דלגו לתוכן
גיליון 001·חי·20:20 IL
→ יומן/2026-10-30·8 דק׳

Gemini 4 Carbon: מה פוסט ההשקה של גוגל טוען, מי יכול להשתמש בו עכשיו, והסתייגויות ה-benchmarks

גוגל הכריזה על Gemini 4 Carbon ב-28 באוקטובר עם יתרון ב-benchmarks של סייבר ו-rollout מדורג. מה הפוסט אומר על גישה, תמחור מבוא, SEC-bench Pro, ExploitGym, CWE-bench, מספרי בטיחות, ומה הוא לא אומר לכם.

מאת Harel Asaf·בונה בינה מלאכותית·תל אביב

ב-28 באוקטובר גוגל הכריזה על Gemini 4 Carbon, שהיא קוראת לו המודל החזק ביותר שלה, שבועיים אחרי Gemini 4 Argon. הכותרת הראשית עבור בונים היא לא benchmark. היא גישה: לפי פוסט ההשקה, Carbon הולך קודם ל"a subset of cyber defenders" ואז לעוד שותפים אמינים דרך Fairwind Program, והוא עדיין לא זמין למפתחים, עסקים או צרכנים.

קראתי את פוסט ההשקה של גוגל במלואו. לא קראתי model card, את דוח ה-Safety and Security שהוא מזכיר, את מקורות ה-benchmark, או הערכה בלתי תלויה כלשהי, ולא הרצתי את המודל. כל מספר למטה הוא של גוגל עצמה, מעמוד אחד.

גישה ותמחור, כפי שהוצהר

  • גישה. החל מהשבוע של הפוסט, Carbon זמין לקבוצת משנה של מגיני סייבר, עם גישה מדורגת לשותפים אמינים נוספים דרך ה-Fairwind Program. גוגל אומרת שהיא "actively engaged in the U.S. government's voluntary process for pre-release model testing" ורוצה "gather feedback and iterate on guardrails" לפני שהיא הופכת אותו לזמין למפתחים, עסקים וצרכנים "as soon as possible". לא ניתן תאריך.
  • מחיר. הפוסט אומר ש-Carbon משתקע באותו מחיר מבוא כמו Argon: $2 למיליון input tokens ו-$10 למיליון output tokens, עם cached input tokens במחיר של 95% הנחה ממחיר ה-input. בסוף הפוסט כתוב שאחרי שתקופת המבוא מסתיימת, יחולו $4 למיליון input tokens ו-$20 למיליון output tokens. הוא לא אומר מתי התקופה מסתיימת, במה שקראתי.

אז המחיר מוכרז, אבל רוב המפתחים עדיין לא יכולים לקנות בו. תכננו סביב מספרי ה-$4 וה-$20 אם אתם עורכים תקציב.

טענות הסייבר

גוגל אומרת ש-Carbon מדורג #1 בגרסה 5.0 של Artificial Analysis Intelligence Index ב-59, ומפרטת שלושה benchmarks חיצוניים לאבטחה, "evaluated without guardrails":

  • SEC-bench Pro, מציאת פגיעויות: 88.2%, מתואר כ-state of the art.
  • ExploitGym, ניצול: 54.8%, מתואר כ-state of the art חדש.
  • CWE-bench של Collinear, תיקון: 71.0%.

היא מוסיפה תוצאות פנימיות: יותר מפי 2 שיפור בשיעור ההצלחה של יצירת קוד מאובטח על פני Argon, ודיווח שצוות Chrome מצא ש-Carbon "performed more than 10X better than another lab's large frontier model when generating high quality patches". הפוסט גם אומר ש-Wiz משקיפה ש-Carbon מוביל ב-benchmarks של בדיקות חדירת ווב.

קראו אלה כטענות, לא כמדידות שאפשר לשחזר:

  • הפוסט לא מזכיר את מודל ה"another lab" בהשוואת פי-10, ולא אומר איך איכות התיקונים נשפטה.
  • "Internal benchmarks" לא מתוארים.
  • תרשימי ה-benchmark הם תמונות, ולא קראתי את הפירוט שלהם.
  • "Without guardrails" אומר שהמספרים מתארים את המודל לפני אמצעי ההגנה שמשתמשים אמיתיים יפגשו.

