Google memperkenalkan Gemini 4 Carbon dengan skor AI tertinggi dan akses terbatas bagi pembela siber

Pemimpin baru di papan skor, dengan akses terbatas

Google mengumumkan Gemini 4 Carbon, model kecerdasan buatan yang meraih skor 59 pada Artificial Analysis Intelligence Index v5.0 dan mencatat hasil kuat dalam menemukan, menguji, serta memperbaiki kerentanan perangkat lunak. Pengguna pertamanya adalah sejumlah pembela keamanan siber terpilih, bukan masyarakat umum.

Pengumuman Gemini 4 Carbon dari perusahaan itu, tertanggal 28 Oktober 2026, menempatkan model tersebut di atas Claude Opus 5.5 dan GPT-6 Astra pada indeks kemampuan umum itu. Peluncurannya hanya berselang dua minggu setelah Gemini 4 Argon, sehingga Google menghadirkan model andalan lainnya sebelum banyak pengguna sempat lama mencoba pendahulunya.

Koray Kavukcuoglu, wakil presiden senior Google DeepMind sekaligus kepala arsitek AI Google, menggambarkan keunggulan utama model itu:

Gemini 4 Carbon adalah model terkuat kami dengan kemampuan keamanan siber mutakhir dan kemampuan bekerja dalam jangka panjang.

Google menyatakan tim internalnya telah menyaksikan Carbon bekerja selama berhari-hari mengerjakan tugas rekayasa yang sulit, termasuk melacak bug terselubung dan membuat perbaikan di berbagai proyek perangkat lunak berskala besar. Bagi tim keamanan, model ini menjanjikan asisten yang dapat terus menangani masalah meski berkali-kali menemui jalan buntu, alih-alih sekadar menyarankan jawaban lalu berhenti.

Peluncuran Carbon juga menyingkap dilema praktis. Kemampuan menemukan dan mengeksploitasi kelemahan perangkat lunak dapat membantu pembela memperbaiki sistem, tetapi juga memberi kemampuan berguna kepada penyerang. Google mengikuti pengujian sukarela oleh pemerintah Amerika Serikat sebelum peluncuran dan akan memperluas akses secara bertahap melalui Program Fairwind.

Gambaran paling berguna muncul saat semua hasil disandingkan: Carbon memimpin indeks kecerdasan umum dan beberapa uji keamanan, tetapi tertinggal dari pesaing dalam sejumlah tugas pemrograman. Peningkatan keandalan internal Google juga beriringan dengan hasil pengujian eksternal yang menunjukkan tingkat jawaban rekaan meningkat dibandingkan Argon.

Makna skor keamanan siber

Google melaporkan tiga hasil utama di bidang keamanan: 88.2% pada SEC-bench Pro, 54.8% pada ExploitGym, dan 71.0% pada CWE-bench milik Collinear. Masing-masing mengukur bagian berbeda dari pekerjaan pembela keamanan.

SEC-bench Pro menguji kemampuan model menemukan kerentanan dalam perangkat lunak nyata. Kerentanan adalah kelemahan yang dapat memungkinkan seseorang mengakses informasi, mengubah sistem, atau mengganggu operasinya. Google menyatakan Carbon memimpin evaluasi ini dengan menemukan celah kompleks yang tersembunyi di dalam perangkat lunak.

ExploitGym menguji tahap berikutnya: mengubah kelemahan menjadi eksploit yang berfungsi. Eksploit adalah cara memanfaatkan celah agar sistem berperilaku di luar semestinya. Tim keamanan menggunakan eksploitasi terkendali untuk memeriksa kelemahan mana yang menimbulkan bahaya langsung dan perlu diperbaiki lebih dahulu.

CWE-bench mengukur penambalan, yakni penulisan kode untuk memperbaiki masalah yang mendasarinya. Skor Carbon sebesar 71.0% menyoroti penyelesaian perbaikan, bukan sekadar menunjukkan kode yang mencurigakan.

Google menyatakan tolok ukur keamanan siber eksternal ini dijalankan tanpa guardrail, artinya pembatas perlindungan yang digunakan untuk membatasi tindakan model saat diterapkan tidak aktif selama evaluasi tersebut. Skornya menggambarkan kinerja dalam kondisi pengujian itu; akses melalui produk Google akan dilengkapi kontrol keselamatan.

Google juga melaporkan tingkat keberhasilan Carbon dalam menghasilkan kode aman pada tolok ukur internal lebih dari dua kali lipat Argon. Tim Chrome-nya menyatakan Carbon berkinerja lebih dari 10 kali lebih baik dalam menghasilkan tambalan berkualitas tinggi dibandingkan model frontier besar dari laboratorium pesaing yang tidak disebutkan namanya. Temuan internal tentang kode aman itu belum direplikasi secara independen, dan Google tidak menyebutkan model pesaing dalam perbandingan tersebut.

