Только что состоялся официальный релиз модели Gemini 4 Carbon, и Хакими вернул себе первое место в мировом рейтинге

Неужели созвездие Близнецов наконец-то ожило?

В то время как все внимание приковано к первому сенсорному MacBook Pro от Apple, компания Google DeepMind только что официально объявила о выпуске своей новой флагманской модели, Gemini 4 Carbon.

Согласно официальным данным, Gemini 4 Carbon набрал 59 баллов в последнем рейтинге Artificial Analysis Intelligence Index v5.0, обогнав Claude Opus 5.5 и GPT-6 Astra и став лучшей в мире моделью большого размера.

Что еще более впечатляет, Gemini 4 Carbon смог в течение нескольких дней подряд справляться со сложными инженерными задачами, автономно обнаруживая, проверяя и устраняя уязвимости в программном обеспечении, а также устанавливая новые рекорды в нескольких тестах на безопасность в области кибербезопасности.

Однако такая мощная модель пока недоступна обычным пользователям: Google решил отдать приоритет ее предоставлению небольшому числу специалистов по кибербезопасности, и пока нет четких сроков, когда другие пользователи смогут ее оценить.

Вернув себе первое место в мировом рейтинге, Близнецы теперь стремятся расширить свои возможности.

Оглядываясь на прошедший в этом году масштабный конкурс моделей, можно с уверенностью сказать, что темпы обновлений Google явно демонстрируют стремление «учиться на своих ошибках и стремиться к совершенству».

Ранее, после запуска серии Gemini Flash 3.5–3.8, Google медленно оправдывала ожидания в отношении нового поколения флагманских моделей Pro. С другой стороны, Anthropic и OpenAI продолжают расширять границы возможностей, и отечественные модели также догоняют. Google срочно нужен действительно качественный продукт, чтобы снова доказать свою силу.

Космический аппарат Gemini 4 Argon наконец-то дебютировал всего две недели назад.

Аргон (Argon) — это стабильный инертный газ, широко используемый для защиты окружающей среды при сварке и производстве полупроводников. Хотя качество письма и выразительность пера значительно улучшились, по общим характеристикам он всё ещё уступает лучшим моделям.

Теперь Google представил углерод. Будучи важным элементом в формировании жизни и органических соединений, углерод может образовывать как мягкий графит, так и твердый алмаз.

Изображение | Официальный блог : https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

Что действительно привлекло внимание к Gemini 4 Carbon, так это серия опубликованных результатов испытаний.

27 октября независимая организация по оценке моделей Artificial Analysis обновила свой Индекс интеллекта до версии 5.0. Этот всеобъемлющий индекс охватывает четыре основные области: интеллектуальный труд, программирование, наука и общее мышление, каждая из которых составляет 25%. 60% веса оценки приходится на собственные тестовые данные или скрытые ответы, что еще больше повышает сложность теста.

Вчера, когда был опубликован новый рейтинг, Claude Opus 5.5 занял первое место с 58 баллами, за ним следовал GPT-6 Astra с 57 баллами, а GPT-6.1 Sol оказался на третьем месте с 55 баллами. Однако Gemini 4 Carbon набрал 59 баллов, что на 9 баллов больше, чем у Argon, и на 1 балл больше, чем у предыдущего лидера, Claude Opus 5.5.

Не только в области искусственного анализа, но и, согласно последним рейтингам Arena.ai, Gemini 4 Carbon (High) возглавил список в Text Arena, занял второе место в Agent Arena и четвертое в Code Arena WebDev.

Проведите пальцем влево, чтобы увидеть больше контента.

С выходом новой модели на вершину рейтинга Google начал активно продвигать Gemini внутри компании. Китайский исследователь Шуньюй Яо, ранее перешедший из Anthropic в Google DeepMind, также поддерживает серию Gemini.

Помимо общего рейтинга, Gemini 4 Carbon также продемонстрировал значительные изменения в своих характеристиках при решении реальных инженерных задач.

Раньше большие модели можно было запрограммировать за считанные минуты, но в крупномасштабной разработке программного обеспечения проблемы гораздо сложнее. Ошибка, скрытая в сотнях файлов, может потребовать от разработчиков многократной проверки зависимостей, поиска аномалии, модификации кода и проведения нескольких раундов тестирования, прежде чем ее можно будет устранить.

Для ИИ, помимо навыков программирования, еще одной проблемой является способность поддерживать постоянную цель в течение длительного времени при выполнении задачи и продолжать попытки после неудачи.

Google утверждает, что Gemini 4 Carbon способен работать непрерывно в течение нескольких дней, решая сложные инженерные задачи в больших кодовых базах и базовых системах. Даже сталкиваясь с препятствиями, он может продолжать искать другие решения и в конечном итоге обнаруживать и исправлять скрытые программные дефекты.

В веб-разработке Gemini 4 Carbon улучшил свой результат по шкале Elo на WebDev Arena на 89 пунктов, достигнув 1769 баллов и заняв четвертое место.

По сравнению с доступными ранее программистами-помощниками, Google надеется, что Gemini 4 Carbon сможет стать по-настоящему автономным агентом, способным выполнять сложные инженерные задачи.

Искусственный интеллект начинает автономно находить, использовать и устранять уязвимости.

Если возможности долгосрочного программирования демонстрируют инженерные возможности Gemini 4 Carbon, то кибербезопасность, пожалуй, является наиболее примечательным аспектом этого обновления Google.

Традиционная работа по обеспечению безопасности программного обеспечения включает в себя несколько этапов: во-первых, поиск уязвимостей в большом объеме кода; затем, определение того, можно ли фактически использовать эти уязвимости; и, наконец, написание исправлений для устранения проблем и проверка эффективности внесенных изменений.

Расширенные возможности Gemini 4 Carbon идеально охватывают весь этот процесс.

