Google ra mắt Gemini 4 Carbon với điểm số AI hàng đầu, giới hạn quyền truy cập cho lực lượng phòng thủ mạng

Dẫn đầu bảng xếp hạng, nhưng quyền truy cập bị giới hạn

Google công bố Gemini 4 Carbon, một mô hình trí tuệ nhân tạo đạt 59 điểm trong Chỉ số Trí tuệ Artificial Analysis v5.0 và cho thấy kết quả nổi bật trong việc phát hiện, kiểm thử và khắc phục lỗ hổng phần mềm. Những người đầu tiên được sử dụng mô hình sẽ là một nhóm chuyên gia phòng thủ an ninh mạng được tuyển chọn, thay vì công chúng nói chung.

Thông báo về Gemini 4 Carbon của công ty, đề ngày 28 tháng 10 năm 2026, xếp mô hình này cao hơn Claude Opus 5.5 và GPT-6 Astra trên chỉ số năng lực tổng quát nói trên. Sản phẩm ra mắt chỉ hai tuần sau Gemini 4 Argon, giúp Google có thêm một mô hình chủ lực khi nhiều người dùng chưa có nhiều thời gian trải nghiệm phiên bản tiền nhiệm.

Koray Kavukcuoglu, phó chủ tịch cấp cao của Google DeepMind kiêm kiến trúc sư AI trưởng của Google, mô tả những thế mạnh cốt lõi của mô hình:

Gemini 4 Carbon là mô hình mạnh nhất của chúng tôi, sở hữu năng lực an ninh mạng và khả năng xử lý tác vụ dài hạn ở cấp độ tiên tiến nhất.

Google cho biết các nhóm nội bộ đã theo dõi Carbon xử lý những nhiệm vụ kỹ thuật khó trong nhiều ngày, trong đó có việc truy tìm lỗi tinh vi và tạo bản sửa lỗi trên các dự án phần mềm quy mô lớn. Với các nhóm an ninh, triển vọng là có một trợ lý có thể theo sát vấn đề qua nhiều lần thử không thành công, thay vì chỉ gợi ý câu trả lời rồi dừng lại.

Việc ra mắt Carbon cũng cho thấy một mâu thuẫn thực tiễn. Khả năng phát hiện và khai thác điểm yếu phần mềm có thể giúp lực lượng phòng thủ sửa chữa hệ thống, nhưng đồng thời cung cấp năng lực hữu ích cho kẻ tấn công. Google đang tham gia quy trình kiểm thử tự nguyện của chính phủ Mỹ trước khi phát hành và sẽ mở rộng quyền truy cập từng bước thông qua Chương trình Fairwind.

Bức tranh rõ nét nhất hiện ra khi đặt các kết quả cạnh nhau: Carbon dẫn đầu một chỉ số trí tuệ tổng quát và một số bài kiểm thử an ninh, nhưng kém đối thủ ở một số tác vụ lập trình. Những cải thiện về độ tin cậy mà Google ghi nhận trong nội bộ cũng song hành với một bài kiểm thử bên ngoài, trong đó tỷ lệ câu trả lời bịa đặt của mô hình tăng so với Argon.

Các điểm số an ninh mạng đo lường điều gì?

Google công bố ba kết quả an ninh nổi bật: 88,2% ở SEC-bench Pro, 54,8% ở ExploitGym và 71,0% ở CWE-bench của Collinear. Mỗi bài đo lường một khía cạnh khác nhau trong công việc của lực lượng phòng thủ.

SEC-bench Pro kiểm tra khả năng phát hiện lỗ hổng trong phần mềm thực tế của mô hình. Lỗ hổng là điểm yếu có thể cho phép ai đó truy cập thông tin, thay đổi hệ thống hoặc làm gián đoạn hoạt động. Google cho biết Carbon dẫn đầu đánh giá này nhờ phát hiện các lỗi phức tạp ẩn sâu trong phần mềm.

ExploitGym kiểm tra bước tiếp theo: biến điểm yếu thành một phương thức khai thác có thể hoạt động. Khai thác là cách sử dụng lỗi để khiến hệ thống hoạt động ngoài dự kiến. Các nhóm an ninh dùng phương thức khai thác có kiểm soát để xác định điểm yếu nào gây nguy hiểm tức thời và cần được ưu tiên sửa chữa.

