Gemini 4 Carbon: AI pro vývoj, dlouhé mise a bezpečnost

Google představil Gemini 4 Carbon, špičkový model umělé inteligence zaměřený na programování, dlouhodobé agentní úlohy a kybernetickou bezpečnost. Google označil Carbon za svůj nejsilnější model, ale zatím není veřejně dostupný; předběžný přístup je omezen na malou skupinu bezpečnostních specialistů.

Dlouhodobé agentní pracovní toky a vývoj softwaru

Carbon je navržen tak, aby podporoval vícedenní agentní mise, udržoval pokrok v průběhu složitých projektů a generoval použitelné softwarové výstupy. Google uvádí interní příklady, kdy model pracoval několik dní, procházel slepé uličky a vyhledával kořenové příčiny subtilních chyb ve velkých kódech a nízkoúrovňových systémech. Model má rozdělovat problémy na menší kroky, vyhodnocovat výsledek každé akce, při selhání volit alternativní přístupy a dodat opravy, které respektují omezení projektu.

Google uvedl, že Carbon vykazuje zlepšení v oblasti vědeckého uvažování, multimodálního porozumění, kompletního webového vývoje a generování použitelného výstupu. V indexu Artificial Analysis Intelligence verze 5.0 dosáhl Gemini 4 Carbon skóre 59 a umístil se na prvním místě. V žebříčku WebDev Arena Carbon poskočil o 89 bodů na skóre 1769 a skončil čtvrtý; Google poznamenává, že tento ukazatel měří kvalitu výstupu přímým srovnáním odpovědí a negarantuje shodný výkon ve všech reálných projektech.

Třífázový kyberbezpečnostní pracovní tok a výsledky benchmarků

Google staví Carbon kolem třífázového cyklu kybernetické bezpečnosti: najít reálnou zranitelnost ve velkém kódu, posoudit její zneužitelnost a vytvořit opravu, která řeší kořenovou příčinu.

• Objevování: Carbon dosáhl 88,2 procenta v SEC-bench Pro, automaticky identifikoval složité skryté chyby v reálném softwaru.
• Validace exploitu: Carbon dosáhl 54,8 procenta v ExploitGym, který hodnotí, zda model dokáže posoudit zneužitelnost.
• Řešení kořenové příčiny: Carbon získal 71 procent v CWE-bench od Collinear, převáděl platná zjištění na spustitelné záplaty.

Tyto externí testy byly provedeny bez bezpečnostních vrstev, aby bylo možné změřit surové schopnosti modelu; Google varuje, že nasazení v produkci bude zahrnovat omezení a systémy detekce zneužití. V interních hodnoceních byla úspěšnost Carbonu při vytváření bezpečného kódu uváděna jako více než dvojnásobná oproti Argonu. Tým Chrome uvedl, že Carbon vytvářel opravy vyšší kvality rychlostí více než desetkrát vyšší než velký nejmenovaný model z jiné laboratoře; Google neuvedl konkurenta ani úplnou metodiku testů. Bezpečnostní platforma Wiz rovněž zaznamenala výhodu Carbonu v metrikách webových průniků používaných v jejím programu Scan for Good.

Bezpečnostní architektura, odolnost proti prompt-injection a postupné zavádění

Google použil stejnou vícevrsvou obrannou architekturu jako u Argonu, kombinující kontrolu při tréninku modelu, ochrany proti zneužití v reálném čase, odolnost proti prompt-injection a monitorování řetězce uvažování. Cíle tréninku měly zabránit tomu, aby model nacházel zkratky, které získají dobré skóre, aniž by vyřešily základní problém.

V interních bezpečnostních benchmarkech dosáhl Carbon nuly procent úspěšných pokusů o podvod a 0,4 procenta pokusů o podvod na Terminal-Bench 4.0, zatímco celková přesnost se zvýšila. Živá interní kodovací prostředí hlásila zhruba 80procentní snížení závažných hlášení o nesouladu chování. Testy také ukázaly, že tvrzení bez důkazů klesla na přibližně polovinu míry pozorované u Argonu. Carbon dokáže před akcí získat relevantní zdroje a označit nesrovnalosti v nalezených datech. Google hlásil snížení nežádoucího chování o 26 procent a snížení odpovědí s nepostačující službou o 29 procent.

Carbon zaznamenal nulu procent úspěšnosti proti útokům typu Indirect Prompt Injection v benchmarku Gray Swan, ve srovnání s Argonem na 0,7 procenta v tomtéž testu. Google provádí postupné zavádění a účastní se dobrovolného vládního testovacího procesu v USA. Počáteční skupina obránců kybernetické bezpečnosti bude mít přístup, následovat bude rozšíření na důvěryhodné partnery v rámci programu Fairwind. Zpětná vazba testerů bude použita k doladění opatření; Google neuvedl harmonogram pro obecnou dostupnost.

Cenové a fakturační detaily

Google uvedl, že Carbon bude mít úvodní cenu shodnou s Argonem. Během počátečního období stojí zpracování každého jednoho milionu vstupních tokenů 2 USD a vygenerování každého jednoho milionu výstupních tokenů 10 USD. Uložené vstupní tokeny v cache jsou účtovány se slevou 95 procent oproti ceně vstupu. Po úvodním období se cena za vstupní tokeny zvýší na 4 USD za jedno milion a cena za výstupní tokeny na 20 USD za jedno milion. Google poznamenal, že konečné náklady dlouhodobých agentních projektů závisejí na více faktorech než jen na sazbě za token, včetně počtu kroků, volání nástrojů, objemu kontextu a využití cache.