Napredni modeli kompanija OpenAI i Anthropic u poslednje vreme vode žestoku borbu, pri čemu se svaka hvali pobedama u različitim kategorijama. Sada se Google umešao sa svojim najnovijim modelom Gemini 4 Carbon, hvaleći se vrhunskim rezultatima na testovima u ključnim oblastima kao što su sajber-bezbednost i programiranje. "Zasnovan na modelu Gemini 4 Argon, koji je predstavljen pre dve nedelje, Carbon ilustruje brzinu kojom pomeramo granice mogućeg", napisala je kompanija u blog objavi.Introducing Gemini 4 Carbon, our latest frontier model. Carbon delivers improved performance across domains — ranking #1 on v5.0 of the @ArtificialAnlys Intelligence Index and sets a new state-of-the-art in cybersecurity and long-horizon capabilities. It’s rolling out starting this week to cyber defenders through our Fairwind Program, with expanded access coming soon 🧵— Google (@Google) October 28, 2026Testovi kompanije pokazuju da Gemini 4 Carbon ostvaruje najviši rezultat od 59 poena na AA Index v5.0 (opšti test za veštačku inteligenciju), čime se našao tik ispred modela Claude Opus 5.5 i GPT-6 Astra. Google takođe tvrdi da je ostvario skoro potpunu dominaciju u svim kategorijama, uključujući agentsko programiranje, korišćenje računara, intelektualni rad, nauku i matematiku, kao i u drugim oblastima. Google je posebno istakao dominaciju Carbona u oblasti sajber-bezbednosti, gde je nadmašio druge modele sa prilično velikom razlikom.U toj kategoriji, Google tvrdi da Gemini 4 Carbon briljira u pronalaženju i rangiranju ranjivosti po prioritetu, kao i u njihovom otklanjanju u samom korenu problema. Kompanija je navela da ovaj model unapređuje i bezbednost i sigurnost naprednih AI modela tako što smanjuje korišćenje zaobilaznih puteva i zloupotrebu propusta u sistemu, povećava transparentnost i iskrenost (da, postoji test za "nezasnovane tvrdnje"), pruža otpor napadima ubacivanjem komandi (prompt injection), poboljšava saradnju i "sprovodi zadatke do kraja bez prekoračenja ovlašćenja". Takođe je dvostruko verovatnije da će generisati bezbedan kod u poređenju sa modelom Argon.Google’s Gemini 4 Carbon is the new #1 on the Artificial Analysis Intelligence Index v5, and second only to Claude Opus 5.5 on the Artificial Analysis Coding Agent Index Gemini 4 Carbon scores 59 on Intelligence Index v5, driven by leading performance in complex reasoning, knowledge, and scientific tasks. It also has large gains in coding and knowledge work, particularly when compared to other Gemini models, but it is not leading in all these areas. As with launch of Gemini 4 Argon, Gemini 4 Carbon is being rolled out to selected users and is not yet publicly available. Google is offering a 50% launch discount, with no confirmed end date. All our charts and figures use standard pricing for both Gemini 4 Carbon and Argon. Key results for Gemini 4 Carbon with high reasoning: ➤ Gemini 4 Carbon leads the Intelligence Index v5, with the #1 score in 4 of the 9 Index evaluations: HLE-Diamond, Terminal-Bench-Science, AA-Omniscience, AutomationBench-AA. Carbon makes substantial gains elsewhere but is not leading in coding and knowledge work ➤ Behind only Claude Opus 5.5 on coding agents: With Antigravity CLI, Gemini 4 Carbon (high) scores 59 only 3 points behind Claude Code with Claude Opus 5.5 (max, 62) on the Artificial Analysis Coding Agent Index. Carbon ranks second on both Terminal-Bench 4.0 (64%) and FrontierCode v1.1 (51%), behind Claude Opus 5.5 (max) at 56%. Google has historically underperformed in this area and so this improvement stands out ➤ Improved agentic knowledge work, but not yet leading: On