Peringkat pertama bukan berarti menang di setiap tugas

Artificial Analysis memberi Carbon 59 poin pada Intelligence Index v5.0, dibandingkan 58 untuk Claude Opus 5.5 dan 57 untuk GPT-6 Astra. Dengan demikian, Carbon unggul satu poin dari Opus dan dua poin dari Astra, selisih yang lebih tipis dibandingkan hasil perbandingan keamanan siber terbaik Google.

Indeks tersebut menggabungkan sembilan evaluasi, dan Carbon memimpin dalam empat di antaranya: HLE-Diamond, TB-Science, AA-Omniscience, dan AutomationBench. Artificial Analysis menyatakan 60% dari indeks yang telah diperbarui menggunakan pengujian privat, yang pertanyaannya tidak disebarluaskan kepada publik.

Hasil pemrogramannya lebih beragam. Carbon yang dipasangkan dengan Antigravity CLI milik Google meraih skor 59 pada Coding Agent Index, sedangkan Claude Code yang dipasangkan dengan Opus 5.5 meraih 62. Agen pemrograman menggabungkan model dengan alat untuk memeriksa berkas, menjalankan perintah, dan menyunting perangkat lunak, sehingga perangkat lunak pendamping turut memengaruhi hasil.

Carbon meraih skor 51% pada FrontierCode v1.1, tertinggal dari Opus yang memperoleh 56%. Pada FrontierSWE, skornya 61.2%, dibandingkan 65.5% untuk GPT-6 Astra, 62.3% untuk Opus 5.5, dan 61.9% untuk Sonnet 5.5. Perbandingan ini memberi pengembang alasan konkret untuk melihat tugas yang paling mendekati pekerjaan mereka, selain peringkat umum.

Pengembangan web juga menunjukkan kemajuan. Pengumuman Google menempatkan Carbon di posisi keempat pada WebDev Arena dengan 1,768 poin Elo setelah naik 89 poin. Elo adalah sistem pemeringkatan berdasarkan kinerja komparatif. Carbon juga menempati posisi pertama di Text Arena dengan skor 1,528 dan posisi kedua di Agent Arena, memperluas kinerjanya yang kuat melampaui keamanan.

Bekerja berhari-hari, bukan menjawab sekali

Google merancang Carbon untuk alur kerja agen berkelanjutan, yaitu ketika sistem AI menjalankan serangkaian tindakan untuk mencapai suatu tujuan. Dalam rekayasa perangkat lunak, ini bisa berarti memeriksa proyek, merumuskan penjelasan atas bug, mengubah kode, menjalankan pengujian, lalu memperbaiki ulang solusi saat pengujian gagal.

Tim internal Google menyatakan Carbon mampu mengerjakan tugas kompleks selama berhari-hari, termasuk tugas yang melibatkan basis kode besar dan sistem tingkat rendah. Perusahaan menggambarkannya sebagai model yang dapat terus bekerja meski menemui jalan buntu, fitur penting ketika penjelasan pertama yang tampak masuk akal ternyata keliru.

Spesifikasi yang dilaporkan mencantumkan jendela konteks satu juta token dan keluaran maksimum satu juta token. Token adalah bagian-bagian kecil teks yang diproses model. Jendela konteks adalah jumlah informasi yang dapat dipertimbangkannya sekaligus, termasuk instruksi dan materi yang diberikan untuk suatu tugas.

Carbon dilaporkan menerima teks, gambar, video, dan ucapan, serta menghasilkan teks. Jenis masukan ini memungkinkan satu tugas mencakup laporan bug tertulis, tangkapan layar, dan rekaman perilaku perangkat lunak yang tidak semestinya dalam alur kerja yang sama.

Kinerja di luar pemrograman bervariasi. Carbon meraih 1,609 Elo pada evaluasi pekerjaan berbasis pengetahuan AA-Briefcase, naik 126 poin dari Argon, tetapi masih tertinggal dari Grok 4.7, Muse Wonder, dan Kimi K3.1 Pro. Model ini berada di posisi kedua pada Vals Index dan pertama pada Finance Index serta Legal Research Benchmark. Ragam hasil ini menunjukkan bahwa pilihan perusahaan dapat bergantung pada kebutuhannya, mulai dari perbaikan perangkat lunak hingga analisis dokumen atau tugas tertentu lainnya.