CWE-bench đo lường khả năng vá lỗi, tức viết mã để khắc phục vấn đề gốc rễ. Điểm 71,0% của Carbon tập trung vào việc hoàn tất sửa chữa, thay vì chỉ ra đoạn mã đáng ngờ.

Google cho biết các bài đánh giá an ninh mạng bên ngoài này được thực hiện khi không có rào chắn an toàn, nghĩa là các giới hạn bảo vệ nhằm hạn chế hành động của mô hình khi triển khai không được kích hoạt trong quá trình đánh giá. Điểm số phản ánh năng lực trong điều kiện kiểm thử đó; các sản phẩm của Google sẽ có những biện pháp kiểm soát an toàn khi cung cấp quyền truy cập.

Google cũng cho biết Carbon có tỷ lệ tạo mã an toàn trong các bài kiểm thử nội bộ cao hơn Argon hơn hai lần. Nhóm Chrome của Google nói Carbon làm tốt hơn hơn 10 lần trong việc tạo bản vá chất lượng cao so với một mô hình tiên tiến lớn của một phòng thí nghiệm đối thủ không được nêu tên. Các kết quả nội bộ về mã an toàn này chưa được kiểm chứng độc lập, và Google không tiết lộ mô hình đối thủ trong phép so sánh.

Dẫn đầu không đồng nghĩa thắng mọi tác vụ

Artificial Analysis chấm Carbon 59 điểm trên Chỉ số Trí tuệ v5.0, so với 58 điểm của Claude Opus 5.5 và 57 điểm của GPT-6 Astra. Như vậy, Carbon hơn Opus một điểm và hơn Astra hai điểm, khoảng cách hẹp hơn so với những phép so sánh an ninh mạng nổi bật nhất của Google.

Chỉ số này tổng hợp chín bài đánh giá, trong đó Carbon dẫn đầu bốn bài: HLE-Diamond, TB-Science, AA-Omniscience và AutomationBench. Artificial Analysis cho biết 60% chỉ số được cập nhật sử dụng các bài kiểm thử riêng tư, với câu hỏi không được công khai.

Kết quả lập trình đa dạng hơn. Carbon kết hợp với Antigravity CLI của Google đạt 59 điểm trên Chỉ số Coding Agent, trong khi Claude Code kết hợp với Opus 5.5 đạt 62 điểm. Tác nhân lập trình kết hợp một mô hình với các công cụ cho phép kiểm tra tệp, chạy lệnh và chỉnh sửa phần mềm, vì vậy phần mềm đi kèm cũng ảnh hưởng đến kết quả.

Carbon đạt 51% trên FrontierCode v1.1, thấp hơn mức 56% của Opus. Trên FrontierSWE, mô hình đạt 61,2%, so với 65,5% của GPT-6 Astra, 62,3% của Opus 5.5 và 61,9% của Sonnet 5.5. Những kết quả này giúp nhà phát triển có cơ sở cụ thể để xem xét các tác vụ gần với công việc của mình nhất, bên cạnh bảng xếp hạng tổng quát.

Phát triển web cũng là một lĩnh vực có tiến bộ. Theo thông báo của Google, Carbon xếp thứ tư trên WebDev Arena với 1.768 điểm Elo, tăng 89 điểm. Elo là hệ thống xếp hạng dựa trên hiệu suất so sánh. Carbon cũng đứng đầu Text Arena với 1.528 điểm và xếp thứ hai trên Agent Arena, cho thấy kết quả tốt không chỉ giới hạn ở công việc an ninh.

Xử lý trong nhiều ngày thay vì chỉ trả lời một lần

Google thiết kế Carbon cho các quy trình tác vụ liên tục của tác nhân AI, trong đó hệ thống thực hiện một chuỗi hành động để đạt mục tiêu. Trong kỹ thuật phần mềm, việc đó có thể gồm kiểm tra dự án, tìm nguyên nhân lỗi, thay đổi mã, chạy thử nghiệm và điều chỉnh bản sửa nếu thử nghiệm thất bại.

