Google открыла Gemini 4 Carbon: $7,76 за решённую задачу и 0% взломов в тесте на инъекции

Две недели назад казалось, что Google снова вырвалась вперёд. Потом Anthropic выпустила Fable 5.2, и Carbon, едва дойдя до общего доступа, уже выглядит не такой свежей. Цикл моделей сейчас крутится так быстро, что релиз устаревает ещё до выхода из беты. Но разработчику важнее не гонка заголовков, а практический вопрос: что подключать и сколько это будет стоить.

Не замена Argon, а инструмент для трудных задач

Google прямо говорит: для большинства задач разработки и работы со знаниями лучше по-прежнему подходит Argon. Carbon нужен там, где вы упёрлись в потолок интеллекта модели: сложная многошаговая отладка, открытые научные исследования, длинные циклы проверки результата. Токен у обеих моделей стоит одинаково, но Carbon рассуждает глубже и дольше проверяет себя, поэтому генерирует больше токенов. Итоговый счёт на той же задаче почти наверняка будет выше, чем у Argon.

Теперь цифры. В тесте Artificial Analysis Carbon обходится в $7,76 за решённую задачу по стандартной цене ($4 за млн входных и $20 за млн выходных токенов). Это дешевле старой бюджетной Flash 3.8, а работает модель лучше. Для сравнения: Opus 5.5 Max — $10,04, GPT-6 Astra Max — $6,25, Fable 5.2 на максимуме — $26,50. На уровне High Fable 5.2 стоит около $9 за задачу, но всё равно впереди на два пункта (62 против 60). Вводная цена Google сейчас вдвое ниже стандартной: $2 и $10.

На CursorBench 4.0 Carbon занял первое место с результатом чуть меньше 60%. Он же лидирует на WANDR от Perplexity и AutomationBench от Zapier, причём стоит меньше половины от цены ближайшего конкурента, Fable 5.2. В новом бенчмарке MKA по плотным документам с графиками, чертежами и таблицами Carbon второй, зато дешевле лидера более чем в шесть раз.

Рой агентов: красиво, но спорно

Вместе с моделью Google показала режим /swarm в Antigravity, своём аналоге Claude Code. Один промпт превращается в команду агентов, за работой которой можно следить в реальном времени. Carbon берёт роли, где нужно глубокое мышление: архитектуру, координацию, аудит. Быстрые лёгкие модели параллельно работают в изолированных окружениях, а часть из них играет роль скептиков-верификаторов, которые пытаются сломать результат.

Представьте рефакторинг сервиса. Carbon режет задачу на части, мелкие модели правят модули одновременно, другие гоняют тесты и ищут ошибки. В демо Google показала 3D-игру про пеликана на велосипеде по кампусу в Маунтин-Вью, реконструкцию строительства Эйфелевой башни и играбельное фортепиано XVIII века. Окупаются ли такие рои, индустрия пока спорит: OpenAI и Anthropic звучат осторожно, исследователи скептичны. Главный выигрыш — скорость за счёт параллелизма, но оркестрация сложная.

Безопасность: громкие цифры с оговорками

Во время раннего доступа через программу Fairwind Carbon нашёл реальные zero-day уязвимости у двух крупных SaaS-провайдеров меньше чем за два часа (в рамках программы Wiz Scan for Good). Команда Google Cloud Security с его помощью написала рабочие эксплойты для двух известных багов в популярном open-source проекте. В системе Project Fortify доля найденных уязвимостей выросла более чем на 25% по сравнению с Argon. Но лидерство в SEC-bench Pro, ExploitGym и CWE-bench v1 относится только к версии из Fairwind, а конкретных цифр Google не раскрывает.

По заявлениям Google, в собственном тесте на честность из 375 заданий Carbon проходит 92% (Argon — 70%) и в 98% случаев отказывается выдумывать недостающие экспериментальные данные. В симуляциях атак он закрыл 99% путей от адаптивных red-team-агентов, а шанс прорыва за попытку упал с 3,1% до 0,8%. Внешние тестировщики из Trajectory Labs за 132 часа и более 13 000 запросов не нашли ни одного универсального джейлбрейка. На Gray Swan IPI успешных prompt injection — 0%. Это не значит, что проблема решена: возможно, тест просто насытился. Но для агентов с доступом к почте, браузеру и коду сдвиг заметный.

Что делать на практике

Оставьте Argon моделью по умолчанию, а Carbon подключайте точечно: для сложной отладки, аудита кода и исследовательских задач. Сравнивайте не цену за токен, а цену за решённую задачу на ваших данных: бенчмарки публикует сам вендор, а лишние токены на глубоких рассуждениях легко съедят всю экономию. Скоро ожидается Flash-версия Gemini 4, так что с дешёвыми сценариями можно подождать. Рои агентов пока стоит пробовать на изолированных задачах с понятным критерием успеха. И не снимайте защиту: песочницы и минимальные права для агентов нужны даже при нулевом результате в одном тесте.