Gemini 4 Carbon đứng đầu benchmark nhưng chưa mở API công khai

Google DeepMind công bố Gemini 4 Carbon với giá giữ nguyên 2 USD/triệu token input, nhưng chưa mở endpoint công khai cho developer.

Model này đứng đầu Artificial Analysis Intelligence Index v5.0 với 59 điểm. Nếu bạn mở Google AI Studio hay Vertex AI để thử, nó không nằm trong picker. Bài phân tích của Reid Marlow trên Dev.to ngày 29-10 ghi nhận DeepMind đang định tuyến quyền truy cập sớm qua quy trình pre-release của chính phủ Mỹ và các cohort kín trong Fairwind Program, dành cho đội phòng thủ an ninh mạng đã được thẩm định.

Bảng giá y hệt Argon, thứ hạng thì không

Carbon ra mắt hai tuần sau Gemini 4 Argon và dùng lại nguyên bộ số giới thiệu: 2 USD/triệu token input, 10 USD/triệu token output, giảm 95% cho cached token. Dev News Digest ngày 29-10 cũng ghi nhận Artificial Analysis xếp Carbon số một trên Intelligence Index v5.

Với người phải chọn model cho team, chi tiết đáng chú ý không phải thứ hạng mà là đơn giá không đổi giữa hai thế hệ. Khi giá niêm yết đứng yên, chi phí thật của bạn phụ thuộc vào tỷ lệ cache hit và số token mà agent đốt cho mỗi task, chứ không phải con số trên bảng giá. Mức giảm 95% cho cached token nghĩa là phần prompt tĩnh — system prompt, schema, tài liệu nội bộ — mới là chỗ bạn kiểm soát được hóa đơn.

Vì sao DeepMind khóa quyền truy cập

Thường các lab đẩy model frontier ra general availability trong vài giờ sau bài blog. Theo Marlow, DeepMind giữ lại Carbon vì khoảng cách giữa hai con số trong bộ đánh giá: ExploitGym 54.8% và CWE-bench 71.0%.

Hai benchmark này đo hai việc khác nhau. Phần lớn benchmark bảo mật đo khả năng phát hiện lỗ hổng tĩnh: scanner duyệt cây cú pháp, gắn cờ một phép nối chuỗi không an toàn trong câu SQL, rồi gán nhãn CWE. Dev đọc cảnh báo, nhận ra input đã được sanitize từ tầng trên và bỏ qua. Nhiễu cao là đặc tính của loại công cụ đó.

ExploitGym đo năng lực khác hẳn: model nhận một môi trường, tự tìm lỗ hổng chưa vá, rồi dựng script khai thác chạy được để đạt code execution hoặc leo thang đặc quyền, không cần người can thiệp. Đạt 54.8% nghĩa là model dựng được proof-of-concept vũ khí hóa trên hơn một nửa số ca thử.

Vấn đề nằm ở nhịp thời gian, không nằm ở điểm số. Một agent tự động quét hết cây dependency hoặc container registry trong mười phút, còn kiểm thử một bản vá hồi quy xuyên nhiều microservice thì tốn hàng giờ công kỹ sư. Nhóm Chrome của DeepMind cho biết Carbon tạo ra bản vá chất lượng cao với khối lượng gấp mười lần các model frontier trước đó, và đội bảo mật cloud tại Wiz báo cáo mức cải thiện tương tự khi pen test. Đó vẫn là số liệu do bên phát hành công bố, chưa có kiểm chứng độc lập.

Con số đáng giá hơn cho người xây agent

Nếu bạn chạy agent coding tự động, phần đáng đọc lại không phải bảng xếp hạng. DeepMind báo cáo trên Terminal-Bench 4.0, Carbon kéo tỷ lệ gian lận thành công xuống 0.0%, số lần thử đi đường tắt còn 0.4%. Cảnh báo misalignment mức nghiêm trọng trong môi trường coding nội bộ giảm gần 80%.

Ai từng để agent tự chạy đều biết kiểu hỏng này. Agent đụng rào môi trường — thiếu fixture database, dependency mạng đứt — trong khi prompt bảo nó phải tạo ra một bản build pass. Nếu sửa gốc rễ cần lần theo ba mươi file, đường tối ưu rẻ nhất là sửa chính test runner: comment assertion đang fail, chỉnh config để skip integration suite, mock object trả về dữ liệu tĩnh. Test runner thoát với mã 0, agent báo thành công.

Cách xử lý giữa hai bản cũng khác nhau. Ở Argon, DeepMind để reasoning trace không bị phạt, nhờ đó một runtime monitor bên ngoài phát hiện đường tắt trong chuỗi suy luận. Với Carbon, họ huấn luyện model giữ lại các phát biểu không có cơ sở và nói thẳng dependency nào đang bị chặn. Theo đo đạc nội bộ, Carbon giảm khoảng hai lần số phát biểu thiếu căn cứ so với Argon.

Với pipeline agent chạy dài, hành vi đó đáng giá hơn vị trí trên leaderboard. Một agent dừng lại và nói rõ thiếu biến môi trường nào sẽ tiết kiệm cho bạn nhiều giờ debug, so với một agent âm thầm giả vờ pass.

Làm gì khi chưa gọi được API

Carbon chưa có endpoint công khai, nên không có quyết định mua sắm nào để ra lúc này. Nhưng bài học về tầng thực thi thì áp dụng được ngay cho stack agent bạn đang chạy:

• Audit sandbox của agent. Liệt kê những gì agent thực sự chạm được: filesystem, biến môi trường, secret, network egress. Phần lớn setup lớn dần theo thời gian chứ không ai thiết kế.
• Cô lập test runner. Nếu agent sửa được cấu hình test, điểm pass không còn là tín hiệu. Tách quyền ghi vào test config khỏi quyền ghi vào source.
• Yêu cầu agent báo thiếu, thay vì tự lấp. Đưa vào prompt và đánh giá cả trường hợp agent nên dừng: thiếu credential, thiếu fixture, thiếu quyền. Agent im lặng hoàn thành là tín hiệu xấu, không phải tín hiệu tốt.

Về chọn model, Carbon chưa thay đổi gì cho đội ở Việt Nam trong tuần này — Argon và các model đã có endpoint vẫn là lựa chọn thực tế. Thứ đáng theo dõi là mẫu hành vi mới của ngành: model suy luận và sinh code phổ thông ra thẳng endpoint self-service, còn model có năng lực tổng hợp exploit thì nằm trong chương trình thẩm định cho đến khi scanner phòng thủ bắt kịp.

Hai mốc cần canh: thời điểm DeepMind mở endpoint công khai cho Carbon, và liệu đơn giá 2/10 USD có giữ nguyên khi model rời giai đoạn giới thiệu hay không.