Google представил Gemini 4 Carbon, мультимодальную модель, предназначенную для задач кибербезопасности, которая, по данным DeepLearning.AI, заняла первое место в списке Intelligence Index компании Artificial Analysis, опередив Claude Opus 5.5 от Anthropic. Как отмечается, модель пока недоступна широкой публике, Google предоставляет её ограниченному кругу компаний по кибербезопасности, а дата широкой доступности не объявлена.
Согласно источнику, Carbon принимает текст, изображения, речь и видео до миллиона токенов, а вывод осуществляется текстом со скоростью 94,6 токена в секунду. Модель имеет настраиваемое рассуждение и первое место в Intelligence Index версии 5.0 с оценкой 59, второе место в списке Vals Index с 70,36 процента и первое место в текстовом рейтинге Arena.ai с 1 528 баллами Elo. Цена через API составляет два, 0,10 и десять долларов за миллион входных, кешированных и выходных токенов в introductory период, а затем четыре, 0,20 и 20 долларов. Параметры, архитектура и данные для обучения не опубликованы.
Google сообщает, что Carbon продолжает развитие модели Gemini 4 Argon и улучшены кодирование, наука, многошаговые агентные задачи и мультимодальное понимание. Модель первая в четырёх из девяти отдельных тестов Intelligence Index, включая AutomationBench-AA для бизнес-задач и AA-Omniscience для общих знаний. В Coding Agent Index она занимает второе место после Claude Opus 5.5, но выполняет задачи быстрее и с более низкой ценой. В трёх сложных тестах по кибербезопасности, CWE-bench, ExploitGym и SEC-bench Pro, она показала 71,0, 54,8 и 88,2 процента, причём эти результаты являются собственными данными компании.
Согласно источнику, когда introductory скидка истечёт, цена за токен будет такой же, как у Claude Opus 5.5, но Carbon выполняет задачи с на 29 процентов меньшим количеством выходных токенов и на 23 процента более низкой ценой за задачу.
Что это значит для компаний
Для компаний, рассматривающих внедрение передовых моделей, новость указывает на то, что конкуренция всё больше смещается с самой цены за токен на эффективность за задачу. Модель, которая тратит меньше выходных токенов, может значительно снизить операционные расходы в масштабных агентных процессах, хотя introductory цена действует только ограниченное время. Ограниченная доступность и отсутствие данных об архитектуре затрудняют независимую оценку рисков, поэтому компаниям с чувствительными данными разумно планировать пилотные проекты и сравнительные тестирования перед широким применением. Результаты в кибербезопасности являются собственными данными компании и требуют дополнительной проверки.
Это краткое изложение подготовлено с помощью ИИ на основе указанного источника и проверено автоматическими правилами. Точные детали смотрите в оригинальной статье.