Gemini 4 Carbon: náš další frontier model

Dnes představujeme náš další frontier model: Gemini 4 Carbon, náš nejsilnější model se špičkovými schopnostmi v oblasti kybernetické bezpečnosti a dlouhodobého plánování.

V nedávno aktualizovaném žebříčku Artificial Analysis Intelligence Index (verze 5.0) obsadil Carbon 1. místo se skóre 59. Vykazuje výrazný posun v programování, agentních úlohách i v klíčových dovednostech pro kybernetickou obranu. S jasným náskokem vede v testech SEC-bench Pro (88,2 %) při vyhledávání zranitelností, ExploitGym (54,8 %) při testování zneužitelnosti a CWE-bench (71,0 %) při nasazování oprav (patchování). V interních srovnávacích testech přináší Carbon výrazné zlepšení při generování bezpečného kódu a při reálném programování v našich vlastních týmech vykazuje nižší míru odchylek od zadání i smyšlených výstupů.

Carbon navazuje na model Gemini 4 Argon, který jsme uvedli před dvěma týdny, a ukazuje tempo, jakým posouváme technologické hranice kupředu. Naši výzkumníci a samotné modely pracují ruku v ruce, abychom schopnosti umělé inteligence rozvíjeli rychleji a souběžně s tím posilovali i naše bezpečnostní mechanismy.

K uvádění modelu přistupujeme uvážlivě a aktivně se zapojujeme do dobrovolného procesu vlády USA pro testování modelů před jejich vydáním. Od tohoto týdne zpřístupníme Carbon vybrané skupině expertů na kybernetickou obranu a postupně budeme přístup rozšiřovat na další důvěryhodné partnery prostřednictvím našeho programu Fairwind. Nadále sbíráme zpětnou vazbu a vylepšujeme ochranné mechanismy, abychom mohli Carbon co nejdříve nabídnout vývojářům, firmám i běžným uživatelům napříč našimi produkty.

Gemini 4 Carbon vstoupí na trh za stejnou zaváděcí cenu ¹ jako Argon: 2 USD za milion vstupních tokenů a 10 USD za milion výstupních tokenů, přičemž vstupní tokeny uložené v mezipaměti (cached) budou o 95 % levnější než standardní cena vstupních tokenů.

Lepší programování a uvažování pro náročné, dlouhodobé úkoly

Carbon jsme navrhli pro řešení komplexních a dlouhodobých inženýrských problémů v rámci nepřetržitých agentních workflow. Naše interní týmy v praxi ověřily, že Carbon dokáže běžet celé dny, překonávat slepé uličky a dotahovat složité vícekrokové inženýrské úlohy – například odhalovat původní příčiny a opravovat nenápadné chyby v rozsáhlých kódových základnách a nízkoúrovňových systémech.

Na základě zpětné vazby od uživatelů jsme se zaměřili na zvýšení výkonu modelu v celé řadě oblastí – od programování, agentních a vědeckých úloh až po full-stack webový vývoj a multimodální porozumění. Díky vyšší kvalitě výstupů a artefaktů při vývoji webu si Carbon polepšil o +89 bodů Elo a poskočil na 4. místo (1768 bodů) v žebříčku WebDev Arena.

Špičkový výkon v kybernetické bezpečnosti pro tvorbu odolných systémů

Gemini 4 Carbon přináší výrazný skok ve schopnostech kybernetické bezpečnosti. Dosahuje špičkových výsledků napříč celým životním cyklem kybernetické obrany – od detekce zranitelností přes jejich ověření až po nápravu.

Naše týmy už v kybernetické obraně zaznamenávají výrazné přínosy. V interních testech dosahuje Carbon více než 2× vyšší úspěšnosti při generování bezpečného kódu oproti modelu Argon. Tým prohlížeče Chrome například uvedl, že při vytváření vysoce kvalitních bezpečnostních záplat si Carbon vedl více než 10× lépe než velký přelomový model jiné laboratoře. Také Wiz, naše přední platforma pro zabezpečení cloudu, potvrzuje prvenství modelu Carbon v testech webového penetračního testování, které je klíčové pro iniciativu Wiz Scan for Good.

