Google DeepMind a anunțat lansarea Gemini 4 Carbon, noul său model de frontieră, care este prezentat ca fiind cel mai puternic instrument dezvoltat până în prezent de companie. Această nouă versiune este dotată cu capabilități avansate de securitate cibernetică și de execuție pe termen lung, fiind concepută pentru a gestiona sarcini de ultimă generație. Modelul a reușit să ocupe prima poziție în versiunea actualizată v5.0 a Artificial Analysis Intelligence Index, obținând un scor de 59.
Performanțele în domeniul securității cibernetice sunt marcate de progrese semnificative în diverse teste de specialitate. 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 cu un total de 1768 de puncte în WebDev Arena, demonstrând o capacitate sporită de gestionare a fluxurilor de lucru complexe.
Construit pe baza modelului Gemini 4 Argon, lansat acum două săptămâni, Carbon este proiectat pentru probleme de inginerie de lungă durată și fluxuri de lucru agentice susținute. Echipele interne au observat că acest model poate rula zile întregi pentru a persista prin fundături și pentru a rezolva sarcini dificile, precum identificarea cauzelor și remedierea unor bug-uri subtile în sisteme de nivel scăut sau în baze mari de cod. În testele interne, modelul a obținut o rată de succes de peste două ori mai mare decât Argon în generarea de cod securizat.
Implementarea modelului urmează să fie una graduală, începând cu un subset de specialiști în apărare cibernetică, urmând ca accesul să fie extins prin programul Fairwind către alți parteneri de încredere. Google DeepMind a adoptat o abordare deliberată, participând la procesul voluntar al guvernului SUA pentru testarea modelelor înainte de lansare oficială. Din punct de vedere economic, Carbon va avea același preț introductiv ca 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 ce include antrenamentul specializat și monitorizarea lanțului de gândire. Rezistența la injectarea indirectă de prompturi a ajuns la 0,0%, reușind să reziste fiecărei încercări de atac evaluate, comparativ cu 0,7% la modelul Argon. De asemenea, compania a raportat o scădere a alertelelor de misalignare de severitate ridicată cu aproape 80% în mediile interne de codare, precum și o reducere a încercărilor de a ocoli regulile în timpul antrenamentului.
Evoluția rapidă a modelelor de inteligență artificială de frontieră, precum seria Gemini, marchează o tranziție tehnologică în care modelele sunt antrenate pentru a deveni agenți autonomi capabili de execuție pe termen lung. Această direcție de cercetare vizează nu doar creșterea acurateței în sarcini de codare, ci și consolidarea măsurilor de siguranță pentru a preveni utilizarea abuzivă a tehnologiei în medii critice de infrastructură digitală.