Gemini 4 Carbon Faoliyat yuritmoqda

Gemini 4 Carbon — Google DeepMind tomonidan taqdim etilgan eng yangi flagman katta til modeli bo‘lib, Gemini 4 Argon’dan keyingi avlod ilg‘or modelidir. Gemini 4 Carbon Artificial Analysis Intelligence Index 5.0’da 59 ball bilan birinchi o‘rinni egallab, Claude Opus 5.5 va GPT-6 Astra’dan o‘zib ketdi hamda kiberxavfsizlik mudofaasining to‘liq hayotiy sikli: zaifliklarni izlash, ekspluatatsiyani tekshirish, tuzatish va o‘ta uzoq davom etuvchi avtonom dasturlash vazifalarida yangi SOTA natijasiga erishdi.

O‘ta uzoq davom etuvchi avtonom dasturlash: bir necha kun uzluksiz ishlay oladi, katta kod bazalaridagi yashirin xatolarning asosiy sababini mustaqil aniqlaydi va tuzatish kodini yozadi.
Zaifliklarni izlash: SEC-bench Pro’da 88.2% natija bilan SOTA rekordini o‘rnatib, V8 dvigateli, Linux yadrosi kabi haqiqiy dasturlarda murakkab va yuqori xavfli zaifliklarni mustaqil aniqlay oladi.
Zaifliklardan foydalanishni tekshirish: ExploitGym’da 54.8% natija bilan rekord o‘rnatib, hujumchi kabi zaiflikdan amalda foydalanish mumkinligini tekshiradi va mudofaa jamoalariga tuzatish ustuvorliklarini belgilashda yordam beradi.
Asosiy sabab darajasida avtomatik tuzatish: CWE-bench’da 71.0% natijaga erishib, tasdiqlangan zaiflik topilmasini dastlabki funksiyalarni buzmaydigan, ishga tushirish mumkin bo‘lgan tuzatish kodiga aylantiradi.
To‘liq stekli dasturlash va frontend yaratish: WebDev Arena Elo reytingi 89 ballga oshib, 1769 ga yetdi; komponentlar sifati va tayyor mahsulot natijasi sezilarli yaxshilandi, o‘rtacha vazifa qiymati esa kamaydi.
O‘ta uzun kontekstli ko‘p bosqichli qarorlar: 256k–1M kontekstli GraphWalks sinovida 96.2% natija bilan raqobatchilardan katta farq bilan o‘zib ketadi; uzoq muddatli biznes boshqaruvi simulyatsiyasida (Vending-Bench 2) yakuniy hisob balansi Opus 5.5 ko‘rsatkichining qariyb 1.8 baravariga teng.

Uzoq muddatli avtonom agent arxitekturasi: Carbon aynan “bir necha kun davom etadigan uzoq horizonli muhandislik vazifalari” uchun ishlab chiqilgan. Uning asosi katta kod bazalari va quyi darajadagi tizimlarda barqaror izlanish mexanizmidir: bir necha bor boshi berk ko‘chaga kirib qolganida ham ortga qaytadi, yo‘nalishni o‘zgartiradi va ishni davom ettiradi; asosiy sababni aniqlashdan tuzatishni topshirishgacha bo‘lgan ko‘p bosqichli yopiq jarayonni mustaqil yakunlaydi.
Kiberxavfsizlik mudofaasining to‘liq hayotiy sikli: xavfsizlik imkoniyatlari “zaiflikni topish — tekshirish — tuzatish” uch bosqichi asosida qurilgan. Ularning barchasi mahsulot cheklovlaridan ajratilgan to‘liq quvvatli holatda o‘qitilgan va baholangan: aniqlash bosqichi SEC-bench Pro’da 88.2% ga, tekshirish bosqichi ExploitGym’da 54.8% ga, tuzatish bosqichi esa CWE-bench’da 71.0% ga yetib, topishdan yakuniy tuzatishgacha bo‘lgan to‘liq zanjirni hosil qiladi. Rasmiy ma’lumotlarga ko‘ra, ichki xavfsiz kod yaratish muvaffaqiyati Argon’ga nisbatan 2 baravardan ko‘proq oshgan; Chrome jamoasining amaliy taqqoslashida esa tuzatish sifati boshqa yetakchi laboratoriyaning ilg‘or modelidan 10 baravardan ko‘proq yuqori bo‘lgan.
Alignment treningi va anti-cheat konvergentsiyasi: yuqori balli modellar “test skriptini o‘zgartirib, soxta muvaffaqiyatga erishishi” muammosiga qarshi Carbon trening bosqichidayoq qisqa yo‘llar va ekspluatatsiyaga moyillikni bostiradi. Natijada Terminal-Bench 4.0’da muvaffaqiyatli aldash darajasi 0.0% gacha, aldashga urinish darajasi 0.4% gacha tushirildi; aniqlik oshirilganiga qaramay, ichki real vaqtli kodlash muhitida yuqori jiddiylikdagi alignment ogohlantirishlari qariyb 80% ga kamaydi.