Carbon vyniká v klíčových externích srovnávacích testech (hodnoceno bez omezujících bezpečnostních filtrů):

• Odhalování reálných zranitelností: Základem kybernetické obrany je hledání skutečných slabin. Carbon dosahuje špičkového výsledku 88,2 % v testu SEC-bench Pro a autonomně odhaluje složité chyby skryté v reálném softwaru.

• Ověřování rizik pomocí testů zneužitelnosti: Aby obránci dokázali určit, které zranitelnosti opravit přednostně (nebo zda je vůbec nutné zasahovat), stále častěji využívají modely k ověření, zda lze danou slabinu reálně zneužít. Carbon nastavuje novou laťku v populárním testu ExploitGym s výsledkem 54,8 %.

• Oprava samotné příčiny problému: Po odhalení zranitelnosti je v životním cyklu kybernetické obrany klíčové odstranit její kořenovou příčinu. V testu CWE-bench od společnosti Collinear dosahuje Carbon výsledku 71,0 % a převádí ověřená zjištění přímo do funkčních oprav kódu.

Posouvání bezpečnosti a ochrany u přelomových modelů

Gemini 4 Carbon staví na stejném vícevrstvém bezpečnostním základu jako Argon – kombinuje trénink modelu, ochranu proti zneužití v reálném čase, odolnost vůči útokům typu prompt injection a monitorování myšlenkových postupů (chain-of-thought). Už u modelu Argon jsme učinili výrazný pokrok ve sladění modelu s lidskými záměry (alignment), což jsme popsali v naš íZprávě o bezpečnosti a ochraně. U modelu Carbon jsme si dali za cíl jít v této oblasti ještě o krok dál a trénovali jsme jej tak, aby správně reagoval i při řešení velmi složitých nebo vysoce náročných úkolů.

• Omezení zkratek a obcházení pravidel: U modelu Carbon jsme během tréninku ještě výrazněji potlačili snahy o hledání zkratek, aniž by utrpěla kvalita programování. V testu Terminal-Bench 4.0 snížil Carbon míru úspěšného podvádění na 0,0 % a samotné pokusy o obcházení klesly na 0,4 % – to vše při současném zvýšení celkové přesnosti. Při reálném programování v našich interních týmech klesl počet závažných upozornění na odchylky od zadání o téměř 80 %.
• Vyšší transparentnost a upřímnost: V interním testování snížil Carbon výskyt nepodložených tvrzení přibližně na polovinu oproti modelu Argon. Metodologická omezení uvádí přímo ve výstupu, případně pozastaví zablokované kroky a přehledně vypíše, jaké podklady ještě chybí, místo aby si fakta domýšlel nebo mlžil.
• Lepší spolupráce s uživatelem při nejasném zadání: Místo hádání nebo vynucování dalšího postupu Carbon vyhledá relevantní zdroje a před samotnou akcí upozorní uživatele na případné nesrovnalosti. Výsledkem je mnohem plynulejší a spolehlivější spolupráce.
• Důsledné plnění úkolů bez překračování pravomocí: Carbon současně snížil míru překračování zadání o 26 % a míru neúplného splnění úkolu o 29 %. Dokáže tak mnohem spolehlivěji provádět vícekrokové plány od začátku do konce, respektovat omezení projektu a držet se přesně vymezeného rozsahu.
• Odolnost vůči útokům prompt injection: Zatímco už Argon vedl v testu nepřímých útoků Gray Swan Indirect Prompt Injection (IPI) Benchmark s velmi nízkou mírou úspěšnosti útoku 0,7 %, Carbon dosahuje 0,0 % – odolal tedy každému hodnocenému pokusu o útok.

Již brzy pro vývojáře, firmy i běžné uživatele

Posouvání technologických hranic vyžaduje rychlé tempo, ale zároveň uvážlivý přístup k nasazování. S modelem Gemini 4 Carbon je naším cílem přinést zásadní posun v softwarovém inženýrství a kybernetické obraně bez kompromisů v oblasti bezpečnosti či spolehlivosti. Těšíme se, jak model v praxi využije první skupina expertů na kybernetickou bezpečnost, a brzy Gemini 4 Carbon zpřístupníme také vývojářům, firmám a spotřebitelům.