טענות קוד וסוכנים

גוגל אומרת ש-Carbon בנוי לעבודה סוכנית ממושכת, ושצוותים פנימיים ראו אותו "run for days" דרך מבואים סתומים על משימות כמו איתור שורש ותיקון באגים עדינים על פני codebases גדולים ומערכות ברמה נמוכה. היא מדווחת על קפיצה של 89 נקודות Elo ל-#4 (1768) ב-WebDev Arena. לא ניתנים מספרי משימות, שיעורי הצלחה לריצות מרובות-הימים או דוגמאות כישלון.

טענות הבטיחות והיישור

הפוסט מפרט כמה שינויים נמדדים מול Argon, כולם מבדיקות של גוגל עצמה:

  • רמייה מוצלחת ב-Terminal-Bench 4.0 ירדה ל-0.0%, עם ניסיונות רמייה ב-0.4%, כשהדיוק הכולל משתפר.
  • התראות misalignment חמורות בסביבות קוד חיות עם צוותים פנימיים ירדו כמעט ב-80%.
  • טענות לא נתמכות קוצצו בערך פי 2 על פני Argon בבדיקה פנימית.
  • Overreach קוצץ ב-26% ו-under-service ב-29%.
  • Indirect prompt injection: ל-Argon היה שיעור הצלחת תקיפה של 0.7% ב-benchmark של Gray Swan, ו-Carbon משיג 0.0%, "resisting every evaluated attack attempt".

ציון 0.0% על benchmark קבוע אומר שהוא התנגד לכל תקיפה ב-benchmark ההוא. הוא לא אומר שאי אפשר לבצע prompt injection במודל. הפוסט לא אומר כמה תקיפות ה-benchmark מכיל או אילו סוגים. אם אתם נותנים לסוכן כלים וקלט לא אמין, אתם עדיין צריכים את הבקרות מחוץ למודל.

הפוסט גם מתאר התנהגויות, כמו אחזור מקורות והצפת אי-התאמות לפני פעולה, והכנסת הסתייגויות מתודולוגיות לתוצרים. אלה תיאורים של התנהגות מתוכננת, לא בדיקות שאפשר לבדוק מהעמוד.

מה הפוסט לא אומר לכם

  • מתי מפתחים מקבלים גישה, ובאילו משטחים.
  • מתי מחיר המבוא מסתיים.
  • חלון ההקשר, latency, מגבלות קצב או אזורים. לא ראיתי אותם בפוסט.
  • איך ה-benchmarks הורצו, כמה משימות יש בהם, או אילו מודלים אחרים הושוו.
  • שום דבר על Carbon ממקור שאינו גוגל.

מה הייתי בודק

אלה הצעות שלא בדקתי.

1. לא לתכנן מיגרציה עדיין. לחכות לגישת מפתחים ועמוד מודל עם מגבלות.

2. לתקצב עם מחיר אחרי-המבוא של $4 ו-$20 למיליון tokens, ולבדוק את הנחת ה-cached input מול השימוש שלכם.

3. לקרוא את דוח ה-Safety and Security שהפוסט מקשר עבור Argon, ולחפש אחד עבור Carbon, לפני שמסתמכים על מספרי היישור.

4. אם אתם עושים עבודת אבטחה, להסתכל איך מגישים בקשה ל-Fairwind Program.

5. כשהגישה נפתחת, להריץ בדיקות משלכם. להשתמש במאגרים שלכם ובמקרי prompt injection שלכם, לא ב-benchmarks של הספק.

6. לשמור בקרות חיצוניות כמו גישת כלים ב-least-privilege ואישור אנושי לפעולות מסוכנות, מה שלא יהיה ציון ה-injection.

מה לא הייתי מסיק

  • ש-Carbon טוב מכל מודל אחר באבטחה. הפוסט משווה מול מודלים לא מזוהים במקומות ולא נותן תוצאות בלתי תלויות.
  • שאחוזי ה-benchmark חוזים תוצאות על הקוד שלכם.
  • שבטוח לתת ל-Carbon אוטונומיה רחבה. הפוסט אומר שגוגל עדיין ממשיכה לעבוד על guardrails.
  • שהמודל זמין באופן כללי. הוא לא, לפי הפוסט.
  • שתוצאת ה-0.0% injection אומרת ש-injection נפתר.

שאלות נפוצות

מה זה Gemini 4 Carbon?

מודל ה-frontier הבא של גוגל, שהוכרז ב-28 באוקטובר, שגוגל קוראת לו החזק ביותר שלה, עם יכולות סייבר ו-horizon ארוך ברמה state-of-the-art.

אפשר להשתמש בו עכשיו?

