Google DeepMind a anunțat lansarea Gemini 4 Carbon, noul său model de frontieră, care este prezentat ca fiind cel mai puternic produs al companiei până în acest moment. Acest model este conceput pentru a gestiona sarcini de securitate cibernetică și pentru a executa fluxuri de lucru agentice pe termen lung. Conform comunicatului publicat pe blogul companiei, Carbon a ocupat prima poziție în versiunea actualizată v5.0 a Artificial Analysis Intelligence Index, obținând un scor de 59.
Performanțele modelului în domeniul securității sunt evidențiate prin rezultate semnificative pe diverse benchmark-uri specializate. Gemini 4 Carbon a înregistrat un scor de 88,2% în SEC-bench Pro pentru identificarea vulnerabilităților, 54,8% în ExploitGym pentru exploatare și 71,0% în CWE-bench pentru remediere. În ceea ce privește dezvoltarea web, modelul a urcat cu 89 de puncte elo, ajungând pe locul 4 în WebDev Arena, cu un total de 1768 de puncte.
Construit pe baza modelului Gemini 4 Argon, lansat acum două săptămâni, Carbon este proiectat pentru probleme de inginerie complexe care necesită persistență. Echipele interne au observat că modelul poate rula zile întregi pentru a rezolva sarcini dificile, precum identificarea cauzelor și remedierea unor bug-uri subtile în sisteme de nivel scăut sau baze mari de cod. În testele interne, Carbon a demonstrat o rată de succes de peste două ori mai mare decât Argon în generarea de cod securizat.
Implementarea modelului urmează să fie graduală, începând de săptămâna aceasta cu un subset de specialiști în apărare cibernetică. Accesul va fi extins ulterior către alți parteneri de încredere prin programul Fairwind, în timp ce compania participă la procesul voluntar al guvernului SUA pentru testarea modelelor. Prețul de lansare rămâne identic cu cel al modelului Argon, fiind stabilit la 2 dolari pentru un milion de tokenuri de intrare și 10 dolari pentru un milion de tokenuri de ieșire.
Siguranța reprezintă un pilon central în dezvoltarea acestui model, care utilizează un stack multistrat pentru a preveni utilizările abuzive. Google DeepMind a raportat că rezistența la injectarea indirectă de prompturi a ajuns la 0,0%, reușind să reziste fiecărei încercări de atac evaluate. De asemenea, modelul a redus încercările de a ocoli regulile în timpul antrenamentului, scăzând rata de „trișare” reușită pe Terminal-Bench 4.0 la 0,0%, în timp ce alertele de severitate ridicată au scăzut cu aproape 80%.
Evoluția modelelor de inteligență artificială de frontieră reflectă o competiție intensă între laboratoarele globale de tehnologie, care urmăresc îmbunătățirea capacităților de codare și securitate. Această cursă tehnologică pune accent pe dezvoltarea unor sisteme capabile să opereze autonom în medii complexe, reducând în același timp riscurile asociate cu erorile de programare sau cu vulnerabilitățile de sistem care pot afecta infrastructurile digitale critice.