Google DeepMind dévoile Gemini 4 Carbon, deux semaines après Argon

Google DeepMind a mis en ligne Gemini 4 Carbon, son nouveau modèle de frontière, seulement deux semaines après la sortie d'Argon. D'après The Decoder, Carbon s'empare de la première place de l'Artificial Analysis Intelligence Index v5 avec 59 points, là où Argon en totalise 50.

Le modèle est présenté comme conçu pour des workflows de développement autonomes s'étalant sur plusieurs jours. Google évoque des équipes internes qui l'ont fait tourner sans interruption pendant plusieurs jours, le modèle contournant seul les impasses et traitant des tâches complexes en plusieurs étapes : analyse de cause racine, correction de bugs subtils dans de grandes bases de code et dans des logiciels bas niveau.

Codage agentique : la deuxième place derrière Claude Opus 5.5

Sur l'Artificial Analysis Coding Agent Index, Carbon progresse de 53 à 59 points par rapport à Argon, mais reste trois points derrière Claude Code avec Opus 5.5. Sur le WebDev Arena, le modèle gagne 89 points Elo et se classe quatrième avec 1 769 points.

En travail de connaissance agentique sur AA-Briefcase, Carbon (high) atteint 1 609 Elo, soit 126 points de plus qu'Argon (high, 1 483 Elo), porté par la qualité des présentations (+293 Elo à 1 598) et la qualité analytique (+120 Elo à 1 671). Il demeure devancé par Kimi K3.1 Pro (1 678 Elo), Muse Wonder (max, 1 659 Elo) et Grok 4.7 (xhigh, 1 638 Elo).

La précision des réponses passe de 48 à 58 % face à Argon, tandis que le taux d'hallucination grimpe de 4 à 11 %. Ce niveau reste le deuxième plus bas du classement, Claude Opus 5.5 (max) et GPT-6 Astra (max) se situant chacun à 50 %.

Sécurité : des scores élevés, un accès restreint

Google a fait tourner le modèle sans garde-fous pour plusieurs tests de sécurité. Sur SEC-bench Pro, qui mesure la découverte autonome de vulnérabilités dans des logiciels réels, Carbon atteint 88,2 % et devance tous les modèles testés. Sur ExploitGym, il atteint 54,8 %. Il conserve également une large avance sur CWE-Bench pour la rédaction de correctifs.

Sur le benchmark d'injection indirecte de prompt de Gray Swan, le taux de réussite des attaques chute de 0,7 % avec Argon à 0,0 % avec Carbon. Le test semble toutefois saturé, ce qui ne signifie pas que l'injection de prompt est résolue.

En raison de ces capacités, le modèle passe par le processus volontaire de pré-test du gouvernement américain. « Carbon est conçu pour des problèmes d'ingénierie beaucoup plus difficiles, sur un horizon long », indique Google selon The Decoder. Seuls des experts en cybersécurité sélectionnés y ont accès cette semaine, avant une extension via le programme Fairwind de Google DeepMind.

Tarifs et coûts par tâche

Carbon est lancé au même prix d'introduction qu'Argon : 2 $ par million de tokens d'entrée et 10 $ par million de tokens de sortie, avec une remise de 95 % sur les tokens d'entrée mis en cache. Selon Artificial Analysis, une tâche de l'Intelligence Index coûte 7,76 $ avec Carbon, contre 10,04 $ pour Claude Opus 5.5 (max) et 6,25 $ pour GPT-6 Astra (max). Le modèle consomme en moyenne 123 000 tokens de sortie par tâche, soit 29 % de moins que le modèle d'Anthropic (173 000 tokens).

Sur Vals AI, Carbon se classe deuxième avec 70,36 % de précision, derrière Claude Sonnet 5.5 (70,85 %) et devant Claude Opus 5.5 (70,18 %) et Argon (69,24 %). Il mène aussi le Finance Index et le benchmark de recherche juridique, mais les tâches du Finance and Tax Agent prennent plus de deux fois plus de temps qu'avec Argon, et plus de 50 minutes en moyenne en recherche juridique.