Google dévoile Gemini 4 Carbon, en tête du classement de l’IA, avec un accès limité aux défenseurs de la cybersécurité

Un nouveau leader au classement, mais un accès limité

Google a annoncé Gemini 4 Carbon, un modèle d’intelligence artificielle qui a obtenu 59 points à l’Artificial Analysis Intelligence Index v5.0 et enregistré de solides résultats dans la détection, le test et la correction de failles logicielles. Ses premiers utilisateurs seront des spécialistes de la cybersécurité chargés de la défense, et non le grand public.

L’annonce de Gemini 4 Carbon publiée par l’entreprise le 28 octobre 2026 place le modèle devant Claude Opus 5.5 et GPT-6 Astra dans cet indice général de capacités. Son lancement intervient deux semaines seulement après celui de Gemini 4 Argon, offrant à Google un autre modèle phare avant même que de nombreux utilisateurs aient eu le temps de se familiariser avec son prédécesseur.

Koray Kavukcuoglu, vice-président senior de Google DeepMind et architecte en chef de l’IA chez Google, a décrit les principaux atouts du modèle :

Gemini 4 Carbon est notre modèle le plus performant, doté de capacités de pointe en cybersécurité et pour les tâches de longue durée.

Google affirme que ses équipes internes ont observé Carbon travailler pendant plusieurs jours sur des missions d’ingénierie difficiles, notamment pour traquer des bugs subtils et produire des correctifs dans de grands projets logiciels. Pour les équipes de sécurité, la promesse est celle d’un assistant capable de s’accrocher à un problème malgré plusieurs tentatives infructueuses, au lieu de se contenter de suggérer une réponse puis de s’arrêter.

Le lancement de Carbon met aussi en évidence une tension très concrète. La capacité à découvrir et à exploiter des failles logicielles peut aider les défenseurs à réparer les systèmes, mais aussi fournir des moyens utiles aux attaquants. Avant sa mise à disposition, Google participe à des tests volontaires du gouvernement des États-Unis et prévoit d’élargir progressivement l’accès dans le cadre de son programme Fairwind.

Le tableau le plus instructif se dessine en rapprochant les résultats : Carbon domine un vaste indice d’intelligence et plusieurs tests de sécurité, mais reste derrière ses concurrents pour certaines tâches de programmation. Les améliorations de fiabilité constatées en interne par Google coexistent aussi avec un test externe dans lequel son taux de réponses inventées a augmenté par rapport à Argon.

Ce que mesurent les scores de cybersécurité

Google met en avant trois résultats en matière de sécurité : 88,2 % à SEC-bench Pro, 54,8 % à ExploitGym et 71,0 % au CWE-bench de Collinear. Chacun mesure un aspect différent du travail des défenseurs.

SEC-bench Pro évalue la capacité d’un modèle à détecter des vulnérabilités dans des logiciels réels. Une vulnérabilité est une faiblesse susceptible de permettre à quelqu’un d’accéder à des informations, de modifier un système ou d’en perturber le fonctionnement. Selon Google, Carbon arrive en tête de cette évaluation en repérant des failles complexes dissimulées dans des logiciels.

ExploitGym évalue l’étape suivante : transformer une faiblesse en exploit fonctionnel. Un exploit est une méthode permettant d’utiliser une faille pour amener un système à se comporter d’une manière imprévue. Les équipes de sécurité procèdent à des exploitations contrôlées pour vérifier quelles faiblesses représentent un danger immédiat et doivent être corrigées en priorité.

CWE-bench mesure la capacité à appliquer un correctif, c’est-à-dire à écrire du code qui règle le problème à la source. Le score de 71,0 % obtenu par Carbon met l’accent sur la réalisation de la réparation, et pas seulement sur le signalement de code suspect.

Google précise que ces évaluations externes de cybersécurité ont été réalisées sans garde-fous : les restrictions de protection servant à limiter les actions d’un modèle déployé n’étaient donc pas actives pendant les tests. Les scores décrivent ses performances dans ces conditions d’évaluation ; les produits Google intégreront ses mesures de sécurité lors de leur mise à disposition.

