Gemini 4 Carbon：長期エージェント作業、/swarmプレビュー

1. 長時間の作業を狙う上位モデル

Carbonは、複雑なコーディングやデバッグ、オープンエンドな科学研究など、複数段階の探索と検証を続ける作業を想定している。Googleはこのため、CarbonがArgonより多くのトークンを使うと説明した。

開発者はGoogleの開発ツールの有料APIで、企業はGemini for businessを通じて利用できる。

Google AI Ultraの加入者には、開発ツールとGeminiアプリ、検索のAIモードでも順次提供される。

API価格はArgonと同じ導入価格で、入力100万トークン当たり2ドル、出力100万トークン当たり10ドルとなる。

2. 1回のリクエストをエージェントチームへ拡張

Google Antigravityでプレビュー提供される/swarmは、1回のリクエストを協力するエージェントチームに変え、進捗をリアルタイムで表示する。

Carbonは設計・調整・監査を担い、より高速で軽量なモデルは互いに分離されたワークスペースで同時に作業できる。チームリーダーが作業を分けるように役割を配分し、変更内容をテストする検証エージェントも配置する仕組みだ。

使用形式は次のとおり。

/swarm

Googleが挙げた事例では、写真と設計図を基に、エッフェル塔の1887～1889年の建設過程を描く3次元展示を作成した。また、都市議会の計画文書7件から抽出した設計図206点と単一のプロンプトを使い、Google AntigravityのエージェントチームがGoogle Platform 37のオフィスを、3次元形状を構成する面の数である906K個の三角形で再構成した。この作業は夜間のループ10回にわたって行われた。

3. 実務ベンチマークとコストのバランス

同社の発表によると、Carbonは性能を比較する評価であるCursorBench 4.0ベンチマークで1位を記録した。

PerplexityのWANDRとZapierのAutomationBenchでも、同社の発表によると1位だった。この3つの評価では、タスク当たりのコストが外部の次点モデルの半分未満だった。

文書の図表や画像まで扱い、複数形式の情報を一緒に処理するマルチモーダル知識エージェントのベンチマークでは、同社の発表によると2位だった。Artificial Analysisと作成したこの評価では、タスク当たりの平均コストが最高性能モデルの6分の1未満だった。

公開前の金融評価では、同社の発表によるとHebbiaの詳細な金融調査の評価で、テストされた最高モデルと同等だった。Balyasny Asset Managementの評価では、23の高性能モデル設定の中で最上位だった。

業務評価では低いタスク当たりコストをアピールする一方、CarbonはArgonより多くのトークンを使って探索と検証を続ける。同じトークン単価でも使用量によって作業ごとの請求額が変わるため、開発者は複雑な問題を解決する利益とトークン支出を併せて検討する必要がある。一般的な開発・知識業務にはArgonを、複雑な問題にはCarbonを配置するのが、Googleが示した選択基準だ。

4. セキュリティと科学研究で示した結果

Googleによると、Carbon for cyberはFairwindプログラムを通じてセキュリティの防御担当者に提供され、脆弱性の探索・悪用・修正に関するベンチマークで優位に立つ。Project Fortifyの社内評価では、実際の脆弱性のうち発見できた割合であるスキャン再現率が100%、脆弱性の判定が正確だった割合である分類適合率が95%だった。オープンソースリポジトリのテストでは、Argonの再現率より相対的に25%超改善したと発表した。

Googleは、自社の脆弱性研究チームが公開ソフトウェアのバグ2件について悪用可能性を実証し、管理者が重大な等級に再分類して修正したと説明した。

WizのScan for Goodプログラムでは、インターネット経由で提供されるサービス型ソフトウェアの主要プロバイダー2社を調べ、2時間以内に、修正版がまだないセキュリティ上の欠陥であるゼロデイ脆弱性を発見した事例も紹介した。

Googleによると、Axiom Bioは基礎研究を医薬品や治療法の開発につなげるトランスレーショナルサイエンス分野でCarbonを先導的なモデルと評価し、物質が害を引き起こす生物学的過程である新たな毒性作用機序を発見した。

同社の発表によると、正解を隠して評価するCASP17のブラインドテストで、類似タンパク質が少ない7つのタンパク質群では、進化的に関連するタンパク質の検索量が平均40倍に増えた。タンパク質の形状を計算する構造予測モデルを再学習するのではなく、予測の参考となる手掛かりをより多く見つける方式だ。

5. 安全性評価で確認された変化

同社の発表によると、攻撃計画を修正して再試行する模擬サイバー攻撃のテストで、Carbonは攻撃経路の99%を遮断した。試行当たりの侵害率はArgonが3.1%、Carbonが0.8%だった。

Gray Swanの自動サイバー攻撃クエリの成功率は、同社の発表によるとArgonが9.86%、Carbonが2.17%だった。

Trajectory Labsは、132時間にわたる1万3000件超のリクエストで、複数のリクエストに広く通用する新たな安全対策の回避手法は見つからなかったと報告した。

同社の発表によると、375の課題によるエージェントの誠実性評価では、Carbonの合格率がArgonより高かった。欠落データを捏造しないか、方法論の欠陥を指摘するかも調べた。

表：エージェントの誠実性評価の結果

条件：Googleの375課題によるエージェント誠実性ベンチマーク、同社発表に基づく

単位：%

この誠実性評価では、課題の完遂だけでなく、欠落データや誤った研究手法に対応する行動も調べた。

タンパク質検索のより広範な評価は進行中だ。Googleは、外部文書などに隠された指示でエージェントを誘導する攻撃であるプロンプトインジェクションについても、巧妙な攻撃がある一部の環境では改善の余地があると述べた。

Carbonは複数段階の作業をチーム単位へ拡張する選択肢を開いたが、投入するトークンと作業の複雑さに応じてモデルを使い分けることが鍵となる。