Các nhóm nội bộ của Google cho biết Carbon có thể tiếp tục xử lý trong nhiều ngày những nhiệm vụ phức tạp liên quan đến các kho mã lớn và hệ thống cấp thấp. Công ty mô tả mô hình có khả năng kiên trì khi gặp ngõ cụt, một đặc tính quan trọng khi lời giải thích có vẻ hợp lý ban đầu hóa ra không đúng.

Thông số được công bố cho biết mô hình có cửa sổ ngữ cảnh một triệu token và đầu ra tối đa một triệu token. Token là những đơn vị văn bản nhỏ mà mô hình xử lý. Cửa sổ ngữ cảnh là lượng thông tin mô hình có thể xem xét cùng lúc, bao gồm chỉ dẫn và tài liệu được cung cấp cho nhiệm vụ.

Carbon được cho là tiếp nhận văn bản, hình ảnh, video và lời nói, đồng thời tạo ra văn bản. Những loại dữ liệu đầu vào này có thể cho phép đưa báo cáo lỗi bằng văn bản, ảnh chụp màn hình và bản ghi lại hành vi bất thường của phần mềm vào cùng một quy trình.

Hiệu suất ngoài lĩnh vực lập trình có khác biệt. Carbon đạt 1.609 điểm Elo trong bài đánh giá công việc tri thức AA-Briefcase, tăng 126 điểm so với Argon, nhưng vẫn đứng sau Grok 4.7, Muse Wonder và Kimi K3.1 Pro. Mô hình xếp thứ hai trên Vals Index, đồng thời dẫn đầu Finance Index và Legal Research Benchmark. Phạm vi kết quả này cho thấy lựa chọn của doanh nghiệp có thể tùy thuộc vào việc họ cần sửa phần mềm, phân tích tài liệu hay xử lý một công việc cụ thể khác.

Các bài kiểm tra an toàn phân biệt hành vi thử gian lận với gian lận thành công

Google cho biết tỷ lệ gian lận thành công của Carbon trên Terminal-Bench 4.0 là 0,0%, còn tỷ lệ cố gắng gian lận là 0,4%. Hai con số mô tả những hành vi khác nhau: mô hình có thử dùng lối tắt không phù hợp hay không, và nỗ lực đó có thành công hay không.

Google cho biết Carbon cải thiện độ chính xác khi thực hiện nhiệm vụ, đồng thời giảm các lối tắt như vậy. Trong công việc lập trình trực tiếp với các nhóm của chính công ty, số cảnh báo về những hành vi lệch nghiêm trọng so với mục tiêu giảm gần 80%.

Tấn công chèn lệnh cũng là một trọng tâm. Hình thức tấn công này nhúng chỉ dẫn vào tài liệu mà AI được yêu cầu đọc, chẳng hạn trang web hoặc tệp, nhằm khiến hệ thống rời khỏi nhiệm vụ người dùng giao. Trợ lý kiểm tra một dự án có thể gặp văn bản yêu cầu nó bỏ qua chỉ dẫn hoặc tiết lộ thông tin.

Carbon ghi nhận tỷ lệ tấn công thành công 0,0% trong bài đánh giá chèn lệnh gián tiếp của Gray Swan. Các số liệu so sánh là 0,7% đối với Argon, 1% đối với Claude Opus 5.5 và 8,5% đối với GPT-6 Astra. Kết quả của Google có nghĩa là mô hình chống lại được mọi nỗ lực tấn công trong bài kiểm thử này.

Google cho biết Carbon kết hợp quá trình huấn luyện mô hình với các biện pháp chống lạm dụng trong khi vận hành, khả năng chống chèn lệnh và cơ chế giám sát quá trình suy luận. Đợt triển khai giới hạn ban đầu sẽ giúp công ty thu thập phản hồi và điều chỉnh các biện pháp bảo vệ khi nhóm chuyên gia phòng thủ được chọn sử dụng mô hình.