Google affirme également que, selon des évaluations internes, Carbon génère du code sécurisé avec un taux de réussite plus de deux fois supérieur à celui d’Argon. Son équipe Chrome indique que Carbon a été plus de dix fois plus performant dans la production de correctifs de haute qualité que le grand modèle de pointe d’un laboratoire concurrent non nommé. Ces résultats internes sur le code sécurisé n’ont pas encore été reproduits de manière indépendante, et Google ne précise pas quel modèle concurrent a été utilisé pour cette comparaison.

Arriver en tête ne signifie pas gagner toutes les épreuves

Artificial Analysis attribue 59 points à Carbon dans l’Intelligence Index v5.0, contre 58 à Claude Opus 5.5 et 57 à GPT-6 Astra. Carbon devance donc Opus d’un point et Astra de deux, un écart plus faible que dans les comparaisons de cybersécurité les plus favorables à Google.

L’indice combine neuf évaluations, et Carbon arrive en tête dans quatre d’entre elles : HLE-Diamond, TB-Science, AA-Omniscience et AutomationBench. Artificial Analysis précise que 60 % de l’indice révisé repose sur des tests privés, dont les questions ne sont pas rendues publiques.

Les résultats en programmation sont plus contrastés. Associé à Antigravity CLI de Google, Carbon obtient 59 points au Coding Agent Index, tandis que Claude Code associé à Opus 5.5 en obtient 62. Un agent de programmation associe un modèle à des outils qui lui permettent d’examiner des fichiers, d’exécuter des commandes et de modifier des logiciels ; les outils utilisés influent donc sur le résultat.

Carbon obtient 51 % à FrontierCode v1.1, derrière Opus et ses 56 %. À FrontierSWE, il atteint 61,2 %, contre 65,5 % pour GPT-6 Astra, 62,3 % pour Opus 5.5 et 61,9 % pour Sonnet 5.5. Ces comparaisons donnent aux développeurs une raison concrète de s’intéresser aux tâches les plus proches de leur propre travail, en plus du classement général.

Le développement web constitue un autre domaine de progrès. Selon l’annonce de Google, Carbon arrive quatrième sur WebDev Arena avec 1 768 points Elo, soit une progression de 89 points. Le système Elo est une méthode de classement fondée sur les performances comparées. Carbon occupe aussi la première place de Text Arena avec 1 528 points et la deuxième d’Agent Arena, ce qui confirme ses bons résultats au-delà de la sécurité.

Travailler pendant des jours plutôt que répondre une seule fois

Google a conçu Carbon pour des processus agentiques prolongés, dans lesquels un système d’IA enchaîne des actions pour atteindre un objectif. En ingénierie logicielle, cela peut consister à examiner un projet, formuler une explication d’un bug, modifier le code, lancer des tests et revoir le correctif si ceux-ci échouent.

Les équipes internes de Google indiquent que Carbon a poursuivi pendant plusieurs jours des missions complexes portant sur de grandes bases de code et des systèmes de bas niveau. L’entreprise affirme que le modèle persévère même lorsqu’il se heurte à des impasses, un atout important quand la première explication plausible se révèle fausse.

Les caractéristiques publiées indiquent une fenêtre de contexte d’un million de jetons et une sortie maximale d’un million de jetons. Les jetons sont les petites unités de texte traitées par un modèle. La fenêtre de contexte correspond à la quantité d’informations qu’il peut prendre en compte à la fois, y compris les consignes et les éléments fournis pour une tâche.

Carbon accepterait du texte, des images, des vidéos et de la parole, et produirait du texte. Ces types d’entrée pourraient permettre d’inclure dans un même processus un rapport écrit sur un bug, une capture d’écran et un enregistrement d’un comportement logiciel inattendu.

Les performances varient selon les domaines autres que la programmation. Carbon atteint 1 609 points Elo à l’évaluation des tâches de connaissance AA-Briefcase, soit 126 points de plus qu’Argon, tout en restant derrière Grok 4.7, Muse Wonder et Kimi K3.1 Pro. Il arrive deuxième à l’indice Vals, et premier à son indice Finance et au Legal Research Benchmark. Cette diversité de résultats montre qu’une entreprise peut faire son choix en fonction de ses besoins : réparation logicielle, analyse de documents ou autre tâche spécifique.