В тесте SEC-bench Pro модель Gemini 4 Carbon показала результат 88,2%, что в основном проверяет способность модели автономно обнаруживать сложные уязвимости в реальном программном обеспечении.

В тесте ExploitGym уязвимость Gemini 4 Carbon показала 54,8% успешности, что позволяет оценить, можно ли реально использовать уязвимость для подтверждения риска.

В тесте CWE-bench от Collinear Gemini 4 Carbon показал результат 71,0%, продемонстрировав свою способность генерировать эффективные исправления кода для выявленных проблем.

Согласно результатам Google, Gemini 4 Carbon показал лучшие результаты во всех трех тестах, причем эти результаты были получены без включения ограничений безопасности.

Внутренние тесты Google также дали аналогичные результаты.

В области генерации безопасного кода показатель успешности Gemini 4 Carbon более чем в два раза выше, чем у Argon; команда Chrome обнаружила, что он генерирует высококачественные патчи безопасности более чем в десять раз лучше, чем передовая модель из другой лаборатории, но не раскрыла результаты сравнения. Платформа облачной безопасности Google Wiz также отметила, что Carbon показал лучшие результаты в тестировании на проникновение веб-приложений.

От обнаружения уязвимостей и проверки рисков до устранения неполадок, ИИ постепенно осваивает весь рабочий процесс экспертов по кибербезопасности. Однако те же возможности, которые можно использовать для исправления систем, могут быть использованы злоумышленниками. Поэтому Google также сосредоточилась на повышении надежности Carbon при автономном выполнении задач.

В ходе тестирования на Terminal-Bench 4.0 процент успешных случаев мошенничества в Carbon снизился до 0,0%, а процент попыток мошенничества составил всего 0,4%, при этом точность выполнения задач улучшилась. В реальных условиях программирования количество предупреждений о серьезных нарушениях поведения уменьшилось почти на 80%, количество утверждений, не имеющих подтверждающих доказательств, сократилось примерно вдвое, а количество случаев несанкционированных действий и незавершенного выполнения задач уменьшилось на 26% и 29% соответственно.

Ещё одним достижением является защита от немедленного введения инъекционного препарата.

Злоумышленники могут внедрять вредоносные инструкции в веб-страницы или документы, чтобы заставить ИИ отклониться от своей первоначальной задачи. В тесте Gray Swan на косвенное внедрение сигналов Carbon дополнительно снизил вероятность успешной атаки с 0,7% у Argon до 0,0%, противостоя всем попыткам атаки, рассмотренным в этом тесте.

Конечно, нулевой процент успешных попыток в тестировании не означает, что все атаки в реальном мире можно предотвратить. Некоторые пользователи Hacker News считают, что снижение склонности ИИ к использованию уловок при выполнении задач может стать значительным шагом вперед в повышении практической эффективности передовых моделей.

В конце концов, когда ИИ начнет автономно решать сложные инженерные задачи, людей должны волновать не только то, сможет ли он выполнить работу, но и то, не выйдет ли он за рамки своих полномочий, не сфабрикует ли результаты или даже не будет ли действовать самостоятельно при столкновении с препятствиями.

Самый модный маркетинговый ход в мире искусственного интеллекта — это выступления без реквизита.

Однако самый громкий скандал после выпуска Gemini 4 Carbon был мало связан с возможностями этой модели.

Согласно официальному графику, Gemini 4 Carbon сначала будет предоставлен избранной группе специалистов по кибербезопасности на этой неделе, а затем постепенно будет доступен доверенным партнерам в рамках программы Fairwind. Google также участвует в программе предварительного тестирования, добровольно проводимой правительством США. В настоящее время нет информации о том, когда он станет доступен обычным разработчикам и потребителям.

Что касается ценообразования, Gemini 4 Carbon будет использовать первоначальную ценовую модель Argon, взимая 2 доллара за миллион входных токенов и 10 долларов за миллион выходных токенов, с 95% скидкой на кэшированные входные данные. После окончания рекламного периода стандартная цена будет скорректирована до 4 долларов за вход и 20 долларов за выход.

Стоит отметить, что когда новость о новой модели Google появилась на Hacker News, раздел комментариев быстро оживился.

Многие пользователи сети выразили растущее недовольство практикой Google, заключающейся в предварительном анонсе новых моделей, но задержке их выпуска; другие заявили, что им лень переходить по ссылкам Google, сообщающим о выпуске новых моделей, поскольку они всегда обнаруживают, что продукт временно недоступен для использования.

Неясно, когда это началось, но, похоже, компании, занимающиеся искусственным интеллектом, стали все более искусно осваивать своеобразный способ выпуска своей продукции.

Изначально флагманская модель, готовая к немедленной продаже после доработки, теперь облечена в безопасную сюжетную оболочку, изображающую её как слишком мощную и потенциально способную уничтожить мир. Время от времени выпускаются пресс-релизы, чтобы привлечь всеобщее внимание, но в итоге они так и не используются.

Этот метод выпуска "представлений без реквизита" действительно сбил Anthropic с пути истинного.

В конечном счете, конкуренция за звание лучшего в мире искусственного интеллекта все больше напоминает маркетинговую игру. В эпоху, когда модели обновляются почти каждые несколько дней, выпуск новых становится проще, но убедить пользователей в их возможностях становится все сложнее.

В конце концов, бенчмарки могут показать нам, насколько хорошо модель показывает себя на экзаменах, но применима ли она в реальных рабочих условиях и сможет ли создать устойчивую ценность, покажет время, когда пользователи начнут ее использовать.

Для компании Gemini, пожалуй, важнее не столько повторное объявление себя номером один в мире, сколько скорейшее предоставление доступа к этому продукту, занимающему первое место в мире, большему числу людей.