A Gemini 4 Carbon két héttel az Argon után átvette a vezetést az AI-indexen
A Google DeepMind mindössze két héttel a Gemini 4 Argon után bemutatta a Gemini 4 Carbont, amely 59 ponttal az élre került az Artificial Analysis Intelligence Index 5.0-s rangsorában. Az Argon 50 pontot ért el. A Carbon fejlesztésének középpontjában a hosszú, több lépésből álló ügynöki munkafolyamatok és a kibervédelem teljes életciklusa áll, a sérülékenységek felismerésétől és ellenőrzésétől a javításukig. Emiatt kezdetben csak kiválasztott biztonsági szakértők férhetnek hozzá.
A Google szerint a modellt több napon át futtatták összetett mérnöki feladatokon: képes volt önállóan túljutni a zsákutcákon, okokat feltárni nagy kódbázisokban, valamint finom hibákat javítani alacsony szintű szoftverekben. Javult a tudományos következtetés, a multimodális értelmezés és a teljes stackű webfejlesztés is. A WebDev Arenában 89 Elo-ponttal, 1769 pontra lépett előre, ami a negyedik helyhez volt elég.
A Gray Swan promptinjekciós tesztjén az Argon 0,7 százalékos támadási sikerarányát a Carbon 0,0 százalékra csökkentette, vagyis a vizsgált manipulációkat mind blokkolta. A modell válaszpontossága 48-ról 58 százalékra nőtt, miközben a hallucinációs arány 4-ről 11 százalékra emelkedett. A Vals AI mérésében 70,36 százalékos pontossággal második lett, és a pénzügyi, illetve jogi kutatási teszteken is vezetett. A nagyobb teljesítménynek ára van: egyes feladatok több mint kétszer annyi ideig tartanak, a jogi kutatás pedig átlagosan több mint 50 percet vesz igénybe.