Les tests de sécurité distinguent les tentatives de triche des réussites

Google fait état d’un taux de triche réussie de 0,0 % à Terminal-Bench 4.0, pour un taux de tentatives de triche de 0,4 %. Ces deux chiffres décrivent des comportements différents : le fait que le modèle ait tenté ou non de prendre un raccourci inapproprié, et la réussite ou non de cette tentative.

Google affirme que Carbon a amélioré la précision de ses tâches tout en réduisant ces raccourcis. Lors de travaux de programmation en direct avec ses propres équipes, les alertes signalant des écarts graves par rapport au comportement attendu ont diminué de près de 80 %.

Les injections de prompt constituent un autre enjeu. Cette attaque consiste à placer des instructions dans du contenu qu’une IA est censée lire, comme une page web ou un fichier, afin de la détourner de la tâche demandée par l’utilisateur. En examinant un projet, un assistant pourrait ainsi rencontrer un texte lui ordonnant d’ignorer ses instructions ou de divulguer des informations.

Carbon a enregistré un taux de réussite des attaques de 0,0 % au test Indirect Prompt Injection Benchmark de Gray Swan. À titre de comparaison, ce taux était de 0,7 % pour Argon, de 1 % pour Claude Opus 5.5 et de 8,5 % pour GPT-6 Astra. Selon ce résultat, Carbon a résisté à chacune des tentatives d’attaque évaluées lors de ce test.

Google affirme que Carbon combine un entraînement du modèle, des protections contre les usages abusifs en cours d’utilisation, une résistance aux injections de prompt et une surveillance de son processus de raisonnement. Le premier déploiement, limité, permettra à l’entreprise de recueillir des retours et d’ajuster ces protections à mesure que les défenseurs sélectionnés l’utiliseront.

La fiabilité progresse en interne, mais recule selon une mesure externe

Google affirme que Carbon a réduit de moitié environ les affirmations non étayées par rapport à Argon lors de tests internes. L’entreprise décrit un modèle davantage enclin à signaler l’absence de preuves, à lister les exigences non satisfaites et à relever les informations contradictoires avant d’agir.

Google fait aussi état d’une baisse de 26 % des dépassements de périmètre et de 29 % des prestations incomplètes. En termes courants, Carbon serait moins susceptible de dépasser les consignes de l’utilisateur et moins susceptible de s’arrêter avant d’avoir accompli le travail demandé.

Artificial Analysis relève une évolution différente dans son évaluation Omniscience : le taux d’hallucinations de Carbon passe à 11 %, contre 4 % pour Argon. Une hallucination est une réponse qui présente comme factuelles des informations inventées ou erronées. Carbon affiche tout de même le deuxième taux mesuré le plus faible dans cette comparaison, tandis qu’Opus 5.5 et Astra atteignent tous deux 50 %.

Carbon arrive en tête de l’évaluation Omniscience avec un score de 54, malgré son taux d’hallucinations plus élevé. Un modèle peut progresser en répondant correctement à davantage de questions, tout en commettant plus d’erreurs lorsqu’il tente de répondre à des questions qu’il évitait auparavant. La mesure interne des affirmations non étayées de Google et la mesure externe des hallucinations reposent sur des évaluations différentes : les utilisateurs doivent donc tenir compte de ces deux résultats distincts en matière de fiabilité.

Pour une équipe de sécurité, vérifier le travail reste essentiel. Une vulnérabilité signalée doit être examinée, et un correctif proposé doit être testé sur le logiciel qu’il modifie. Les améliorations annoncées par Google ciblent précisément les situations où un assistant pourrait revendiquer trop tôt une réussite ou agir au-delà du périmètre demandé.

Qui aura accès au modèle, et dans quel ordre ?

Google affirme qu’un groupe restreint de spécialistes de la cyberdéfense recevra Carbon au cours de la semaine suivant l’annonce du 28 octobre. D’autres partenaires de confiance y auront progressivement accès dans le cadre de Fairwind, avant les développeurs, les entreprises et les consommateurs par l’intermédiaire des produits Google.

Le calendrier annoncé est le suivant :

• Environ deux semaines avant Carbon : Google a lancé Gemini 4 Argon, ensuite intégré à l’application Gemini et au mode de recherche par IA.
• Le 28 octobre 2026 : Google a publié son annonce sur Carbon et ses résultats aux tests de référence.
• La semaine du 28 octobre : les spécialistes de la cyberdéfense sélectionnés commencent à recevoir un accès.
• Étapes suivantes : Google élargit l’accès par l’intermédiaire de Fairwind, avant une disponibilité plus large dans ses produits.

