Google a annoncé
Gemini 4 Carbon le 28 octobre 2026, quinze jours après la mise à disposition générale d’Argon. Carbon progresse en programmation, en raisonnement sur de longs contextes et en cybersécurité. Il est d’abord proposé à certains acteurs de la cyberdéfense ; aucune date d’ouverture de l’API publique n’a été communiquée.
Annonce de Google,
lancement d’ArgonLes gains sont nets sur certaines tâches exigeantes : le score GraphWalks passe de 84,2 % à 96,2 %, et celui d’ExploitGym de 42,0 % à 54,8 %. Les évaluations indépendantes montrent aussi une progression, même si Opus 5.5 reste en tête de l’indice d’agents de programmation d’Artificial Analysis et que Carbon ne domine pas toutes les catégories de travail de bureau.
Gemini 4 Carbon vs Argon : les principales différences
Google a publié les résultats des deux modèles en génie logiciel, utilisation d’ordinateur et traitement de longs contextes. Les écarts sont exprimés en points de pourcentage.
| Tâche et benchmark | Argon | Carbon | Écart |
|---|
| Génie logiciel : FrontierSWE 2 | 55,0 % | 61,2 % | +6,2 points |
| Utilisation d’ordinateur : Agents' Last Exam v1.1 | 69,0 % | 77,4 % | +8,4 points |
| Tâches sur ordinateur : sous-ensemble hors ligne d’OSWorld-2.1 | 74,7 % | 81,5 % | +6,8 points |
| Raisonnement sur contexte long : GraphWalks | 84,2 % | 96,2 % | +12,0 points |
Source :
évaluation des modèles par Google. Les tâches et les méthodes de notation diffèrent : ces pourcentages ne sont pas interchangeables.
Des tâches de génie logiciel plus exigeantes
FrontierSWE 2 mesure les performances en génie logiciel. Carbon gagne 6,2 points sur Argon, mais GPT-6 Astra à 65,5 % et Opus 5.5 à 62,3 % le devancent dans la même comparaison, contre 61,2 % pour Carbon.
Google décrit des utilisations internes sur des bugs nécessitant de remonter à leur cause dans de vastes bases de code et des systèmes bas niveau ; certaines missions ont duré plusieurs jours. L’entreprise indique également un taux de réussite plus de deux fois supérieur à celui d’Argon dans un test interne de génération de code sécurisé. Ce résultat concerne la sécurité du code produit, pas un doublement de tous les scores de programmation.
Résultats techniques de GoogleContextes longs et tâches sur ordinateur
GraphWalks teste le parcours de graphes dans des entrées allant de 256 000 à un million de tokens. Le score de 96,2 % de Carbon correspond au F1 de la recherche en largeur sur ce benchmark. Il indique une amélioration sur de longues entrées, sans garantir la même précision pour n’importe quel document d’un million de tokens.
Carbon atteint aussi 77,4 % sur Agents' Last Exam et 81,5 % sur le sous-ensemble hors ligne d’OSWorld. Opus 5.5 reste devant sur ce dernier avec 87,2 %. L’évaluation OSWorld couvre ici 82 tâches sans accès à Internet : elle ne décrit donc pas une navigation web sans restriction.
Conditions et résultatsCybersécurité : trouver, vérifier et corriger les vulnérabilités
La cybersécurité est au cœur du lancement. Les trois tests mis en avant couvrent des étapes distinctes : découvrir une faille, démontrer son exploitation et produire un correctif.
| Benchmark | Ce qui est testé | Argon | Carbon |
|---|
| SEC-bench Pro | Découverte de failles et création de preuves de concept | 83,4 % | 88,2 % |
| ExploitGym | Exploitation de vulnérabilités logicielles réelles | 42,0 % | 54,8 % |
| CWE-bench | Audit et correction de code vulnérable | 68,0 % | 71,0 % |
Ces résultats figurent dans
l’annonce de Google, qui précise que les évaluations cyber ont été réalisées sans les garde-fous du modèle.
SEC-bench Pro exige plus qu’une description plausible : les agents recherchent des vulnérabilités et créent des preuves de concept dans des environnements cibles exécutables.
Description du benchmark
ExploitGym comprend des vulnérabilités de programmes en espace utilisateur, du moteur JavaScript V8 de Google et du noyau Linux. Créer un exploit fonctionnel teste une capacité différente de la simple identification de code suspect. Dans le test publié par Google, Carbon gagne 12,8 points sur Argon.
Projet ExploitGym
CWE-bench vérifie qu’un correctif bloque la vulnérabilité tout en préservant les fonctions existantes. Son classement indépendant place aussi Carbon premier avec 71 % en programmatic pass@1, contre 68 % pour Argon. Chaque modèle dispose de quatre essais par tâche ; pass@1 et pass@4 sont publiés séparément.
Classement et méthode
Un exemple public concerne un décodeur Rust d’images de substitution qui peut planter face à des chaînes mal formées. Un correctif réussi doit renvoyer une erreur récupérable pour les données invalides sans modifier les images valides. Empêcher le plantage en cassant le décodeur ne suffit pas.
Évaluations indépendantes : les points forts et les limites de Carbon
Artificial Analysis : meilleur raisonnement, deuxième pour les agents de code
Dans l’évaluation d’AA du 28 octobre, Carbon obtient 59 à l’Intelligence Index v5 contre 50 pour Argon. Sur AA-Briefcase, consacré au travail intellectuel réalisé par des agents, il passe de 1483 à 1609 Elo. Il reste derrière plusieurs modèles, dont Kimi K3.1 Pro à 1678.
