Google, siber güvenlik ve ajan yeteneklerinde iddiaya göre en son teknoloji seviyesinde olan Gemini 4 Carbon'ı duyurdu

Google ne duyurdu

Google, vurgunun siber güvenlik savunması ve uzun soluklu ajan çalışmalarında olduğu, şimdiye kadarki en yetkin sınır modeli olarak nitelendirdiği Gemini 4 Carbon'ı tanıttı. Lansman, Gemini 4 Argon'dan yalnızca iki hafta sonra geldi; Google bu arayı, sınırda artık ne kadar hızlı yineleme yaptığının kanıtı olarak sunuyor.

Google'a göre Carbon, 59 puanla Artificial Analysis Intelligence Index'in 5.0 sürümünde ilk sırayı aldı; kodlama, ajan görevleri, bilimsel çalışmalar, tam yığın web geliştirme ve çok kipli anlama alanlarında da geniş çaplı kazanımlar sağladı. WebDev Arena'da 89 Elo puanlık bir sıçramayla 1768 puanla dördüncü sıraya yükseldiği bildiriliyor.

Siber güvenlik karşılaştırmaları

Öne çıkan sayılar güvenliğe özgü. Korumasız olarak değerlendirilen Carbon, Google'ın üç harici kıyaslamada en son teknoloji sonuçlar olarak nitelendirdiği puanları aldı: üretim yazılımındaki gerçek açıkları bulma konusundaki SEC-bench Pro'da yüzde 88,2, hataların gerçekten istismar edilebilir olup olmadığını denetleme konusundaki ExploitGym'de yüzde 54,8 ve kök nedeni yamalama konusundaki Collinear'ın CWE-bench'inde yüzde 71,0.

Google ayrıca iç ve ortak rakamlarına da atıfta bulunuyor. Carbon'ın Argon'a kıyasla iki kattan fazla başarı oranıyla güvenli kod ürettiğini, Chrome ekibinin modelin başka bir laboratuvarın sınır modelinin on katından fazla oranda yüksek kaliteli yamalar ürettiğini gördüğünü ve Google'ın bulut güvenlik platformu olarak tanımladığı Wiz'ın, Scan for Good girişimi kapsamındaki web sızma testi kıyaslamalarında modelin öncü olduğunu gözlemlediğini söylüyor.

Uzun vadeli ajan çalışması

Carbon, uzun süreler boyunca gelişen mühendislik sorunları için konumlandırıldı. Google, iç ekiplerinin modelin günlerce çalıştığını, büyük kod tabanlarında ve düşük seviyeli sistemlerde ince hataların kök nedenini bulma ve yamalama gibi görevlerde çıkmaz sokaklarda kararlılıkla ilerlediğini gördüğünü belirtiyor.

Güvenlik ve hizalanma iddiaları

Yetenek iddialarının yanı sıra Google bir dizi hizalanma ölçümü de raporluyor. Terminal-Bench 4.0'da genel doğruluk artarken başarılı hile yapmanın yüzde 0,0'a düştüğü, hile girişimlerinin ise yüzde 0,4 olduğu bildiriliyor. İç ekiplerle canlı kodlama ortamlarında yüksek şiddetteki hizalanma uyarıları neredeyse yüzde 80 azaldı. Google ayrıca Argon'a kıyasla desteksiz iddiaların kabaca yarıya indiğini, modelin artık kanıt uydurmak yerine yöntembilimsel uyarıları öne çıkardığını veya engellenen eylemleri askıya aldığını, gereksinimler belirsiz olduğunda tahmin yürütmek yerine tutarsızlıkları kullanıcılara işaret ettiğini söylüyor. Bildirilen diğer rakamlar arasında aşırı yetki kullanımında yüzde 26 azalma, yetersiz hizmette yüzde 29 azalma ve Gray Swan'ın Indirect Prompt Injection kıyaslamasında Argon'un elde ettiği yüzde 0,7'den düşerek yüzde 0,0 saldırı başarı oranı yer alıyor.

Bunların tümü, aksi belirtilmedikçe Google'ın kendi ölçümleridir ve bağımsız doğrulama hâlâ bekleniyor.

Erişilebilirlik ve fiyatlandırma

Yaygınlaştırma bilinçli olarak aşamalı yapılıyor. Carbon bu hafta siber savunucuların bir alt kümesine sunuluyor, ek güvenilir ortakların erişimi ise Google'ın Fairwind Programı üzerinden kademeli olarak sağlanacak. Şirket, ABD hükümetinin sürüm öncesi model testi gönüllü sürecine katıldığını ve modeli en kısa sürede ürün yüzeyleri üzerinden geliştiricilere, işletmelere ve tüketicilere getireceğini söylüyor.

Fiyatlandırma Argon'un giriş oranıyla aynı: milyon girdi token başına 2 dolar ve milyon çıktı token başına 10 dolar, önbelleğe alınmış girdi tokenlarında yüzde 95 indirim uygulanıyor.

Neden önemli

Siber güvenlik, sınır modeli yarışında ayrı bir cephe olarak ortaya çıkıyor. Google yalnızca genel yetenek kazanımları iddia etmiyor, belirli bir profesyonel iş akışını — açıkları bulma, doğrulama ve düzeltme — tam olarak güvenlik ekiplerine yönelik kıyaslama sayılarıyla hedefliyor.

Aşamalı sürüm de dikkate değer. Önce güvenliği onaylanmış savunuculara erişim vererek ve gönüllü bir devlet test sürecine katılarak Google, istismar yeteneğinin öne çıkan bir özellik olduğu bir modele karşı ihtiyatlı bir sinyal veriyor; böyle bir yeteneğin iki ucu keskin olduğunu örtükçe kabul etmenin bir yolu bu.

Son olarak, Argon ile Carbon arasındaki iki haftalık boşluk, sınır sürümleri arasındaki döngülerin ne kadar sıkıştığını gösteriyor. Hizalanma ölçümleri, tedarikçilerin bu hızın güvenlikle pazarlık edip etmediğini en azından ölçtüğüne işaret ediyor; ancak her tedarikçi duyurusunda olduğu gibi, üçüncü taraflar bu sayıları yeniden üretebilene kadar şüpheyle yaklaşmak gerekiyor.