Độ tin cậy cải thiện trong nội bộ, nhưng một phép đo bên ngoài cho kết quả kém hơn

Google cho biết trong các bài kiểm thử nội bộ, Carbon giảm khoảng một nửa số khẳng định không có căn cứ so với Argon. Theo công ty, mô hình có xu hướng nêu rõ khi thiếu bằng chứng, liệt kê các yêu cầu chưa hoàn tất và đánh dấu thông tin mâu thuẫn trước khi hành động.

Google cũng ghi nhận mức giảm 26% về hành vi vượt quá phạm vi và giảm 29% về việc không đáp ứng đầy đủ yêu cầu. Nói đơn giản, theo công ty, Carbon ít có khả năng làm vượt quá chỉ dẫn của người dùng và ít có khả năng dừng lại trước khi hoàn thành công việc được giao.

Artificial Analysis ghi nhận một thay đổi khác trong bài đánh giá Omniscience: tỷ lệ ảo giác của Carbon tăng lên 11%, từ mức 4% của Argon. Ảo giác là câu trả lời đưa thông tin bịa đặt hoặc sai sự thật ra như thể đó là sự thật. Dù vậy, Carbon vẫn có tỷ lệ đo được thấp thứ hai trong phép so sánh này, còn Opus 5.5 và Astra đều ở mức 50%.

Carbon dẫn đầu bài đánh giá Omniscience với 54 điểm, dù tỷ lệ ảo giác cao hơn. Một mô hình có thể đạt kết quả tốt hơn nhờ trả lời đúng nhiều câu hỏi hơn, nhưng cũng mắc thêm lỗi khi thử trả lời những câu trước đây nó thường tránh. Thước đo khẳng định thiếu căn cứ nội bộ của Google và thước đo ảo giác bên ngoài sử dụng các bài đánh giá khác nhau, vì vậy người dùng cần cân nhắc hai kết quả riêng biệt về độ tin cậy.

Với một nhóm an ninh, việc kiểm tra kết quả vẫn là một phần công việc. Cần xem xét lỗ hổng được phát hiện và thử nghiệm bản vá đề xuất trên phần mềm mà nó tác động. Những cải thiện mà Google công bố nhắm đúng vào các tình huống trợ lý có thể tuyên bố thành công quá sớm hoặc hành động ngoài phạm vi yêu cầu.

Ai được truy cập, và theo thứ tự nào?

Google cho biết một nhóm chuyên gia phòng thủ mạng sẽ được sử dụng Carbon trong tuần có ngày công bố 28 tháng 10. Các đối tác đáng tin cậy khác sẽ dần được cấp quyền thông qua Fairwind, sau đó đến nhà phát triển, doanh nghiệp và người tiêu dùng thông qua các sản phẩm của Google.

Lộ trình được công bố như sau:

• Khoảng hai tuần trước khi Carbon ra mắt: Google ra mắt Gemini 4 Argon, sau đó mô hình này được cung cấp trên ứng dụng Gemini và chế độ tìm kiếm AI.
• Ngày 28 tháng 10 năm 2026: Google công bố Carbon và kết quả đánh giá chuẩn.
• Trong tuần có ngày 28 tháng 10: Nhóm chuyên gia phòng thủ mạng được chọn bắt đầu được cấp quyền truy cập.
• Các giai đoạn tiếp theo: Google mở rộng quyền truy cập qua Fairwind trước khi cung cấp rộng rãi hơn qua các sản phẩm.

Google đang tham gia quy trình tự nguyện của chính phủ Mỹ nhằm kiểm thử mô hình trước khi phát hành. Thông báo của công ty không nêu ngày mở quyền truy cập rộng rãi cho công chúng hoặc thời điểm kết thúc mức giá ưu đãi ban đầu của Carbon.

Người đăng ký AI Ultra và nhà phát triển dùng Gemini API được cho là những khách hàng đầu tiên tiềm năng, nhưng lộ trình Google công bố chỉ nêu các nhóm nhà phát triển, doanh nghiệp và người tiêu dùng nói chung, chứ chưa xác nhận thứ tự tiếp cận của họ.