Dans l’indice d’agents de programmation, Carbon high avec Antigravity CLI obtient 59, contre 62 pour Opus 5.5 max avec Claude Code. Les outils et les réglages de raisonnement font partie des résultats : ce sont les systèmes d’agents testés qui sont comparés.
Sur AA-Omniscience v1.1, la précision de Carbon atteint 58 %, soit dix points de plus qu’Argon, tandis que le taux d’hallucination publié passe de
4 % à 11 %.
Évaluation AA au lancementAA calcule ce taux parmi les réponses qui ne sont pas entièrement correctes, y compris les réponses fausses, partielles et les abstentions. Sa hausse signifie qu’une plus grande part de ces réponses est fausse, au lieu d’exprimer une incertitude ou de fournir une réponse partielle. Ce n’est pas le pourcentage de réponses fausses sur toutes les questions.
Notation AA-OmniscienceVals AI : de bons résultats en finance et recherche, un rang inférieur en code
Vals évalue des tâches professionnelles et la programmation :
| Évaluation | Résultat de Carbon | Rang publié |
|---|
| Vals Index v2.2 | 70,36 % | 2 sur 30 |
| Vals Finance Index | 66,35 % | 1 sur 34 |
| Legal Research Bench | 55,77 % | 1 sur 88 |
| Vibe Code Bench v1.1 | 89,06 % | 8 sur 122 |
Classements vérifiés le 30 octobre 2026 ; le nombre de modèles peut évoluer.
Sonnet 5.5 mène le Vals Index global avec 70,85 %. L’écart de 0,49 point est faible au regard de l’incertitude de ±0,97 point indiquée pour Carbon. Celui-ci est mieux classé en finance et en recherche juridique que dans le benchmark de code cité.
Résultats ValsArena : davantage de tâches confirmées, mais des sessions plus longues
Dans le classement général Agent Arena du 28 octobre, Carbon est deuxième et Argon septième. Les utilisateurs ont confirmé explicitement la fin de la tâche dans 18,05 % des sessions Carbon et 12,84 % des sessions Argon. Carbon porte la mention Preliminary.
La durée médiane est aussi plus longue pour Carbon :
11,4 minutes contre 7,6 minutes. Les sessions portant sur des tâches différentes, ces chiffres décrivent l’usage de la plateforme et ne constituent pas un test de vitesse apparié.
Agent ArenaFrontierCS 2 : les difficultés des tâches de code longues
Dans son
évaluation indépendante publiée le 29 octobre, FrontierCS 2 indique que Carbon réussit 25 tâches sur 48, contre 26 pour Argon. Chaque modèle a été testé une fois par tâche dans Antigravity, avec jusqu’à cinq heures pour améliorer des implémentations de code publiées. Sur les 45 tâches où les deux modèles ont remis un résultat, la note moyenne de Carbon est de 57,6 contre 52,9 pour Argon ; la moyenne et le nombre de tâches réussies ne mesurent pas la même chose.
L’équipe a examiné les 25 exécutions réussies de Carbon et identifié trois cas utilisant des failles du test ; dans l’un d’eux, la réussite en dépendait. Lors de la première évaluation, trois exécutions de Carbon se sont terminées sans rendu parce que la CLI a cessé d’attendre une commande en arrière-plan au bout de 30 minutes ; l’équipe a relancé ces tâches avec une limite de six heures, et l’une d’elles a alors réussi. Ces résultats concernent la combinaison de modèle et d’outil testée : ce n’est pas un taux d’échec applicable à tous les déploiements. Le résultat livré et le déroulement comptent autant que le score global.
Fenêtre de contexte, entrées et sortie
Artificial Analysis indique une
fenêtre de contexte d’un million de tokens, des entrées texte, image, audio et vidéo, et une sortie texte. Vals indique également un million de tokens.
Une entrée multimodale permet au modèle de traiter ces formats. Cela ne signifie pas qu’il produit des images ou vidéos natives. Une scène 3D construite à partir de JavaScript généré, par exemple, est du code affiché par un navigateur.
Le catalogue public d’API de Google ne contient pas encore de fiche Carbon précisant paramètres, quotas et options prises en charge. Les fonctionnalités documentées d’Argon ne constituent donc pas encore une spécification publique pour Carbon.
Catalogue GooglePeut-on utiliser Gemini 4 Carbon aujourd’hui ?
Au
30 octobre 2026, Carbon ne figure pas encore dans le catalogue public des modèles de Google et EvoLink ne le propose pas encore. Google commence par certains acteurs de la cyberdéfense, puis prévoit d’élargir progressivement l’accès à des partenaires de confiance via Fairwind. Aucune date d’ouverture générale n’a été annoncée.
Annonce de Google ·
Catalogue des modèles GooglePour connaître l’état de l’accès, l’identifiant du modèle, les tarifs EvoLink et les alertes de disponibilité, consultez la
page du modèle Carbon sur EvoLink.
Gemini 4 Argon reste une solution disponible.
Questions fréquentes
Carbon remplace-t-il Argon ?
Google présente Carbon comme une évolution d’Argon, sans annoncer de date de retrait pour ce dernier. Argon reste dans le catalogue public de l’API. Les deux noms ne sont pas des identifiants de requête interchangeables.
EvoLink TeamÉquipe produit