לפי הפוסט, רק קבוצת משנה של מגיני סייבר, עם גישה מדורגת לשותפים אמינים דרך ה-Fairwind Program. מפתחים, עסקים וצרכנים באים מאוחר יותר, בלי תאריך.

כמה זה עולה?

מחיר מבוא של $2 למיליון input tokens ו-$10 למיליון output tokens, עם cached input ב-95% הנחה. אחרי תקופת המבוא, $4 ו-$20.

מה מספרי benchmark האבטחה?

SEC-bench Pro 88.2%, ExploitGym 54.8% ו-CWE-bench 71.0%, כולם על פי גוגל, מוערכים בלי guardrails.

איך הוא משתווה ל-Gemini 4 Argon?

גוגל מדווחת על יותר מפי 2 שיפור ביצירת קוד מאובטח, שיעור הצלחת תקיפת prompt injection של 0.0% מול 0.7% ב-benchmark אחד, ופחות טענות לא נתמכות, כולם מהבדיקות שלה.

האם מישהו אחר אימת את התוצאות?

לא במה שקראתי. הפוסט מצטט את Artificial Analysis לדירוג האינדקס ומזכיר את צוות Chrome ו-Wiz, אבל לא קראתי את הדוחות שלהם עצמם.

למה ה-rollout משנה?

כי המודל חזק במציאת וניצול פגיעויות על פי גוגל, החברה מגבילה גישה קודם ואומרת שהיא עובדת עם תהליך בדיקה מקדים של ממשלת ארה"ב.

מקורות

כולם נקראו ב-30 באוקטובר 2026.

לא נקראו: model card או דוח Safety and Security כלשהו, מקורות ה-benchmark ותמונות התרשימים, אינדקס Artificial Analysis, והערכות בלתי תלויות.

קריאה נוספת

  • Qwen4-Max: דגם הדגל של Alibaba עם 2.4T פרמטרים מבטיח ירידה של 62% בעלות למשימה מול הדור הקודם

    צוות Qwen של Alibaba שחרר את Qwen4-Max, הדגם הראשון במשפחת Qwen4: מודל MoE דליל עם 2.4 טריליון פרמטרים, 71B פעילים לטוקן, חלון קונטקסט של מיליון טוקנים, מצבי חשיבה עם רמות מאמץ מתכווננות, וגישה דרך endpoints תואמי OpenAI ו-Anthropic. לפי מספרי היצרן, עד 49% פחות טוקנים במשימות קידוד סוכנתי וירידה של 62% בעלות הממוצעת למשימה מול Qwen3.8-Max. מחיר הקלט מתחיל ב-1.5 דולר למיליון טוקנים.

  • LongCat-2.5: Meituan משחררת מודל סוכנים של 1.6T פרמטרים ברישיון MIT, מאומן ומוגש בלי Nvidia

    צוות LongCat של Meituan שחרר את המשקלים של LongCat-2.5: מודל mixture-of-experts עם 1.6 טריליון פרמטרים, כ-48B פעילים לטוקן, הבנת תמונה מלידה, קונטקסט של 512K טוקנים ורישיון MIT. האימון והפריסה הרפרנסית רצים כולם על מאיצים סיניים מקומיים, עם quantization של W4A4 INT4 שלטענת הצוות משמר דיוק קרוב למלוא הדיוק. בבנצ'מרקים של היצרן הוא קרוב ל-Claude Opus 5 בקידוד סוכנתי, ומתחתיו במשימות terminal. אירוח עצמי דורש אשכול רציני.

  • Inkling 2 Small: Thinking Machines משחררת MoE פתוח של 594B פרמטרים שרץ על 17B פעילים

    Thinking Machines Lab שחררה את Inkling 2 Small במשקלים פתוחים תחת Apache 2.0: מודל mixture-of-experts מולטימודאלי מלידה עם 594B פרמטרים, 17B פעילים, קונטקסט של מיליון טוקנים, ותוצאות agentic coding שמנצחות את רוב מתחרי ה-flash הפתוחים. אירוח עצמי דורש אשכול GPU; ב-Ollama Cloud הוא עולה 0.30 דולר למיליון טוקני קלט.

יומן הבנייה

לעקוב אחרי העבודה.

מאמרים ואבטיפוסים חדשים, ישר לקורא ה-RSS שלכם. מנויי המייל בהשהיה זמנית, עד שאחבר שירות משלוח עובד. לא נאסף כאן אימייל.

עקבו ב-RSS