AA-Briefcase, Gemini 4 Carbon (high) scores 1609 Elo, a 126-point improvement over Gemini 4 Argon (high, 1483), but still behind models including Grok 4.7 (xhigh, 1638), Muse Wonder (max, 1659) and Kimi K3.1 Pro (1678). The largest gain comes from Presentation, up 293 Elo to 1598, alongside a 120-point improvement in Analytical Quality to 1671 ➤ Lower Cost per Task than Claude Opus 5.5 for comparable overall intelligence: Gemini 4 Carbon costs $7.76 per Intelligence Index task, ~23% less than Claude Opus 5.5 (max, $10.04) but ~1.2x GPT-6 Astra (max, $6.25). It uses 123k output tokens per task, 29% fewer than Claude Opus 5.5 (max, 173k). At the same $4/$20 standard pricing, its Cost per Task is in line with Gemini 4 Argon ($7.68), while scoring 9 points higher on the Intelligence Index ➤ Leading AA-Omniscience v1.1 score, with low hallucination: Gemini 4 Carbon scores 54 on our recently updated AA-Omniscience v1.1, 6 points ahead of Claude Opus 5.5 (max, 48) and 8 points ahead of Gemini 4 Argon (46). Accuracy (% correct) rises 10 points over Argon to 58%, while its hallucination rate rises from 4% to 11%. This is still the second lowest of any model, behind only Argon, compared with 50% for both Claude Opus 5.5 (max) and GPT-6 Astra (max) Key model details: ➤ Context Window: 1M tokens ➤ Multimodality: Text, image, video, and speech input, with text output ➤ Pricing: $4/$20 per 1M input/output tokens, the same as Gemini 4 Argon’s standard pricing, with a 50% discount. Cached input tokens receive a 95% discount ($0.20 per 1M) Congratulations to the @GoogleDeepMind team!— Artificial Analysis (@ArtificialAnlys) October 28, 2026Kao što je bio slučaj i sa prethodnim naprednim modelima, Carbon će u početku biti dostupan samo odabranim kompanijama za sajber-odbranu, kako bi se omogućilo testiranje modela pre zvaničnog objavljivanja. Google će s vremenom omogostupiti pristup i drugim partnerima od poverenja kroz svoj program Fairwind, pre nego što ga pusti u široku upotrebu. To je upravo ono što je Google uradio i sa modelom Gemini 4 Argon, koji je sada dostupan u aplikaciji Gemini i u režimu pretrage pomoću veštačke inteligencije (AI search mode).
1.11.2026.
14:00
Stigao je jezivo moćan AI: Gemini 4 Carbon "razbio" konkurentski Claude
Novi napredni model kompanije Google nadmašuje Claude Opus 5.5 u nekoliko ključnih benčmark tesova.
Izvor: B92.net
Podeli:
Vrati se na vest
0 Ostavite komentar
B92 na društvenim mrežama
Najnovije
uživo Ponavlja se glasanje na 53 biračka mesta širom Srbije: Glasanje protiče bez problema
Vanredni parlamentarni izbori biće danas ponovljeni na 53 biračka na kojima je poništeno glasanje ili se rezultati od 25. oktobra ne mogu utvrditi.
14:07
1.11.2026.
1 h
Protesti i u Hagu; Uhapšeno više od 30 mladih VIDEO
Protest Generacije Z u Hagu završen je u subotu bez većih incidenata, a tom prilikom je uhapšeno 34 osoba, od kojih većina njih ima između 15 i 18 godina, saopštila je danas holandska policija.
15:44
1.11.2026.
3 min
Beč pustio u rad najveću kišnu pumpu u Evropi
Nakon velikih poplava u septembru 2024. godine, Beč je modernizirao ključno postrojenje za odvodnju otpadnih i padavinskih voda.
15:44
1.11.2026.
1 min
Vrela Albanka jedva obuzdala bujni dekolte u tesnom topu, a frizura je priča za sebe FOTO
Provokativna Albanka na ovaj način je želela i da oda počast legendarnoj Doli Parton.
15:44
1.11.2026.
3 min
Slavni reditelj upucao samog sebe na strelištu: Hitno prevezen u bolnicu
Nakon pucnjave, na lice mesta stigli su policija i vatrogasci, a povređeni reditelj prevezen je ambulantnim vozilom u lokalnu bolnicu.
15:41
1.11.2026.
6 min