Uji keselamatan membedakan upaya menyontek dari kecurangan yang berhasil

Google melaporkan tingkat keberhasilan menyontek sebesar 0.0% pada Terminal-Bench 4.0, dengan upaya menyontek sebesar 0.4%. Kedua angka itu menggambarkan perilaku yang berbeda: apakah model mencoba mengambil jalan pintas yang tidak semestinya dan apakah upaya itu berhasil.

Google menyatakan Carbon meningkatkan akurasi tugas sekaligus mengurangi jalan pintas tersebut. Dalam pekerjaan pemrograman langsung bersama timnya sendiri, peringatan terkait penyimpangan serius dari perilaku yang diharapkan turun hampir 80%.

Injeksi prompt juga menjadi perhatian. Serangan ini menyisipkan instruksi ke dalam materi yang seharusnya dibaca AI, seperti halaman web atau berkas, untuk mengalihkannya dari tugas pengguna. Asisten yang memeriksa suatu proyek mungkin menemukan teks yang menyuruhnya mengabaikan instruksi atau membocorkan informasi.

Carbon mencatat tingkat keberhasilan serangan 0.0% dalam Indirect Prompt Injection Benchmark milik Gray Swan. Angka pembandingnya adalah 0.7% untuk Argon, 1% untuk Claude Opus 5.5, dan 8.5% untuk GPT-6 Astra. Hasil Google berarti semua percobaan serangan yang dievaluasi berhasil ditahan dalam pengujian itu.

Google menyatakan Carbon menggabungkan pelatihan model dengan perlindungan terhadap penyalahgunaan saat dioperasikan, ketahanan terhadap injeksi prompt, serta pemantauan proses penalarannya. Peluncuran terbatas tahap awal akan memungkinkan perusahaan mengumpulkan masukan dan menyesuaikan perlindungan tersebut saat sejumlah pembela terpilih menggunakannya.

Keandalan meningkat secara internal, tetapi memburuk pada satu pengukuran eksternal

Google menyatakan Carbon mengurangi klaim tanpa dukungan bukti sekitar setengahnya dibandingkan Argon dalam pengujian internal. Menurut perusahaan, model ini lebih mungkin menjelaskan bukti yang belum tersedia, mencantumkan persyaratan yang belum terpenuhi, dan menandai informasi yang bertentangan sebelum bertindak.

Google juga melaporkan penurunan overreach sebesar 26% dan under-service sebesar 29%. Dalam istilah sehari-hari, Carbon disebut lebih jarang bertindak melampaui instruksi pengguna dan lebih jarang berhenti sebelum menyelesaikan pekerjaan yang diminta.

Artificial Analysis mencatat perubahan berbeda pada evaluasi Omniscience: tingkat halusinasi Carbon naik menjadi 11%, dari 4% pada Argon. Halusinasi adalah jawaban yang menyajikan informasi rekaan atau keliru sebagai fakta. Carbon tetap memiliki tingkat terukur terendah kedua dalam perbandingan itu, sementara Opus 5.5 dan Astra sama-sama berada di angka 50%.

Carbon memimpin evaluasi Omniscience dengan skor 54 meski tingkat halusinasinya lebih tinggi. Model dapat mencatat kemajuan dengan menjawab lebih banyak pertanyaan secara benar, sekaligus membuat lebih banyak kesalahan ketika mencoba menjawab pertanyaan yang sebelumnya dihindarinya. Pengukuran klaim tanpa dukungan bukti oleh Google secara internal dan pengukuran halusinasi eksternal menggunakan evaluasi berbeda, sehingga pengguna perlu mempertimbangkan dua hasil keandalan yang terpisah.

Bagi tim keamanan, memeriksa hasil tetap menjadi bagian dari pekerjaan. Kerentanan yang diklaim perlu diperiksa, dan tambalan yang diusulkan perlu diuji terhadap perangkat lunak yang diubahnya. Peningkatan yang diklaim Google secara khusus menyasar situasi ketika asisten mungkin terlalu cepat mengklaim berhasil atau bertindak di luar lingkup yang diminta.

Siapa yang mendapat akses, dan kapan?

Google menyatakan sejumlah pembela siber akan menerima Carbon pada pekan pengumuman model itu, 28 Oktober. Mitra tepercaya lainnya akan mendapat akses secara bertahap melalui Fairwind, disusul pengembang, bisnis, dan konsumen melalui produk Google.

