Gemini 4 Carbon vede v testech, přístup zatím míří k bezpečnostním týmům

TL;DR

• Gemini 4 Carbon se dostal do čela několika nezávislých hodnocení. Pro běžný tým je ale rozhodující dostupnost: první přístup mají získat vybraní specialisté na kybernetickou obranu přes Fairwind Program.
• První místo v celkovém žebříčku neznamená vedení v každé práci. V uvedených testech programování Carbon za některými konkurenty zaostává.
• Než naplánuješ změnu modelu, ověř přístup, cenu bez zaváděcí slevy a výsledky na úloze podobné té tvé.

Pokud vybíráš model pro agenta, který kontroluje kód a navrhuje opravy, Gemini 4 Carbon stojí za pozornost. Samotné výsledky testů ale zatím nejsou důvodem měnit zavedený nástroj. Google nejprve omezuje přístup na vybrané bezpečnostní týmy a výsledky programování se liší podle testu i prostředí, ve kterém agent pracuje.

Přehled AI News na Latent Space zveřejněný 29. října 2026 shrnuje oznámení Googlu i výsledky nezávislých hodnotitelů. Carbon přichází dva týdny po modelu Argon. Google ho představuje jako model zaměřený na kyberbezpečnost a dlouhé úlohy s mnoha navazujícími kroky. Pro malý tým z toho plyne konkrétní otázka: bude dostupný právě pro tvoji práci a zvládne ji lépe za přijatelnou cenu?

Přístup přes Fairwind předchází širšímu uvedení

První přístup ke Carbonu mají dostat důvěryhodní specialisté na kybernetickou obranu prostřednictvím Fairwind Program. Širší přístup pro vývojáře Google slibuje „co nejdříve“, konkrétní termín ale přehled neuvádí.

Pokud chceš Carbon zapojit do firemního agenta, ber dostupnost jako první podmínku. Oznámení modelu samo o sobě nepotvrzuje, že ho můžeš hned použít ve svém nástroji nebo účtu. Pro plánování projektu zatím chybí pevný termín širšího zpřístupnění.

Bezpečnostní zaměření doprovázejí výsledky zveřejněné Googlem: 88,2 % v SEC-bench Pro pro hledání zranitelností, 54,8 % v ExploitGym pro jejich zneužití a 71,0 % v CWE-bench pro opravy. Jde o tři různé schopnosti měřené různými testy. Čísla proto nelze číst jako jeden údaj o tom, jak spolehlivě agent zabezpečí celou aplikaci.

Celkové prvenství neplatí pro každý agentský úkol

Artificial Analysis podle přehledu řadí Carbon na první místo Intelligence Indexu v5 se skóre 59. Model vede ve čtyřech z devíti dílčích hodnocení. Arena ho současně uvádí na prvním místě v Text Arena a na druhém v Agent Arena.

V programování je obraz méně jednoznačný. Na Coding Agent Indexu dosahuje Carbon v prostředí Antigravity CLI skóre 59, zatímco Claude Code s Opus 5.5 v nastavení „max“ získává 62. V testu FrontierSWE má Carbon 61,2 %, za GPT-6 Astra, Opus 5.5 i Sonnet 5.5.

To není rozpor. Souhrnný index kombinuje různé schopnosti, zatímco konkrétní test může být tvé práci bližší. Výsledky z Antigravity CLI navíc nedokládají stejný výkon v jiném agentském prostředí, které může modelu poskytovat jiné nástroje a jinak řídit jeho postup.

Představ si menší vývojářský tým, který chce agentovi svěřit návrhy oprav. Pro takový tým bude užitečnější porovnání dokončených oprav a času na jejich kontrolu než pořadí v obecném žebříčku. Jakmile bude Carbon dostupný, můžeš ho porovnat se současným modelem na stejné známé chybě, se stejným zadáním a stejnými testy.

Cena za token má zaváděcí slevu

V přehledu se objevují dvě cenové úrovně. Artificial Analysis uvádí standardní cenu 4 dolary za milion vstupních tokenů a 20 dolarů za milion výstupních tokenů. Zaváděcí sleva 50 % je snižuje na 2 a 10 dolarů. Datum ukončení slevy uvedené není.

Pro rozpočet je proto rozumné počítat i se standardní cenou. Zároveň sleduj cenu dokončené práce: levnější token nepomůže, pokud agent potřebuje výrazně více pokusů nebo dlouhý výstup.

Artificial Analysis uvádí náklad Carbonu 7,76 dolaru na úlohu svého indexu, oproti 10,04 dolaru u Opus 5.5 a 6,25 dolaru u GPT-6 Astra. To je srovnání konkrétního testování, nikoli odhad ceny opravy ve tvém projektu. Do vlastního porovnání započítej také opakované pokusy a čas člověka, který výsledek kontroluje.

Lepší výsledky stále potřebují ověřitelné výstupy

Carbon vede také v hodnocení Omniscience, přesto u něj Artificial Analysis naměřila nárůst míry halucinací ze 4 % u Argonu na 11 %. V daném měření jde stále o druhou nejnižší hodnotu. Vyšší celkové skóre tedy může doprovázet zhoršení jedné vlastnosti, která je pro tvoji práci důležitá.

Těchto 11 % nelze přenést na podíl chybných bezpečnostních nálezů. U agenta pro kontrolu kódu ale dává smysl požadovat ke každému nálezu konkrétní podklad: kde problém vzniká, jak ho ověřit v testovacím prostředí a zda navržená oprava projde kontrolou. Změnu kódu pak schválí odpovědná osoba.

Pokud dnes nemáš přístup ke Carbonu, připrav si jeden známý případ z vlastní práce a zaznamenej, jak ho zvládá současný nástroj. Až nový model získáš, budeš mít s čím srovnávat: správnost výsledku, celkovou cenu i čas na ověření.

Zdroj

Latent Space: Gemini 4 Carbon tops leaderboards, launches for cyber defenders, 29. října 2026