Google DeepMind выпускает Gemini 4 Carbon всего через две недели после Argon с улучшениями по всем направлениям

Google Deepmind выпустила Gemini 4 Carbon всего через две недели после Argon, и новая модель заняла первое место в Artificial Analysis Intelligence Index.

Carbon набрала 59 баллов в недавно обновлённой версии 5.0 Artificial Analysis Intelligence Index, тогда как предшественница Argon отстаёт с 50 баллами. Помимо общего роста результатов в агентных задачах и программировании, Google отмечает возможности, охватывающие весь жизненный цикл киберзащиты — от обнаружения и проверки уязвимостей до их устранения.

Создана для многодневных сессий программирования

Google Deepmind заявляет, что создала Carbon для «гораздо более сложных инженерных задач с долгим горизонтом», требующих постоянных агентных рабочих процессов. По словам Google, внутренние команды запускали модель на несколько дней подряд: за это время она самостоятельно проходила через тупиковые ситуации и справлялась со сложными многоэтапными задачами, такими как анализ первопричин и исправление малозаметных ошибок в больших кодовых базах и низкоуровневом программном обеспечении.

Google также сообщает об улучшениях в научном рассуждении, мультимодальном понимании и полнофункциональной веб-разработке на основе отзывов пользователей. Более качественные результаты и артефакты в веб-разработке позволили Carbon подняться на 89 баллов Elo в WebDev Arena, где она занимает четвёртое место с результатом 1 769.

В тесте Gray Swan на косвенные инъекции промптов Carbon снизила уровень успешных атак с 0,7 процента у Argon до 0,0 процента, заблокировав, по данным Google, все проверенные попытки манипуляции. Это не означает, что проблема инъекций промптов решена, однако тест, по-видимому, достиг насыщения.

Независимые оценки подтверждают показатели Google

Согласно Artificial Analysis, Carbon на максимальном уровне рассуждения («high») возглавляет Intelligence Index v5 главным образом благодаря высоким результатам в сложном рассуждении, поиске знаний и научных задачах, заняв первое место в четырёх из девяти отдельных оценок индекса.

В агентном программировании на Antigravity Carbon всё ещё уступает Claude Code с Opus 5.5 на три балла, несмотря на рост с 53 до 59 баллов по сравнению с Argon. В агентной интеллектуальной работе на AA-Briefcase Carbon (high) набрала на 126 баллов больше, чем Argon (high, 1 483 Elo), достигнув 1 609 Elo благодаря качеству презентаций (+293 Elo до 1 598) и аналитическому качеству (+120 Elo до 1 671). Она всё ещё отстаёт от Kimi K3.1 Pro (1 678 Elo), Muse Wonder (max, 1 659 Elo) и Grok 4.7 (xhigh, 1 638 Elo).

Точность ответов выросла с 48 до 58 процентов по сравнению с Argon, а доля галлюцинаций увеличилась с четырёх до 11 процентов. Это выше, но всё ещё второй результат с конца в рейтинге. Claude Opus 5.5 (max) и GPT-6 Astra (max) набрали по 50 процентов.

Оценочная платформа Vals AI поставила Carbon на второе место с точностью 70,36 процента — после Claude Sonnet 5.5 (70,85 процента) и впереди Claude Opus 5.5 (70,18 процента) и занявшей четвёртое место Argon (69,24 процента); все они работают при меньшей стоимости.

На Vals.ai Carbon также возглавляет Finance Index и тест Legal Research. В исследовании юридической информации Vals AI зафиксировала примерно на 45 процентов больше цитируемых источников, более частые вызовы инструментов и более длинные ответы по сравнению с Argon.

Однако выполнение задач в тесте Finance and Tax Agent занимает более чем вдвое больше времени, чем у Argon, а в Legal Research Carbon в среднем тратит на каждую задачу более 50 минут. Модель генерирует в 2,3 раза больше токенов рассуждения и на 64 процента больше выходных токенов, чем Argon, хотя это всё ещё менее половины числа выходных токенов Sonnet 5.5 и Opus 5.5.

На Arena.ai Gemini 4 Carbon (High) возглавила Text Arena с 1 528 баллами, немного опередив Argon (1 520). В Agent Arena модель заняла второе место по итогам более чем 21 900 реальных сессий, опередив GPT-6 Astra и Fable-5.1, с чистым улучшением на 16,2 процента и самым высоким показателем управляемости (+18,6 процента). Медианная стоимость задачи в 1,80 доллара на 72 процента ниже, чем у Claude Opus 5.5 (Max), занявшей первое место.

В категории WebDev Code Arena Carbon набрала 1 768 баллов (на 89 больше, чем Argon, занявшая 11-е место), заняв четвёртое место в общем зачёте, всего на два балла отстав от Claude Sonnet 5.5 (xHigh, 1 770). Это выводит её на кривую Парето во всех трёх дисциплинах.

Carbon возглавляет тесты безопасности без защитных ограничений

Для нескольких тестов безопасности Google запускала модель без защитных ограничений. В SEC-bench Pro, измеряющем автономное обнаружение уязвимостей в реальном программном обеспечении, Carbon набрала 88,2 процента и возглавила все протестированные модели. В ExploitGym, проверяющем, может ли система превратить обнаруженные уязвимости в работающие эксплойты, модель достигла 54,8 процента. Carbon также уверенно занимает первое место в тесте на написание исправлений для CWE-Bench.

Google также приводит результаты внутренних тестов, которые невозможно независимо проверить. Согласно внутренним тестам, Carbon создаёт безопасный код более чем в два раза чаще, чем Argon, а в тестах команды Google Chrome она показала результат более чем в десять раз лучше при написании исправлений безопасности, чем флагманская модель неназванного конкурента.

Эксперты по безопасности получат доступ первыми

Google постепенно разворачивает модель и участвует в процессе предварительного тестирования правительства США, ссылаясь на продвинутые возможности Carbon в сфере безопасности. Избранные эксперты по кибербезопасности получат доступ первыми уже на этой неделе. Через программу Fairwind Google Deepmind доступ затем расширится на других проверенных партнёров.

Компания планирует открыть модель для разработчиков, бизнеса и потребителей через интерфейсы своих продуктов после сбора дополнительных отзывов и корректировки защитных ограничений.

Gemini 4 Carbon запускается по той же вводной цене, что и Argon: 2 доллара за миллион входных токенов и 10 долларов за миллион выходных токенов, при этом кэшированные входные токены получают скидку 95 процентов от обычной цены входных токенов.

Стоимость Carbon составляет 7,76 доллара за задачу в Artificial Analysis Intelligence Index — примерно на 23 процента ниже, чем у Claude Opus 5.5 (max, 10,04 доллара), и примерно в 1,2 раза выше, чем у GPT-6 Astra (max, 6,25 доллара). В среднем она генерирует 123 000 выходных токенов на задачу — на 29 процентов меньше, чем модель Anthropic (173 000 токенов), — и практически точно соответствует цене Argon (7,68 доллара).

Artificial Analysis основывает свои расчёты на обычной прейскурантной цене в 4 доллара за миллион входных токенов и 20 долларов за миллион выходных токенов (плюс 0,20 доллара за кэшированные входные токены), игнорируя действующую вводную скидку 50 процентов, которая продлится до конца 2026 года.

Новости ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ и наш эксклюзивный годовой отчёт о передовых разработках «AI Radar», выходящий шесть раз в год, получить доступ ко всему архиву и разделу комментариев.