Urutan yang diumumkan adalah:

• Sekitar dua minggu sebelum Carbon: Google meluncurkan Gemini 4 Argon, yang kemudian tersedia di aplikasi Gemini dan mode penelusuran AI.
• 28 Oktober 2026: Google menerbitkan pengumuman Carbon dan hasil tolok ukurnya.
• Pekan 28 Oktober: Sejumlah pembela siber terpilih mulai menerima akses.
• Tahap selanjutnya: Google memperluas akses melalui Fairwind sebelum ketersediaan yang lebih luas melalui produk.

Google mengikuti proses sukarela pemerintah Amerika Serikat untuk menguji model sebelum diluncurkan. Pengumumannya tidak menyebutkan tanggal akses publik yang luas ataupun berakhirnya harga perkenalan Carbon.

Pengguna AI Ultra dan pengembang Gemini API disebut-sebut sebagai calon pengguna awal, tetapi komitmen peluncuran yang dipublikasikan Google hanya menyebut kelompok pengembang, bisnis, dan konsumen yang lebih luas tanpa memastikan urutannya.

Keputusan untuk memulai dengan pembela siber diambil di tengah meningkatnya kekhawatiran akan penyalahgunaan AI. Peneliti ancaman Google telah mendokumentasikan kelompok yang didukung Iran, Korea Utara, Rusia, dan China yang bereksperimen dengan Gemini, terutama untuk riset dan bantuan pemrograman. Kepala DeepMind, Demis Hassabis, menyebut peretasan terbaru menggunakan agen AI sebagai peringatan dini.

Biaya Carbon bagi pengembang

Harga API perkenalan Carbon adalah $2 per satu juta token masukan dan $10 per satu juta token keluaran, sama dengan harga peluncuran Argon. API memungkinkan pengembang menghubungkan model ke perangkat lunak mereka sendiri. Masukan adalah materi yang dikirim ke Carbon; keluaran adalah materi yang dihasilkan model.

Setelah masa perkenalan, harga yang tercantum naik dua kali lipat menjadi $4 per satu juta token masukan dan $20 per satu juta token keluaran. Dengan demikian, tugas yang menggunakan satu juta token masukan dan satu juta token keluaran akan berbiaya $12 dengan harga perkenalan dan $24 dengan harga standar, sebelum memperhitungkan caching atau penyesuaian lain.

Google menyatakan masukan yang di-cache mendapat diskon 95%. Caching memungkinkan layanan menggunakan kembali materi yang sudah diproses, sehingga biaya dapat berkurang ketika dokumen besar atau proyek perangkat lunak yang sama dikirim berulang kali. Dengan diskon tersebut, biayanya menjadi $0.10 per satu juta token masukan yang di-cache pada harga masukan perkenalan dan $0.20 pada harga standar.

Pengeluaran yang terukur juga bergantung pada jumlah teks yang dihasilkan model untuk menyelesaikan tugas. Artificial Analysis mencantumkan biaya Carbon sebesar $7.76 per tugas indeks, dibandingkan $10.04 untuk Opus 5.5 dan $6.25 untuk GPT-6 Astra. Dalam evaluasi itu, Carbon menggunakan sekitar 123,000 token keluaran per tugas, 29% lebih sedikit daripada Opus.

Pola berbeda dapat muncul pada beban kerja lainnya. Vals mencatat Carbon menghasilkan token keluaran 64% lebih banyak daripada Argon, terutama pada tugas keuangan, pajak, dan hukum. Karena itu, pengembang yang menyusun anggaran untuk Carbon perlu mempertimbangkan harga token sekaligus jumlah pekerjaan yang diselesaikannya untuk setiap tugas.

Poin Utama

• Gemini 4 Carbon memimpin Artificial Analysis Intelligence Index v5.0 dengan 59 poin, mengungguli Opus 5.5 yang meraih 58 poin dan GPT-6 Astra yang meraih 57 poin.
• Google melaporkan skor keamanan 88.2% untuk menemukan kerentanan, 54.8% untuk eksploitasi, dan 71.0% untuk penambalan.
• Carbon tertinggal dari kombinasi model dan alat pesaing dalam sejumlah evaluasi pemrograman.
• Google melaporkan tidak ada kecurangan yang berhasil pada Terminal-Bench 4.0 maupun serangan yang berhasil dalam uji injeksi prompt Gray Swan yang dievaluasi.
• Klaim tanpa dukungan bukti secara internal berkurang sekitar setengahnya, sementara pengukuran halusinasi eksternal naik dari 4% pada Argon menjadi 11% pada Carbon.
• Pembela siber terpilih mendapat akses lebih dahulu, lalu akses diperluas melalui Fairwind sebelum tersedia lebih luas.
• Harga perkenalan API adalah $2 per satu juta token masukan dan $10 per satu juta token keluaran, lalu naik menjadi $4 dan $20.