Gemini 4 Carbon Inafanya kazi

Gemini 4 Carbon ni modeli kuu mpya zaidi ya Google DeepMind, na ni modeli ya kizazi kijacho ya kiwango cha juu baada ya Gemini 4 Argon. Gemini 4 Carbon ilishika nafasi ya kwanza kwa alama 59 katika Artificial Analysis Intelligence Index 5.0, ikiipita Claude Opus 5.5 na GPT-6 Astra, na kufikia SOTA mpya katika mzunguko mzima wa ulinzi wa usalama wa mtandao: ugunduzi wa udhaifu, uthibitishaji wa unyonyaji, urekebishaji wa viraka na kazi za muda mrefu za upangaji programu unaojitegemea.

Upangaji programu wa muda mrefu unaojitegemea: Inaweza kufanya kazi mfululizo kwa siku kadhaa, ikitambua chanzo cha Bug zilizofichika katika hifadhidata kubwa za msimbo na kuandika viraka.
Ugunduzi wa udhaifu: Iliweka SOTA kwa 88.2% kwenye SEC-bench Pro, na inaweza kugundua kwa kujitegemea udhaifu changamano na hatari katika programu halisi kama injini ya V8 na kerneli ya Linux.
Uthibitishaji wa unyonyaji wa udhaifu: Kwa 54.8% ilivunja rekodi ya ExploitGym, ikithibitisha kama udhaifu unaweza kutumiwa kihalisi kama mshambuliaji, na kusaidia walinzi kupanga kipaumbele cha marekebisho.
Uwekaji viraka kiotomatiki katika kiwango cha chanzo: CWE-bench ilifikia 71.0%, ikiweza kubadilisha ugunduzi wa udhaifu uliothibitishwa moja kwa moja kuwa msimbo wa marekebisho unaoweza kuendeshwa bila kuharibu utendaji uliopo.
Uundaji wa full-stack na frontend: Alama ya WebDev Arena Elo iliongezeka kwa pointi 89 hadi 1769, huku ubora wa vipengele na matokeo yaliyokamilika ukiboreka kwa kiasi kikubwa, na wastani wa gharama ya kazi ukiwa chini.
Uamuzi wa hatua nyingi wenye muktadha mrefu sana: Katika jaribio la GraphWalks lenye muktadha wa 256k–1M, iliongoza washindani kwa kiasi kikubwa kwa 96.2%; salio la mwisho katika uigaji wa muda mrefu wa uendeshaji wa biashara (Vending-Bench 2) lilikuwa karibu mara 1.8 ya Opus 5.5.

Usanifu wa wakala mwenye uhuru wa muda mrefu: Carbon iliundwa mahsusi kwa ajili ya “kazi za uhandisi zenye horizon ndefu zinazoendelea kwa siku kadhaa”. Msingi wake ni utaratibu wa kudumu wa kuchunguza hifadhidata kubwa za msimbo na mifumo ya kiwango cha chini; hata inapokutana na njia zilizofungwa mara nyingi, inaweza kurudi nyuma, kubadili njia na kuendelea bila kukata tamaa, ikikamilisha kwa kujitegemea mzunguko wa hatua nyingi kutoka kutambua chanzo hadi kuwasilisha kiraka.
Uwezo wa ulinzi wa usalama wa mtandao katika mzunguko mzima: Uwezo wake wa usalama umejengwa katika hatua tatu za “tafuta udhaifu—thibitisha—rekebisha”, na hatua zote zimefunzwa na kutathminiwa katika hali kamili bila kutenganishwa na vizuizi vya bidhaa. Upande wa ugunduzi ulifikia 88.2% kwenye SEC-bench Pro, uthibitishaji ulivunja rekodi ya ExploitGym kwa 54.8%, na urekebishaji uliongoza CWE-bench kwa 71.0%; kwa pamoja zinaunda mnyororo kamili kutoka ugunduzi hadi kufungwa kwa mchakato. Takwimu rasmi zinaonyesha kuwa kiwango cha mafanikio cha uzalishaji wa msimbo salama ndani ya mfumo kiliongezeka zaidi ya mara 2 ikilinganishwa na Argon. Katika ulinganisho wa vitendo wa timu ya Chrome, ubora wa viraka ulikuwa zaidi ya mara 10 bora kuliko wa modeli ya mbele kutoka maabara nyingine ya kiwango cha juu.
Muunganiko wa mafunzo ya ulinganifu na kuzuia udanganyifu: Ili kukabili tatizo la modeli zenye alama za juu “kubadilisha hati za majaribio ili kujifanya zimefaulu”, Carbon hukandamiza moja kwa moja mielekeo ya kutumia njia za mkato na mianya wakati wa mafunzo. Matokeo yake ni kupunguza kiwango cha udanganyifu uliofaulu kwenye Terminal-Bench 4.0 hadi 0.0% na kiwango cha majaribio ya udanganyifu hadi 0.4%; wakati huo huo, katika mazingira ya ndani ya usimbaji wa moja kwa moja, tahadhari za kutokuwa na ulinganifu wa ukali wa juu zilipungua karibu 80% huku usahihi ukiboreshwa.

