Gemini 4 Carbon: Zougang, Fäegkeeten a Limitte vum Google-Modell

Google mécht Gemini 4 Carbon fir nei Benotzer op, mat ënnerschiddlechen Zougangsméiglechkeeten jee no Produkt. Déi annoncéiert Leeschtungen beim Programméieren, bei Agenten an an der Recherche mussen am Liicht vun den néidegen Tester a Kontrollen agelies ginn.

Gemini 4 Carbon ass fir Aufgaben geduecht, bei deenen e Modell e puer Operatioune muss noeneen ausféieren: Code ënnersichen, eng Sécherheetslück sichen, eng Korrektur erstellen an iwwerpréiwen oder ëmfangräich Dokumenter zesummefaassen. Google mécht de Modell fir méi Benotzer op, awer net op déiselwecht Manéier, jee nodeem ob si d’Gemini-App, d’Entwécklungsinstrumenter oder eng Offer fir Fuerscher benotzen. Et geet also net nëmmen drëm, wat Carbon kann, mee och ëm d’Konditiounen, ënner deenen een him d’Aarbecht uvertraue kann.

E Modell fir laang Aufgaben, net fir all Asaz

Google stellt Carbon als säi leeschtungsfäegste Modell fir komplex Aufgaben iwwer méi Schrëtt vir, virun allem fir Softwareentwécklung, wëssenschaftlech Recherche an e puer Aarbechten am Beräich vun der Cybersécherheet. D’Entreprise ënnerscheet dës Aufgaben ausdrécklech vum alldeeglechen Asaz: Hirer Meenung no bleift Gemini 4 Argon fir déi meescht Aufgaben am Wëssens- a Programméierberäich gëeegent. Carbon ass esou entworf, datt e méi Recheleeschtung fir eng Ufro asetzt, verschidde Méiglechkeeten duerchkuckt a Kontrollschrëtt widderhëlt.

Dësen Ënnerscheed ass bei engem agentesche System wichteg. En Agent schreift net nëmmen eng Äntwert: e kann Instrumenter benotzen, Dateie kontrolléieren oder noeneen Aktiounen ausféieren, fir en Zil z’erreechen. D’Resultat hänkt dann esou vill vun der Qualitéit vum Modell of wéi vum Zougang zu den Instrumenter, den Uweisungen, den zur Verfügung gestallten Donnéeën an der Kontroll iwwer d’Aktiounen. Bei enger laanger Aufgab gëtt et och méi Geleeënheeten, op de falsche Wee ze geroden.

Google weist op d’Leeschtungen op CursorBench 4.0, WANDR, dem Test vu Perplexity, an AutomationBench, deem vun Zapier, hin. D’Entreprise behaapt, datt Carbon bei dësen Evaluatiounen op der éischter Plaz läit an pro Aufgab méi wéi duebel sou bëlleg ass wéi deen nächste beschten externe Modell. Dat si Resultater, déi Google annoncéiert huet, aus Tester fir spezifesch Asätz: Si beweisen eleng net, datt en Agent dee selwechte Virdeel an der alldeeglecher Aarbecht vun engem Team bréngt.

Flësseg Äntwerte ersetzen d’Kontroll net

D’Zuelen, déi Frandroid op Basis vun den Evaluatioune vun Artificial Analysis weidergëtt, beliichten eng aner Dimensioun: d’Fäegkeet, richteg ze äntweren, an de Risiko, eng Äntwert ze erfannen, sinn net datselwecht Mooss. Op AA-Omniscience gëtt Carbon, dëse Resultater no, op 58 % vun de Froen déi richteg Äntwert, géintiwwer 48 % fir Argon. Ënnert de Froen, op déi de Modell net richteg äntwert, klëmmt awer den Undeel vun erfonnten Äntwerten amplaz vun engem Zougeständnis vun Onsécherheet: vun 4 % bei Argon op 11 % bei Carbon.

Dës Tauxe betreffen dëse spezifeschen Test, net all Asaz vu Carbon. Si erënneren awer un eng praktesch Virsiichtsmoossnam: Eng Äntwert, déi op den éischte Bléck präzis wierkt, ass nach keng Iwwerpréiwung. Bei engem juristeschen Dokument, enger Finanzanalys oder enger Codeännerung muss de Benotzer d’Quellen, d’Berechnungen oder déi gemaachten Ännerunge kontrolléiere kënnen. Wat eng Aufgab méi komplex ass, wat et méi wichteg gëtt, d’Schrëtt nozeverfollegen.

Google annoncéiert och en neie multimodalen Test, de Multimodal Knowledge Agent, deen zesumme mat Artificial Analysis entwéckelt gouf, fir Agenten ze bewäerten, déi mat Dokumenter schaffen, an deenen Text, Tabellen, Biller a Grafike kombinéiert sinn. Google no läit Carbon do op der zweeter Plaz, mat engem Duerchschnëttskäschtepunkt pro Aufgab, dee méi wéi sechs Mol méi niddereg ass wéi dee vum Modell op der éischter Plaz. Och hei bezitt sech d’Resultat op eng bestëmmten Evaluatioun; et ass keng Garantie fir Präzisioun bei all Dossier vun enger Entreprise.

