Gemini 4 Carbon, zaprezentowany przez Google 28 października 2026 roku, prowadzi w Artificial Analysis Intelligence Index v5.0 z wynikiem 59 punktów i przy standardowym cenniku kosztuje mniej za zadanie niż Claude Opus 5.5. Najmocniejsze wyniki osiąga w wykrywaniu i łataniu podatności. Na razie nie jest jednak ogólnie dostępny: korzystają z niego tylko wybrani obrońcy cyberbezpieczeństwa i partnerzy Fairwind Program, a Google nie podało ani daty szerszego udostępnienia, ani identyfikatora modelu w API.
Benchmarki wydajności i koszt TCO
Gemini 4 Carbon przygotował zespół Google DeepMind pod kierownictwem Koraya Kavukcuoglu. Model pojawił się dwa tygodnie po udostępnieniu Gemini 4 Argon wszystkim płatnym kontom API. Zapowiedziany cennik standardowy wynosi 4,00 USD za 1 mln tokenów wejściowych i 20,00 USD za 1 mln tokenów wyjściowych, czyli tyle samo co w Claude Opus 5.5. Na start Google zapowiada cenę promocyjną niższą o 50%: 2,00 USD za wejście i 10,00 USD za wyjście. Nie podano, jak długo potrwa promocja ani kiedy model trafi do cennika Gemini API.
Przy systemach RAG i architekturach agentowych liczy się buforowanie kontekstu (prompt caching). Buforowane tokeny wejściowe są tańsze o 95%: kosztują 0,20 USD za 1 mln w cenie standardowej i 0,10 USD w promocyjnej. Carbon generuje średnio o 29% mniej tokenów wyjściowych na zadanie niż Claude Opus 5.5. W efekcie średni koszt zadania z indeksu Artificial Analysis wynosi 7,76 USD przy cenach standardowych (Opus 5.5: 10,04 USD), a w cenie promocyjnej 3,88 USD. GPT-6 Astra ma wyższy cennik, ale w tym indeksie wychodzi taniej na zadanie (6,24 USD) przy wyniku 57 punktów.
| Wskaźnik | Gemini 4 Carbon (promocja) | Gemini 4 Carbon (standard) | Claude Opus 5.5 | GPT-6 Astra |
|---|---|---|---|---|
| Tokeny wejściowe (1 mln) | 2,00 USD | 4,00 USD | 4,00 USD | 10,00 USD |
| Tokeny wyjściowe (1 mln) | 10,00 USD | 20,00 USD | 20,00 USD | 50,00 USD |
| Buforowane tokeny wejściowe (1 mln) | 0,10 USD | 0,20 USD | brak danych | brak danych |
| Średni koszt zadania (indeks AA) | 3,88 USD | 7,76 USD | 10,04 USD | 6,24 USD |
| Wynik w AA Intelligence Index v5.0 | 59 pkt | 59 pkt | 58 pkt | 57 pkt |
Cyberbezpieczeństwo i automatyczne łatanie podatności w SDLC
Wyniki z tej sekcji pochodzą z materiałów Google, chyba że zaznaczono inaczej. Według producenta Carbon wyznacza nowe rekordy w testach audytu i naprawy kodu: – SEC-bench Pro (wykrywanie złożonych luk w rzeczywistym kodzie): 88,2%. – ExploitGym (automatyczna eksploatacja w limicie 6 godzin): 54,8% (w testach niezależnych 53,5%), wobec 34,5% dla Claude Opus 5.5. – CWE-bench (generowanie działających poprawek i łatanie luk u źródła): 71,0%, wobec 67,0% dla Claude Opus 5.5.
W wewnętrznych testach zespołu Google Chrome model wygenerował łatki bezpieczeństwa ponad 10-krotnie lepszej jakości niż wiodący model konkurencji. W ewaluacji platformy bezpieczeństwa chmury Wiz (inicjatywa Scan for Good) Carbon wypadł najlepiej w automatycznych testach penetracyjnych aplikacji webowych.
Google podaje też, że Carbon generuje bezpieczny kod ponad dwa razy skuteczniej niż Gemini 4 Argon, a liczba alertów o krytycznym niedopasowaniu (misalignment) spadła o prawie 80%. W teście odporności na pośredni prompt injection (Gray Swan IPI Benchmark) skuteczność ataków na Carbona wyniosła 0,0% (wszystkie próby zablokowane po 15 powtórzeniach). Dla porównania Argon miał 0,7%, a Claude Opus 5.5 1%. Ze względu na zaawansowane możliwości w obszarze cyberbezpieczeństwa model trafia najpierw do partnerów Fairwind Program i do ewaluacji prowadzonej przez rząd USA.
Agenci AI i halucynacje w długich zadaniach inżynierskich
W Artificial Analysis Intelligence Index v5.0 Gemini 4 Carbon zajął 1. miejsce z wynikiem 59 punktów. Wyprzedził Claude Opus 5.5 (58 punktów) i zyskał 9 punktów względem Gemini 4 Argon (50 punktów po rekalibracji indeksu). W teście HLE Diamond (1000 wybranych pytań z Humanity’s Last Exam) uzyskał 69%, wobec 68% dla Opus 5.5. W benchmarku Apex Agents zadebiutował na 1. miejscu jako jedyny system ze średnią powyżej 90% i skutecznością 84,2% w pierwszej próbie.
