Gemini 4 Carbon: Следващият ни авангарден модел

Днес обявяваме следващия пограничен модел: Gemini 4 Carbon, най-мощният ни модел с водещи в индустрията възможности за киберсигурност и работа в дълъг хоризонт.

Carbon заема първо място с резултат 59 в наскоро обновената версия v5.0 на Artificial Analysis Intelligence Index. Той показва значителен напредък при програмирането и агентните задачи, както и при ключови възможности, критични за защитата на киберсигурността, като заема убедителна преднина в SEC-bench Pro (88,2%) при откриването на уязвимости, ExploitGym (54,8%) при експлоатирането и CWE-bench (71,0%) при отстраняването им чрез пачове. При вътрешни тестове Carbon осигурява значително подобрение при генерирането на сигурен код, а в среди за програмиране в реално време с нашите екипи показва по-ниски нива на несъответствие и фабрикуване.

Изграден върху Gemini 4 Argon, който беше пуснат преди две седмици, Carbon илюстрира темпото, с което придвижваме границата напред. Нашите изследователи и модели работят рамо до рамо, за да развиват възможностите по-бързо, като едновременно с това укрепваме защитните си механизми.

Подхождаме обмислено към поетапното внедряване и активно участваме в доброволния процес на правителството на САЩ за тестване на модели преди пускането им. От тази седмица ще предоставим Carbon на ограничен кръг защитници на киберсигурността и постепенно ще разширяваме достъпа до допълнителни доверени партньори чрез нашата програма Fairwind. Продължаваме да събираме обратна връзка и да усъвършенстваме защитните механизми, преди да направим Carbon достъпен за разработчици, компании и потребители чрез нашите продукти възможно най-скоро.

Gemini 4 Carbon ще бъде пуснат на същата начална цена ¹ като Argon — 2 долара за милион входни токени и 10 долара за милион изходни токени, като кешираните входни токени ще се таксуват с 95% отстъпка от цената на входните токени.

Подобрено програмиране и разсъждение за сложни задачи с дълъг хоризонт

Създаден за много по-трудни инженерни задачи с дълъг хоризонт, Carbon е разработен за продължителни агентни работни процеси. Вътрешно екипите ни са наблюдавали как Carbon работи в продължение на дни, преодолява задънени улици и се справя със сложни многоетапни инженерни задачи, като откриване на първопричината и коригиране на фини грешки в големи кодови бази и ниско ниво на системите.

Въз основа на обратната връзка от потребителите се фокусирахме върху подобряването на производителността на модела в различни области, включително програмиране, агентни и научни задачи, както и full-stack уеб разработка и мултимодално разбиране. Благодарение на по-високото качество на резултатите и артефактите при уеб разработката Carbon се изкачва с +89 elo точки до 4-то място (1769) в WebDev Arena.

Водещи в индустрията резултати в киберсигурността за изграждане на сигурни системи

Gemini 4 Carbon осигурява значителен скок във възможностите за киберсигурност. Той постига водещи в индустрията резултати по целия жизнен цикъл на защитата на киберсигурността — откриване, валидиране и отстраняване на уязвимости.

Екипите ни вече наблюдават значителен напредък в киберзащитата. При вътрешни тестове Carbon постига над 2 пъти по-висок процент на успех при генерирането на сигурен код в сравнение с Argon. Като друг пример, екипът на Chrome съобщава, че Carbon се е представил над 10 пъти по-добре от голям пограничен модел на друга лаборатория при генерирането на висококачествени пачове. Wiz, водещата ни платформа за облачна сигурност, също отчита, че Carbon води в тестовете за уеб проникващо тестване — ключова възможност за инициативата Scan for Good на Wiz.

Carbon се представя отлично в ключови външни тестове (оценени без защитни механизми):

• Откриване на реални уязвимости: Основна част от защитата на киберсигурността е откриването на реални уязвимости. Carbon постига водещите в индустрията 88,2% в SEC-bench Pro, като автономно открива сложни слабости, скрити в софтуер от реалния свят.

• Валидиране на риска чрез експлоатиране: За да определят кои уязвимости да отстранят първо или изобщо да отстраняват, защитниците на киберсигурността все повече разчитат на модели, които проверяват кои уязвимости могат да бъдат експлоатирани. Carbon поставя нов стандарт в популярния тест за експлоатиране ExploitGym (54,8%).

• Поправяне на първопричината: В крайна сметка, след като уязвимостите бъдат идентифицирани, отстраняването на първопричината е критична стъпка в жизнения цикъл на защитата на киберсигурността. Carbon постига 71,0% в CWE-bench на Collinear, като превръща валидираните констатации директно в работещи корекции на кода.

Развитие на безопасността и сигурността на пограничните модели

Gemini 4 Carbon надгражда същия многослоен стек за безопасност и сигурност като Argon — съчетавайки обучение на модела, защити срещу злоупотреби в реално време, устойчивост на инжектиране на подсказки и наблюдение на веригата на мислене. По-специално постигнахме значителен напредък в съгласуваността на модела с Argon и отчетохме склонността му да се държи съгласувано в нашия доклад за безопасността и сигурността. С Carbon си поставихме за цел да направим още една крачка напред по отношение на съгласуваността и обучихме модела да реагира по правилния начин на сложни или изпълнени с напрежение задачи.

• Намаляване на преките пътища и експлоатирането на вратички: С Carbon допълнително ограничихме опитите за използване на преки пътища при обучението, като същевременно гарантирахме висока производителност при програмирането. Carbon намали успешното измамно поведение в Terminal-Bench 4.0 до 0,0%, а опитите за измама спаднаха до 0,4% — при едновременно подобряване на общата точност. В среди за програмиране в реално време с вътрешните ни екипи наблюдавахме почти 80% спад на сигналите за несъответствие с висока степен на сериозност.
• По-голяма прозрачност и честност: При вътрешните ни тестове Carbon намалява неподкрепените твърдения приблизително 2 пъти спрямо Argon. Той включва методологичните уговорки директно в резултата или отказва блокираните действия с ясен списък на оставащите изисквания, вместо да фабрикува или да замазва липсващите доказателства.
• Подобрено сътрудничество с потребителя при неяснота: Вместо да гадае или да налага определен път напред, Carbon извлича релевантните източници и посочва несъответствията на потребителя, преди да предприеме действие — в резултат на това потребителите би трябвало да получат значително по-добро съвместно преживяване с Carbon.
• Довеждане на задачите докрай без прекрачване на границите: Carbon едновременно намали прекомерното действие с 26% и недостатъчното обслужване с 29%, което води до много по-надеждно изпълнение на многоетапни планове от начало до край, като същевременно се спазват ограниченията на проекта и се остава строго в рамките на обхвата.
• Устойчивост на инжектиране на подсказки: Докато Argon преди това оглавяваше теста за устойчивост на инжектиране на подсказки на Gray Swan — Indirect Prompt Injection (IPI) Benchmark — с много нисък процент на успеваемост на атаките от 0,7%, Carbon постига 0,0% и устоява на всеки оценен опит за атака.

Скоро за разработчици, компании и потребители

Придвижването на границата напред изисква бързи действия, като същевременно внедряването остава обмислено. С Gemini 4 Carbon целта ни е да осигурим значителен напредък в софтуерното инженерство и защитата на киберсигурността, без да правим компромис с безопасността или надеждността. Очакваме с нетърпение да видим как първоначалната група защитници на киберсигурността ще използва този модел и скоро да предоставим Carbon на разработчици, компании и потребители.