Google hat am Mittwoch Gemini 4 Carbon vorgestellt – das zweite Frontier-Modell binnen zwei Wochen und das erste, das der Konzern ausdrücklich als Werkzeug zur Cyber-Verteidigung positioniert statt als allgemeinen Assistenten. Laut Google führt Carbon den aktualisierten Artificial Analysis Intelligence Index v5.0 mit 59 Punkten an und erzielt Spitzenwerte in allen drei Phasen des Schwachstellen-Lebenszyklus: 88,2 % bei SEC-bench Pro für das Finden echter Fehler in echter Software, 54,8 % bei ExploitGym für die Bestätigung, welche davon tatsächlich ausnutzbar sind, und 71,0 % bei Collinears CWE-bench für die Umwandlung eines bestätigten Fundes in einen funktionierenden Patch.
Die Veröffentlichung kommt zwei Wochen nach Gemini 4 Argon, und Google inszeniert den Abstand selbst als Botschaft. „Carbon zeigt, wie schnell wir die Grenze verschieben“, schreibt Koray Kavukcuoglu in der Ankündigung und ergänzt, Forscher und Modelle arbeiteten inzwischen „Hand in Hand“. Beim Programmieren meldet das Unternehmen einen Sprung um 89 Elo-Punkte auf 1769 in der WebDev Arena, was Platz vier bedeutet, und berichtet, interne Teams hätten Carbon tagelang laufen lassen, während es Fehlerursachen in großen Codebasen und in systemnaher Software suchte.
Ungewöhnlich ist der Rollout. Carbon geht noch nicht an Entwickler, Unternehmen oder Verbraucher. „Ab dieser Woche machen wir Carbon einer Teilgruppe von Cyber-Verteidigern zugänglich“, heißt es; breiterer Zugang soll schrittweise über das bestehende Fairwind-Partnerprogramm folgen. Google erklärt außerdem, am freiwilligen Vorab-Testverfahren der US-Regierung teilzunehmen – ein Schritt, der für jedes Labor, das sicherheitsfähige Modelle in kritische Infrastruktur bringt, de facto Pflicht geworden ist.
Der Preis entspricht dem Einstiegstarif von Argon: 2 Dollar pro Million Eingabe-Token und 10 Dollar pro Million Ausgabe-Token, zwischengespeicherte Eingabe-Token mit 95 % Rabatt auf den Eingabepreis. Das ist ein bewusstes Signal. Wenn ein Router oder Agenten-Framework Labore nach Kosten auswählt, soll Googles neuestes Modell die günstige Option sein, nicht die teure.
Die Sicherheitszahlen sind so interessant wie die Fähigkeitszahlen, weil Google sie freiwillig veröffentlicht. Bei Terminal-Bench 4.0 fiel erfolgreiches Schummeln auf 0,0 %, die Versuche auf 0,4 %, bei gestiegener Genauigkeit. In internen Live-Coding-Umgebungen sanken Warnungen wegen schwerwiegender Fehlausrichtung um fast 80 %. Unbelegte Behauptungen halbierten sich gegenüber Argon. Übergriffigkeit sank um 26 %, Unterversorgung um 29 % – jenes Paar, das entscheidet, ob eine mehrstufige Aufgabe abgeschlossen oder stillschweigend fallen gelassen wird. Beim Benchmark für indirekte Prompt-Injection von Gray Swan meldet Carbon 0,0 % Erfolgsquote, nach 0,7 % bei Argon. Das Chrome-Team berichtet, Carbon habe intern „mehr als 10X“ bessere Patches erzeugt als das große Frontier-Modell eines anderen Labors; Wiz sieht es bei Web-Penetrationstests vorn.
Alle diese Werte sind Herstellerangaben. Google kennzeichnet die externen Sicherheits-Benchmarks als ohne Guardrails evaluiert – die ehrliche Art, eine Fähigkeitsnote zu nennen, zugleich aber die Zahl mit der geringsten Aussagekraft im Produktivbetrieb, wo Guardrails gerade der Punkt sind. Nichts davon ist bislang unabhängig reproduziert, und der Artificial-Analysis-Index – von Dritten erhoben, aber überwiegend aus Hersteller-Evaluationen gespeist – ist eine Rangliste, kein Audit.
Das tieferliegende Spannungsverhältnis ist strukturell. Ein Modell, das autonom 88,2 % der Schwachstellen realer Software findet, ist per Konstruktion ein Modell, das sich auch auf Software richten lässt, die sein Betreiber nicht besitzt. Googles Antwort ist nicht, die Fähigkeit zu senken, sondern den Zugang zu begrenzen: erst eine kleine Gruppe von Verteidigern, dann ein Partnerprogramm, alle anderen später. Das funktioniert nur, solange das Tor hält – und Tore haben in diesem Markt bisher Monate gehalten, nicht Jahre.
Zu beobachten bleibt: ob Carbon zum Argon-Preis allgemein verfügbar wird, ob unabhängige Forscher die SEC-bench- und ExploitGym-Werte reproduzieren, und ob die Fairwind-Gruppe veröffentlicht, was das Modell in ihren eigenen Systemen gefunden hat. Nur der letzte Punkt beantwortet die eigentliche Frage – ob ein Benchmark-Vorsprung zu weniger kompromittierten Systemen führt.