| Benchmark | Gemini 4 Carbon | Claude Opus 5.5 | Różnica |
|---|---|---|---|
| Artificial Analysis Intelligence Index v5.0 | 59 pkt | 58 pkt | +1 pkt, 1. miejsce w rankingu |
| HLE Diamond (Humanity’s Last Exam) | 69% | 68% | +1 p.p. |
| AA Omniscience (wynik ogólny) | 54 pkt | 48 pkt | +6 pkt, 1. miejsce |
| Błędne odpowiedzi przy braku pewności | 11% | 50% | −39 p.p. |
| AutomationBench (657 przepływów Zapier) | 78% | 70% | +8 p.p. |
| VendingBench 2 (wynik finansowy) | 16 484 USD | 9 235 USD | +78,5% |
Dla niezawodności ważny jest wynik w AA Omniscience (3000 pytań), który mierzy też skłonność do zmyślania. Carbon uzyskał 54 punkty, Opus 5.5 48 punktów. Opus udzielił więcej poprawnych odpowiedzi (66% wobec 58%), ale gdy nie znał odpowiedzi, zgadywał błędnie w 50% przypadków. Carbon podawał wtedy fałszywą odpowiedź tylko w 11% przypadków, a w pozostałych przyznawał, że nie wie. Według Google model ma też o połowę mniej twierdzeń bez pokrycia w źródłach niż Argon.
W środowisku Terminal-Bench 4.0 odsetek udanych prób oszukiwania (cheating) spadł według Google do 0,0% (samych prób było 0,4%), a dokładność wzrosła. Model rzadziej wykonuje działania wykraczające poza polecenie (overreach, −26%) i rzadziej zostawia zadania niedokończone (under-service, −29%). W AutomationBench (657 procesów Zapier) Carbon uzyskał 78% (Opus 5.5: 70%), a w symulacji prowadzenia automatu VendingBench 2 zarobił 16 484 USD, wobec 9 235 USD dla Opus 5.5.
Rendering 3D, długi kod i obszary, w których Carbon przegrywa
Według Google Carbon w jednej turze wygenerował ponad 4000 linii czystego JavaScriptu z animacją wektorową i syntezą dźwięku, a w symulacji promieni wokół czarnej dziury Kerra (WebGL 2) ponad 3500 linii kodu w jednym pliku HTML, bez zewnętrznych bibliotek. Zespoły inżynierskie Google twierdzą, że model potrafi samodzielnie pracować nad złożonymi systemami niskopoziomowymi przez wiele dni. W rankingu WebDev Arena zyskał 89 punktów ELO i awansował na 4. miejsce (1768 ELO).
W testach renderingu 3D i fizyki proceduralnej Carbon był szybszy i tańszy od Claude Opus 5.5 we wszystkich czterech zadaniach. GPT-6 Astra okazał się jednak szybszy od Carbona w obu testach, w których go porównano: – Mechanical Eye Test (mruganie, ruch soczewek, eksplozja mikromechanizmów): Carbon 29 min 49 s (koszt nie został podany); Claude Opus 5.5 43 min 21 s (9,25 USD); GPT-6 Astra 22 min 54 s (3,28 USD). – Anatomical Jaw Test (biomechaniczna kinematyka zębów): Carbon 29 min 9 s (2,93 USD); Opus 5.5 ponad 35 min (7,07 USD); GPT-6 Astra 26 min (6,76 USD). – Rainbow Jelly Test (załamanie światła i fizyka cięcia): Carbon 32 min (4,30 USD); Opus 5.5 1 h 20 min (14,00 USD). – Offline Dinosaur Runner Test: Carbon 34 min (5,20 USD); Opus 5.5 39 min (8,53 USD).
W kilku testach Claude Opus 5.5 nadal wygrywa: – Coding Agent Index (z natywnymi narzędziami): Opus 5.5 w Claude Code 62 punkty, Carbon w Google Antigravity 59 punktów. – Frontier Code 2.0: Opus 5.5 46%, Carbon 41%. – OSWorld (obsługa interfejsu systemu operacyjnego): Opus 5.5 87,2%, Carbon 81,5% (Argon miał 74,7%). – AA Briefcase (wielotygodniowe projekty biznesowe): Opus 5.5 1800, Carbon 1609 (+126 pkt względem Argona). – GDPval (zadania z 44 zawodów): Opus 5.5 1866 punktów, Carbon 1733. – AALCR (łączenie faktów w długich dokumentach): Opus 5.5 85%, Carbon 79%. W wyszukiwaniu struktur GraphWorks przy kontekście do 1 mln tokenów prowadzi za to Carbon: 96% wobec 67%.
Rekomendacje dla Security Leadów i kadry C-level
- Zgłoś zespół do Fairwind Program: dziś to jedyna droga do Carbona. Wczesny dostęp pozwala przeprowadzić wewnętrzny red teaming, zanim model trafi do ogólnodostępnego API.
- Zaplanuj pilotaż w DevSecOps: wyniki w SEC-bench Pro (88,2%) i CWE-bench (71,0%) przemawiają za testem Carbona jako narzędzia do wykrywania podatności i generowania łatek w CI/CD. Pamiętaj, że to dane Google, więc przed decyzją porównaj je z wynikami na własnym kodzie.
- Licz TCO przy cenie standardowej: promocja nie ma daty końca, więc budżet opieraj na stawkach 4/20 USD i 0,20 USD za buforowane tokeny. Przy obciążeniach RAG z powtarzalnym kontekstem caching i o 29% mniej tokenów wyjściowych obniżają średni koszt zadania do 7,76 USD (Opus 5.5: 10,04 USD).
- Zostaw Claude Opus 5.5 tam, gdzie wygrywa: w automatyzacji sterowania interfejsem systemu (Computer Use) przemawia za nim OSWorld (87,2% wobec 81,5%), a w długich projektach biznesowych AA Briefcase (1800 wobec 1609) i GDPval (1866 wobec 1733).
Dodaj komentarz