Gemini 4 Argon ప్రారంభించిన కేవలం రెండు వారాల తర్వాత, Google Gemini 4 Carbon ను ప్రకటించింది, దీనిని తమ ఇప్పటి వరకు అత్యంత శక్తివంతమైన మోడల్ గా చెబుతోంది, ఇది సైబర్ భద్రత మరియు దీర్ఘకాల ఇంజనీరింగ్ పనుల కోసం రూపొందించబడింది. Google DeepMind యొక్క Koray Kavukcuoglu అక్టోబర్ 28 న చేసిన ప్రకటనలో, ఈ మోడల్ 59 పాయింట్లతో Artificial Analysis Intelligence Index లో అగ్రస్థానంలో ఉందని పేర్కొన్నారు.
బెంచ్ మార్క్ సంఖ్యలు ఈ విశ్వాసాన్ని వివరిస్తాయి. Carbon SEC-bench Pro లో 88.2 శాతం సాధించింది, ఇది ప్రోడక్షన్ సాఫ్ట్ వేర్ లో దాగి ఉన్న నిజమైన లోపాలను మోడల్ స్వయంచాలకంగా కనుగొనగలదా అని పరీక్షిస్తుంది. ఇది CWE-bench లో 71 శాతానికి చేరుకుంటుంది, ఇది తెలిసిన బలహీనత వర్గాలకు పనిచేసే పరిష్కారాలను రూపొందించే సామర్థ్యాన్ని కొలుస్తుంది, మరియు ExploitGym లో 54.8 శాతం, ఇది దుర్వినియోగాన్ని పరీక్షిస్తుంది. ఫుల్-స్టాక్ వెబ్ డెవలప్ మెంట్ యొక్క WebDev Arena లో కూడా ఇది నాల్గవ స్థానానికి ఎగబాకింది.
సాధారణ మోడల్ విడుదల నుండి Carbon ను వేరు చేసేది దాని లక్ష్యం. ఇది చాట్ బాట్ అప్ గ్రేడ్ కాదు. పెద్ద codebases మరియు low-level సిస్టమ్ లలో సూక్ష్మ bugs యొక్క మూల కారణాన్ని కనుగొని వాటిని సరిచేయడానికి, డెడ్ ఎండ్స్ వచ్చినా వెనక్కి తగ్గకుండా, తమ బృందాలు దీనిని వరుసగా అనేక రోజులు నడుపుతున్నాయని Google వివరిస్తోంది. ఇది ఇంజనీరింగ్ ఏజెంట్ గా రూపొందించబడింది, సంభాషణకుడిగా కాదు.
Google ఉదహరించిన అంతర్గత ఫలితాలు ఆశ్చర్యకరంగా ఉన్నాయి. సురక్షిత కోడ్ రూపొందించడంలో Argon కంటే రెట్టింపు కంటే ఎక్కువ విజయరేటు Carbon సాధించిందని చెబుతున్నారు. మరొక ల్యాబ్ యొక్క frontier మోడల్ కంటే పది రెట్లకు పైగా వేగంగా అధిక నాణ్యత గల patches ను ఇది రూపొందించిందని Chrome బృందం చెబుతోంది. Google యొక్క క్లౌడ్ భద్రతా వేదిక Wiz, web penetration testing బెంచ్ మార్క్ లలో ఇది ముందుందని గమనిస్తోంది, ఇదే సామర్థ్యాన్ని Wiz తన సొంత scanning కార్యక్రమంలో వాడుతుంది.
అయినప్పటికీ దీనిని దాదాపు ఎవరూ వాడలేరు. ఈ వారం నుండి, కొంతమంది ఎంపిక చేసిన సైబర్ రక్షకులకు మాత్రమే యాక్సెస్ లభిస్తుంది, అదనపు విశ్వసనీయ భాగస్వాములు Google యొక్క Fairwind Program ద్వారా దశలవారీగా చేరుతారు. Google అమెరికా ప్రభుత్వం యొక్క స్వచ్ఛంద pre-release పరీక్షా ప్రక్రియలో పాల్గొంటోంది. డెవలపర్లు, వ్యాపారాలు మరియు వినియోగదారులు వేచి చూడాల్సిందే.
ఈ సంయమనమే అసలు వార్త. ఈ స్థాయిలో లోపాలను కనుగొని ధృవీకరించే మోడల్ రక్షకులకు మరియు దాడి చేసేవారికి సమానంగా విలువైనది. గేట్లు తెరవడానికి ముందే Google ఈ సమతుల్యతను బహిరంగంగా పరీక్షిస్తోంది, మరియు scoreboards కంటే యాక్సెస్ నిర్ణయాలే బహుశా మోడల్ యొక్క నిజమైన సామర్థ్యం గురించి ఎక్కువ చెబుతాయి.
ధర కథ యొక్క మిగilin భాగాన్ని చెబుతుంది. Carbon Argon యొక్క అదే introductory ధరకు విడుదలవుతుంది: మిలియన్ input tokens కు రెండు డాలర్లు మరియు మిలియన్ output tokens కు పది డాలర్లు, cached input పై 95 శాతం తగ్గింపుతో. ఇది production ఆర్థిక వ్యవస్థ, research ది కాదు. విడుదలైన వెంటనే ఈ మోడల్ సంపాదనలోకి దిగుతుందని Google ఆశిస్తోంది.
నాయకులకు రెండు పాఠాలు ఉన్నాయి. మొదటిది, సామర్థ్య నాయకత్వంలో ఇప్పుడు deployment తీర్పు కూడా ఉంది: frontier మోడల్ గురించి అత్యంత అర్థవంతమైన సంకేతం దాన్ని ఎవరు, ఎప్పుడు తాకగలరు అనేదిగా మారుతోంది. రెండవది, సంస్థలు patch చేసే దానికంటే వేగంగా AI లోపాలను కనుగొనే ప్రపంచానికి భద్రతా బృందాలు సిద్ధంగా ఉండాలి, ఎందుకంటే ఈ సామర్థ్యం యొక్క రక్షణాత్మక రూపం త్వరలో ప్రామాణిక పరికరం అవుతుంది.
Frontier ఇక కేవలం leaderboard కాదు. ఇది ఒక గుమ్మం. యాక్సెస్ విస్తరించే ముందే తమ భద్రతా workflows మరియు governance ను నిర్మించుకునే సంస్థలే గుమ్మం తెరిచినప్పుడు సిద్ధంగా ఉంటాయి.
గణితపరంగా ఆలోచించండి. తెలివిగా ఇంజనీర్ చేయండి. వ్యూహాత్మకంగా నడపండి. బాధ్యతగా నిర్మించండి. ప్రపంచవ్యాప్తంగా విస్తరించండి. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ద్వారా నిజమైన వ్యాపార విలువను సృష్టించండి.