Quyết định ưu tiên lực lượng phòng thủ diễn ra trong bối cảnh lo ngại về việc AI bị sử dụng với mục đích xấu ngày càng gia tăng. Các nhà nghiên cứu mối đe dọa của Google đã ghi nhận những nhóm được Iran, Triều Tiên, Nga và Trung Quốc hậu thuẫn thử nghiệm Gemini, chủ yếu để hỗ trợ nghiên cứu và lập trình. Giám đốc DeepMind Demis Hassabis mô tả các vụ tấn công bằng tác nhân AI gần đây là những hồi chuông cảnh báo ban đầu.

Chi phí sử dụng Carbon cho nhà phát triển

Giá API ưu đãi ban đầu của Carbon là 2 USD cho mỗi triệu token đầu vào và 10 USD cho mỗi triệu token đầu ra, bằng mức giá Argon khi ra mắt. API cho phép nhà phát triển kết nối mô hình với phần mềm của họ. Đầu vào là tài liệu gửi cho Carbon; đầu ra là nội dung mô hình tạo ra.

Sau thời gian ưu đãi, mức giá niêm yết tăng gấp đôi, lên 4 USD cho mỗi triệu token đầu vào và 20 USD cho mỗi triệu token đầu ra. Một nhiệm vụ sử dụng một triệu token đầu vào và một triệu token đầu ra sẽ có giá 12 USD theo mức ưu đãi ban đầu và 24 USD theo mức giá tiêu chuẩn, chưa tính bộ nhớ đệm hoặc các điều chỉnh khác.

Google cho biết đầu vào được lưu trong bộ nhớ đệm được giảm giá 95%. Bộ nhớ đệm cho phép dịch vụ tái sử dụng nội dung đã xử lý, qua đó giảm chi phí khi liên tục cung cấp cùng một tài liệu lớn hoặc dự án phần mềm. Sau khi áp dụng mức giảm giá, một triệu token đầu vào được lưu trong bộ nhớ đệm sẽ có giá 0,10 USD theo mức giá đầu vào ưu đãi và 0,20 USD theo mức giá tiêu chuẩn.

Chi tiêu thực tế đo được cũng phụ thuộc vào lượng văn bản mô hình tạo ra để hoàn thành nhiệm vụ. Artificial Analysis ghi nhận Carbon có chi phí 7,76 USD cho mỗi tác vụ trong chỉ số, so với 10,04 USD của Opus 5.5 và 6,25 USD của GPT-6 Astra. Trong đánh giá này, Carbon sử dụng khoảng 123.000 token đầu ra cho mỗi tác vụ, ít hơn Opus 29%.

Ở các khối lượng công việc khác, xu hướng có thể khác. Vals ghi nhận Carbon tạo nhiều token đầu ra hơn Argon 64%, phần lớn trong các tác vụ tài chính, thuế và pháp lý. Do đó, nhà phát triển dự trù ngân sách cho Carbon cần cân nhắc cả giá token lẫn khối lượng công việc mô hình thực hiện cho mỗi nhiệm vụ.

Điểm chính

• Gemini 4 Carbon dẫn đầu Chỉ số Trí tuệ Artificial Analysis v5.0 với 59 điểm, cao hơn Opus 5.5 ở mức 58 điểm và GPT-6 Astra ở mức 57 điểm.
• Google công bố các điểm số an ninh: 88,2% về phát hiện lỗ hổng, 54,8% về khai thác và 71,0% về vá lỗi.
• Carbon kém các tổ hợp mô hình và công cụ cạnh tranh trong một số bài đánh giá lập trình.
• Google cho biết không có vụ gian lận nào thành công trên Terminal-Bench 4.0 và không có cuộc tấn công nào thành công trong bài kiểm thử chèn lệnh của Gray Swan.
• Số khẳng định thiếu căn cứ trong thử nghiệm nội bộ giảm khoảng một nửa, trong khi tỷ lệ ảo giác theo một phép đo bên ngoài tăng từ 4% của Argon lên 11% của Carbon.
• Nhóm chuyên gia phòng thủ mạng được chọn sẽ được cấp quyền trước, sau đó việc tiếp cận mở rộng qua Fairwind trước khi cung cấp rộng rãi hơn.
• Giá API ưu đãi ban đầu là 2 USD cho mỗi triệu token đầu vào và 10 USD cho mỗi triệu token đầu ra, sau đó tăng lên lần lượt là 4 USD và 20 USD.