Kwa sasa Carbon inapatikana tu kwa baadhi ya wataalamu wa ulinzi wa usalama wa mtandao waliopitia Fairwind Program. Wasanidi programu wa kawaida, biashara na watumiaji wanahitaji kusubiri taarifa zaidi kutoka Google.

Uongozi katika akili jumuishi: Kwa alama 59, ilishika nafasi ya kwanza duniani katika Artificial Analysis Intelligence Index 5.0, ikiishinda moja kwa moja Claude Opus 5.5 na GPT-6 Astra.
Upangaji programu wa muda mrefu unaojitegemea: Inaweza kufanya kazi kwa siku kadhaa, kuvuka njia zilizofungwa, na kukamilisha kwa kujitegemea kutambua chanzo cha Bug zilizofichika katika hifadhidata kubwa za msimbo pamoja na viraka vya marekebisho; Terminal-Bench 4.0 ilifikia 65.2%, ikiiongoza washindani.
SOTA katika mzunguko mzima wa usalama wa mtandao: Inashughulikia mchakato wote wa “tafuta udhaifu (SEC-bench Pro 88.2%)—thibitisha udhaifu (ExploitGym 54.8%)—weka kiraka (CWE-bench 71.0%)”, huku zote tatu zikiwa rekodi mpya zaidi.
Uongozi katika muktadha mrefu sana: Katika jaribio la GraphWalks lenye muktadha wa 256k–1M, iliwazidi kwa kiasi kikubwa Opus 5.5 (66.8%) na Astra (71.8%) kwa 96.2%.
Karibu hakuna udanganyifu na hakuna maono ya uongo (katika kiwango cha ulinganifu): Kiwango cha mafanikio ya udanganyifu kwenye Terminal-Bench kilipunguzwa hadi 0.0%, ilipata kinga ya 100% dhidi ya sindano za vidokezo zisizo za moja kwa moja, na madai yasiyo na msingi yalipungua karibu mara 2 ikilinganishwa na Argon.

Tovuti rasmi ya mradi: https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

Ulinzi wa usalama wa mtandao: Inafanya otomatiki mzunguko mzima wa “tafuta udhaifu—thibitisha udhaifu—weka kiraka” kwa 88.2% kwenye SEC-bench Pro, 54.8% kwenye ExploitGym na 71.0% kwenye CWE-bench.
Upangaji programu wa muda mrefu unaojitegemea: Inaweza kufanya kazi kwa siku kadhaa, kuvuka njia zilizofungwa, na kukamilisha kwa kujitegemea kutambua chanzo cha Bug zilizofichika katika hifadhidata kubwa za msimbo pamoja na marekebisho.
Mtiririko wa kazi wa mawakala wa kiwango cha biashara: Kwa Vals Index ya 70.4% na punguzo la 95% kwa ingizo lililohifadhiwa kwenye kache, inaweza kusaidia kazi za Agent za mara kwa mara kwa gharama nafuu.
Uchambuzi wa muktadha mrefu sana: Dirisha la muktadha la 1M na utendaji wa 96.2% kwenye GraphWalks vinaifanya ifae kwa kuelewa hifadhidata za msimbo na hoja za hatua nyingi katika hati ndefu.
Uundaji wa Web wa full-stack: Kwa ubora wa matokeo wa pointi 1769 kwenye WebDev Arena na gharama ya chini ya kazi, inaweza kutoa kwa haraka vipengele vya frontend na programu kamili.