Google participe au processus volontaire du gouvernement des États-Unis visant à tester les modèles avant leur mise à disposition. L’annonce ne précise ni la date d’un accès généralisé au public ni la fin de la tarification de lancement de Carbon.

Les abonnés AI Ultra et les développeurs utilisant Gemini API ont été évoqués comme de possibles premiers clients, mais le calendrier de déploiement publié par Google cite les catégories plus larges des développeurs, des entreprises et des consommateurs sans confirmer cet ordre.

La décision de commencer par les défenseurs intervient dans un contexte de préoccupations croissantes quant aux usages malveillants de l’IA. Les chercheurs de Google spécialisés dans les menaces ont documenté des groupes soutenus par l’Iran, la Corée du Nord, la Russie et la Chine qui expérimentent Gemini, principalement pour la recherche et l’assistance à la programmation. Demis Hassabis, directeur de DeepMind, a décrit les récents piratages par des agents d’IA comme des signaux d’alerte précoces.

Combien Carbon coûtera aux développeurs

Le tarif de lancement de l’API de Carbon est de 2 dollars par million de jetons en entrée et de 10 dollars par million de jetons en sortie, comme pour le lancement d’Argon. Une API permet aux développeurs de connecter le modèle à leurs propres logiciels. L’entrée correspond aux éléments envoyés à Carbon ; la sortie, à ce qu’il génère.

Après la période de lancement, les tarifs affichés doublent pour atteindre 4 dollars par million de jetons en entrée et 20 dollars par million de jetons en sortie. Une tâche utilisant un million de jetons en entrée et un million en sortie coûterait donc 12 dollars au tarif de lancement et 24 dollars au tarif standard, avant mise en cache ou autres ajustements.

Google indique que les entrées mises en cache bénéficient d’une réduction de 95 %. La mise en cache permet à un service de réutiliser des éléments déjà traités, ce qui peut réduire le coût de l’envoi répété d’un même document volumineux ou projet logiciel. Avec cette réduction, un million de jetons d’entrée mis en cache revient à 0,10 dollar au tarif d’entrée de lancement et à 0,20 dollar au tarif standard.

Les dépenses réelles dépendent aussi de la quantité de texte générée par le modèle pour accomplir une tâche. Artificial Analysis évalue le coût de Carbon à 7,76 dollars par tâche de l’indice, contre 10,04 dollars pour Opus 5.5 et 6,25 dollars pour GPT-6 Astra. Dans cette évaluation, Carbon utilise environ 123 000 jetons en sortie par tâche, soit 29 % de moins qu’Opus.

D’autres types de tâches peuvent produire des résultats différents. Selon Vals, Carbon génère 64 % de jetons en sortie de plus qu’Argon, principalement pour des tâches liées à la finance, à la fiscalité et au droit. Les développeurs qui prévoient leur budget devront donc prendre en compte à la fois les tarifs par jeton de Carbon et la quantité de travail effectuée pour chaque tâche.

Points clés

• Gemini 4 Carbon arrive en tête de l’Artificial Analysis Intelligence Index v5.0 avec 59 points, devant Opus 5.5 à 58 points et GPT-6 Astra à 57.
• Google annonce des scores de sécurité de 88,2 % pour la détection de vulnérabilités, de 54,8 % pour leur exploitation et de 71,0 % pour leur correction.
• Carbon est devancé par certaines combinaisons de modèles et d’outils dans plusieurs évaluations de programmation.
• Selon Google, Carbon n’a réussi aucune tentative de triche à Terminal-Bench 4.0 ni aucune attaque lors du test évalué de Gray Swan sur les injections de prompt.
• Les affirmations non étayées ont diminué d’environ moitié lors des tests internes, tandis qu’une mesure externe des hallucinations est passée de 4 % pour Argon à 11 % pour Carbon.
• Les spécialistes de la cyberdéfense sélectionnés recevront l’accès en premier, avant un élargissement via Fairwind et une disponibilité plus large.
• Les tarifs de lancement de l’API sont de 2 dollars par million de jetons en entrée et de 10 dollars en sortie, puis passent respectivement à 4 et 20 dollars.