Gemini 4 Carbon: kiberbiztonságra élezett csúcsmodell

Frissítve: 2026. november 10., 17:20 (Europe/Budapest): a Google általánosan elérhetővé tette a Gemini 4 Carbont fizető fejlesztőknek, illetve cégeknek. A cikkbe bekerültek az új független benchmarkok, a /swarm funkció, illetve a frissített biztonsági adatok.

Mi történt?

A Google DeepMind október 28-án bejelentette a Gemini 4 Carbont. A cég szerint ez az eddigi legerősebb modellje, a kiberbiztonságban és a hosszú, többlépéses feladatokban pedig state of the art (Google DeepMind).

A Carbon a két hete érkezett Gemini 4 Argonra épül. A Google szerint az Artificial Analysis Intelligence Index frissített, 5.0-s verzióján 59 ponttal az első helyen áll. A cég jelentős javulást ír kódolásban, agentic feladatokban, illetve a kibervédelemhez fontos képességekben.

Kiberbiztonság: itt a legnagyobb ugrás

A Google három külső benchmarkot emel ki, mindhármat guardrailek nélkül mérték:

• SEC-bench Pro, valódi sérülékenységek megtalálása: 88,2%.
• ExploitGym, annak ellenőrzése, mely sérülékenységek kihasználhatók: 54,8%.
• Collinear CWE-bench, javítás a hiba gyökerénél: 71,0%.

Belső mérésen a Carbon több mint kétszer sikeresebben generál biztonságos kódot, mint az Argon. A Chrome csapata szerint minőségi patchek írásában több mint tízszer jobban teljesített egy másik labor nagy frontier modelljénél. A Wiz szerint a web penetration testing benchmarkokon is vezet.

Forrás: Google DeepMind. A Gemini 4 Carbon benchmarkeredményei a Gemini 4 Argon, a GPT-6 Astra, a Claude Opus 5.5 és a Claude Fable 5.1 mellett.

A gyártó saját táblázata sem csupa első hely. A FrontierSWE 2 teszten a GPT-6 Astra vezet (65,5% a Carbon 61,2%-ával szemben), az OSWorld-2.1 offline részhalmazán pedig a Claude Opus 5.5 (87,2% a 81,5%-kal szemben).

Napokig futó agent munkák

A Carbont kifejezetten hosszan futó agentic workflow-kra tervezték. A Google belső csapatainál napokig futott, a zsákutcákon is átjutott. Nagy kódbázisokban, illetve alacsony szintű rendszerekben kereste meg és javította a rejtett bugok okát.

Webfejlesztésben is erősödött: a WebDev Arénán 89 Elo-pontot javított, ezzel 1769 ponttal a negyedik helyen áll.

Biztonság és alignment

A Carbon az Argon többrétegű biztonsági stackjére épül. A Google ezeket az eredményeket közölte:

• Terminal-Bench 4.0: a sikeres csalás aránya 0,0%, a csalási kísérleteké 0,4%, miközben a pontosság javult.
• Belső éles kódolási környezetben a súlyos misalignment riasztások közel 80%-kal csökkentek.
• Belső tesztben nagyjából feleannyi alátámasztatlan állítást tesz, mint az Argon.
• A hatáskör túllépése 26%-kal, az alulteljesítés 29%-kal csökkent többlépéses terveknél.
• Gray Swan IPI benchmark: 0,0% sikeres prompt injection támadás, az Argonnál ez 0,7% volt.

Mi változott november 10-én?

A Google november 10-én minden fizető fejlesztőnek és cégnek megnyitotta a Carbont a Google AI Studio API-jában, illetve a Gemini for businessben (Google DeepMind). A Google AI Ultra előfizetők fokozatosan a Google Antigravityben, a Gemini appban, illetve a Keresés AI Mode funkciójában kapják meg.

A Google szerint a legtöbb szoftverfejlesztési és tudásmunkára továbbra is az Argon a jó választás. A Carbont a legnehezebb feladatokra szánják: több lépéses kódolásra, debugra, illetve nyitott kutatási problémákra. Ehhez több tokent használ, mint az Argon, hogy alaposabban gondolkodjon és hosszabb ellenőrzési köröket futtasson.

Most már független mérések is vannak, a Google ezeket emeli ki:

• CursorBench 4.0, Perplexity WANDR, Zapier AutomationBench: első hely, a Google szerint feladatonként több mint kétszer olcsóbban, mint a következő legjobb külső modell.
• Artificial Analysis Multimodal Knowledge Agent (MKA), új benchmark sűrű, ábrás dokumentumokra: második hely, átlagosan több mint hatszor alacsonyabb feladatonkénti költséggel, mint az első.
• Balyasny Asset Management pénzügyi benchmarkja: első hely 23 frontier modellkonfiguráció közül.

Az Antigravityben előzetesként érkezik a /swarm parancs, amely egyetlen promptból összehangolt agentcsapatot indít, valós időben követhetően. A Carbon kapja a legmélyebb gondolkodást igénylő szerepeket, például az architektúra tervezést, a koordinációt vagy az auditot, mellette gyorsabb, könnyebb modellek dolgoznak elszigetelt, párhuzamos munkaterületeken.

A kiberbiztonsági eredmények is bővültek. A Google belső Project Fortify rendszerében a Carbon a cég saját benchmarkján 100%-os recallt ért el a szkennelésben, illetve 95%-os precizitást a triázsban. A Wiz két nagy SaaS szolgáltatónál két órán belül talált vele 0-day sérülékenységeket.

Új biztonsági adatok is érkeztek. Szimulált kibertámadási környezetben a Carbon az adaptív red-teaming agent támadási útvonalainak 99%-át blokkolta, a próbálkozásonkénti betörési arány 0,8% lett (az Argonnál 3,1%). A 375 feladatos agentic őszinteségi benchmarkon a feladatok 92%-át teljesítette, az Argon 70%-ot.

Ki fér hozzá és mennyibe kerül?

A Google óvatosan vezette be a modellt, részt vett az amerikai kormány önkéntes, kiadás előtti modelltesztelési folyamatában. Október 28-tól két hétig csak kibervédelmi szakemberek egy szűk köre használhatta a Fairwind Programon keresztül, november 10-től viszont minden fizető fejlesztő elérheti az API-ban.

A bevezető ár ugyanaz, mint az Argoné: millió input tokenenként 2 dollár, millió output tokenenként 10 dollár, a cache-elt input tokenek 95%-kal olcsóbbak. A bevezető időszak után 4, illetve 20 dollár lesz az ár. Azt nem írták meg, meddig tart a bevezető időszak.

Mit jelent ez nekünk?

Mostantól ki lehet próbálni. A tokenár a bevezető időszakban megegyezik az Argonéval, de a Carbon egy feladaton több tokent használ, így a végszámla nem feltétlenül ugyanaz. A Google maga is az Argont ajánlja a legtöbb munkára, a Carbont a nehéz, többlépéses kódolási és debug feladatokon érdemes tesztelni. A független benchmarkok biztatóak, de a saját pipeline-on mért eredmény többet mond.