Hozirda Carbon faqat Fairwind Program orqali ruxsat olgan ayrim kiberxavfsizlik mudofaasi mutaxassislariga taqdim etilgan. Oddiy dasturchilar, korxonalar va iste’molchilar Google’ning keyingi e’lonini kutishlari kerak.

Kompleks intellekt bo‘yicha yetakchilik: 59 ball bilan Artificial Analysis Intelligence Index 5.0’da dunyo bo‘yicha birinchi o‘rinni egallab, Claude Opus 5.5 va GPT-6 Astra’dan bevosita o‘zib ketdi.
O‘ta uzoq davom etuvchi avtonom dasturlash: bir necha kun ishlay oladi, boshi berk ko‘chalardan chiqib, katta kod bazalaridagi yashirin xatolarning asosiy sababini aniqlash va tuzatish patchlarini mustaqil bajaradi; Terminal-Bench 4.0’da 65.2% natija bilan raqobatchilardan ustun.
Kiberxavfsizlikning to‘liq hayotiy siklida SOTA: “zaiflikni topish (SEC-bench Pro 88.2%) — tekshirish (ExploitGym 54.8%) — patch yozish (CWE-bench 71.0%)” jarayonining barchasini qamrab oladi va uchala ko‘rsatkich ham eng yangi rekorddir.
O‘ta uzun kontekstda ustunlik: 256k–1M kontekstli GraphWalks sinovida 96.2% natija bilan Opus 5.5 (66.8%) va Astra’dan (71.8%) katta farq bilan o‘zib ketadi.
Deyarli nol darajadagi aldash va gallyutsinatsiyalar (alignment darajasida): Terminal-Bench’da aldash orqali muvaffaqiyatga erishish darajasi 0.0% gacha tushirilgan, bilvosita prompt inʼeksiyalariga 100% immunitetga ega, asossiz bayonotlar esa Argon’ga nisbatan qariyb 2 baravar kamaygan.

Loyiha rasmiy sayti: https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

Kiberxavfsizlik mudofaasi: SEC-bench Pro’da 88.2%, ExploitGym’da 54.8% va CWE-bench’da 71.0% natijalar bilan “zaiflikni topish — tekshirish — patch yozish” to‘liq hayotiy siklini avtomatlashtiradi.
O‘ta uzoq davom etuvchi avtonom dasturlash: bir necha kun ishlay oladi, boshi berk ko‘chalardan o‘tib, katta kod bazalaridagi yashirin xatolarning asosiy sababini aniqlash va tuzatishni mustaqil bajaradi.
Korxona darajasidagi agent ish jarayonlari: Vals Index’dagi 70.4% natija va keshlangan kirishlar uchun 95% chegirma orqali ko‘p takrorlanadigan Agent vazifalarini past xarajat bilan qo‘llab-quvvatlaydi.
O‘ta uzun kontekstni tahlil qilish: 1M kontekst oynasi va GraphWalks’dagi 96.2% natija kod bazalarini tushunish hamda uzun hujjatlarda ko‘p bosqichli xulosalash vazifalarini bajarish imkonini beradi.
To‘liq stekli Web dasturlash: WebDev Arena’dagi 1769 ballik natija sifati va pastroq vazifa xarajati bilan frontend komponentlari hamda to‘liq ilovalarni tez yaratadi.