Den Zougang hänkt vum Asaz of

Fir d’Allgemengheet erkläert Google, datt Carbon an der Gemini-App an am KI-Modus vun der Sich fir Abonnente vu Google AI Ultra ausgerullt gëtt. Benotzer vun der Pro-Offer hunn an dëse Produiten also net dee selwechten Zougang. Entwéckler an Entreprisë kënnen Carbon dogéint iwwer d’Gemini-API an de bezuelten Offeren, souwéi iwwer verschidde professionell Google-Instrumenter benotzen. Den Zougang iwwer e Produkt fir d’Allgemengheet an den Zougang iwwer d’API sinn net austauschbar: Déi zweet Méiglechkeet erlaabt et, de Modell an eng Software oder en Aarbechtsprozess anzebannen, mee dofir muss dës Integratioun opgebaut an ënnerhale ginn.

Fir Entwéckler bitt Google och eng Virschau vu /swarm an Antigravity un. Eng Ufro kann do op verschidden Agenten opgedeelt ginn, déi parallel mat ënnerschiddleche Rollen schaffen, zum Beispill un der Ausaarbechtung vun enger Architektur, der Koordinatioun oder engem Audit. Dës Organisatioun kann d’Aarbecht beschleunegen, andeems se opgedeelt gëtt, mee si mécht d’Kontroll vum Resultat net iwwerflësseg. Agenten kënnen déiselwecht falsch Viraussetzung deelen oder Ännerunge maachen, déi sech widderspriechen; d’Iwwerwaachung an d’Tester bleiwen dofir am Mëttelpunkt vum Prozess.

Fuerscher stellen eng aner Zort Zougang duer. Google annoncéiert, de Programm op Carbon auszedeenen, deen ausgewielte Wëssenschaftler sechs Méint laang gratis Zougang zu de Modeller gëtt, iwwer déi héchst Benotzungsstuf vu Google Antigravity, ënner der Bedingung, datt si eligibel sinn, genuch Kapazitéit disponibel ass a si ausgewielt ginn. Dës Moossnam bedeit net, datt de Modell allgemeng disponibel ass: Et ass e Programm, bei deem den Zougang am Laf vun den Umeldungen zougedeelt gëtt.

Cyberfäegkeeten, déi encadréiert musse ginn

D’Cybersécherheet ass ee vun de Beräicher, an deem den Ënnerscheed tëscht Fäegkeet an Asazbedéngunge besonnesch sensibel ass. Google behaapt, datt Carbon hëllefe kann, Schwachstelle z’entdecken, ze verstoen, wéi se matenee verbonne sinn, a Korrekturen ze erstellen. D’Entreprise nennt e puer Resultater aus hiren eegenen Evaluatiounen an aus Zesummenaarbechte mat Sécherheetsteams. Si präziséiert, datt den Zougang zu der Versioun fir dës Aarbechten iwwer hire Programm Fairwind leeft, deen de Verteideger an der Cybersécherheet virbehalen ass.

Google beschreift och Schutzmoossname géint béiswëllegen Asaz a géint verstoppt Uweisungen an Inhalter, déi en Agent ënnersicht; dës Aart vun Attack gëtt indirekt Prompt-Injektioun genannt. D’Entreprise bericht gutt Resultater bei verschiddene Sécherheetstester, erkennt awer gläichzäiteg un, datt de Schutz géint Injektiounen am Fall vun e puer sophistikéierten Attacke nach muss verbessert ginn. Dës Limit ass fir all Organisatioun konkret, déi engem Agent erlaabt, Säiten, E-Maile oder Dateie ze liesen: Eng béiswëlleg Uweisung kann an den Donnéeë verstoppt sinn, déi den Agent duerchkuckt, ouni datt de Benotzer se direkt formuléiert.

Carbon erweidert also d’Palette vun den Aufgaben, déi Google automatiséiere wëll, besonnesch wann e puer Schrëtt an den Asaz vun Instrumenter néideg sinn. Den Zougang variéiert awer jee no Produkt, an déi publizéiert Leeschtungswäerter stamen aus Tester oder Evaluatiounen, déi hiren Urheber zougeschriwwe ginn. Fir ze entscheeden, ob een him eng Aufgab uvertraut, muss een de ganze Prozess berücksichtegen: déi zougänglech Donnéeën, déi erlaabt Aktiounen, d’Käschten, déi disponibel Spueren an d’Méiglechkeet vun enger mënschlecher Kontroll. D’Fäegkeet, eng Äntwert oder eng Korrektur ze produzéieren, ass nëmmen en Deel vun der Aarbecht.