu, išlaikydama aukštą programavimo kokybę. Carbon sėkmingą sukčiavimą Terminal-Bench 4.0 teste sumažino iki 0.0%, o bandymus sukčiauti – iki 0.4%, ir kartu pagerino bendrą tikslumą. Realiose programavimo aplinkose su vidinėmis komandomis didelio rimtumo netinkamo elgesio perspėjimų sumažėjo beveik 80%.
- Didesnis skaidrumas ir sąžiningumas: Vidiniuose bandymuose Carbon maždaug 2x sumažino nepagrįstų teiginių skaičių, palyginti su Argon. Metodologines išlygas jis įrašo tiesiai į rezultatą arba, jei veiksmai užblokuoti, nurodo aiškų sąrašą, ko dar reikia, užuot išgalvojęs ar vengdamas tiesiai kalbėti apie trūkstamus įrodymus.
- Geresnis bendradarbiavimas su naudotoju esant neaiškumui: Užuot spėliojęs ar primetęs sprendimą, Carbon surenka reikiamus šaltinius ir prieš veikdamas parodo naudotojui neatitikimus. Todėl, pasak Google, naudotojai turėtų pastebėti gerokai geresnę bendradarbiavimo patirtį.
- Užduočių atlikimas neperžengiant ribų: Carbon vienu metu 26% sumažino per didelį savarankiškumą (overreach) ir 29% – nepakankamą paslaugumą (under-service). Dėl to kelių žingsnių planai vykdomi nuo pradžios iki pabaigos gerokai patikimiau, paisant projekto apribojimų ir griežtai neišeinant už užduoties ribų.
- Atsparumas prompt injection atakoms: Nors Argon anksčiau pirmavo Gray Swan netiesioginių prompt injection (Indirect Prompt Injection, IPI) atsparumo teste su labai žemu 0.7% atakų sėkmės rodikliu, Carbon pasiekia 0.0% – atlaiko visus įvertintus atakų bandymus.
Paaiškinimas: Prompt injection yra ataka, kai dirbtinio intelekto modeliui į tekstą ar duomenis slapta įterpiamos kenkėjiškos instrukcijos, kad jis nukryptų nuo tikrojo naudotojo nurodymų.
Netrukus – kūrėjams, įmonėms ir vartotojams
Google pabrėžia, kad pažangiausių modelių ribų stūmimas reikalauja judėti greitai, bet diegti apgalvotai. Su Gemini 4 Carbon bendrovė siekia pasiūlyti reikšmingą šuolį programinės įrangos inžinerijoje ir kibernetinėje gynyboje nepažeidžiant saugos ar patikimumo. Bendrovė nekantrauja pamatyti, kaip modelį naudos pirmoji kibernetinės gynybos specialistų grupė, ir tikisi netrukus pasiūlyti Carbon kūrėjams, įmonėms ir vartotojams.
