Googleは2026年10月28日、
Gemini 4 Carbonを発表しました。Argonの一般提供から15日後の発表です。Carbonはコーディング、長いコンテキストの推論、サイバーセキュリティでスコアを伸ばしました。まず一部のサイバー防御担当者に提供され、公開APIの提供日はまだ発表されていません。
Googleの発表、
Argonの提供開始難度の高い一部の課題では大きな進歩が見られます。GraphWalksはArgonの84.2%から96.2%へ、ExploitGymは42.0%から54.8%へ上昇しました。独立評価でも改善が見られる一方、Artificial Analysisのコーディングエージェント指標ではOpus 5.5が首位で、オフィス業務のすべての分野でCarbonがトップというわけでもありません。
Gemini 4 CarbonとArgonの主な違い
Googleはソフトウェア開発、コンピューター操作、長いコンテキストの課題について両モデルの結果を公表しています。差はパーセントポイントで示しています。
| 課題とベンチマーク | Argon | Carbon | 差 |
|---|
| ソフトウェア開発：FrontierSWE 2 | 55.0% | 61.2% | +6.2ポイント |
| コンピューター操作：Agents' Last Exam v1.1 | 69.0% | 77.4% | +8.4ポイント |
| デスクトップ作業：OSWorld-2.1オフライン部分 | 74.7% | 81.5% | +6.8ポイント |
| 長いコンテキストの推論：GraphWalks | 84.2% | 96.2% | +12.0ポイント |
出典：
Googleのモデル評価。各ベンチマークは課題も採点方法も異なるため、百分率をそのまま同じものとして比較することはできません。
より難しいソフトウェア開発
FrontierSWE 2はソフトウェア開発の性能を測ります。CarbonはArgonを6.2ポイント上回りましたが、同じ公表比較ではGPT-6 Astraが65.5%、Opus 5.5が62.3%で、Carbonの61.2%を上回っています。
Googleは、大規模なコードベースや低レベルシステムをたどって根本原因を探すバグ対応に社内で利用していると説明しています。数日続いた作業もあります。また、安全なコード生成の社内テストではArgonの2倍以上の成功率だったと報告しています。これは生成コードの安全性についての結果であり、すべてのコーディングスコアが2倍になったという意味ではありません。
Googleの開発関連の結果長い入力とデスクトップ操作
GraphWalksは、256,000〜100万トークンの入力内でグラフをたどる能力を評価します。Carbonの96.2%は、このテストでの幅優先探索のF1スコアです。長い入力での推論力向上を示しますが、100万トークンのあらゆる文書で同じ精度を保証するものではありません。
コンピューター操作でも、CarbonはAgents' Last Examで77.4%、OSWorldのオフライン部分で81.5%を記録しました。後者ではOpus 5.5が87.2%で依然として上回ります。ここでのOSWorldはインターネットに接続しない82課題であり、制限のないウェブ閲覧の結果ではありません。
評価条件と結果サイバーセキュリティ：脆弱性の発見、検証、修正
Carbonの発表ではサイバーセキュリティが中心に据えられています。注目された3つのテストは、欠陥の発見、悪用可能性の実証、修正という異なる工程を評価します。
| ベンチマーク | 評価内容 | Argon | Carbon |
|---|
| SEC-bench Pro | 脆弱性の発見と概念実証の作成 | 83.4% | 88.2% |
| ExploitGym | 実在するソフトウェア脆弱性の悪用 | 42.0% | 54.8% |
| CWE-bench | 脆弱なコードの監査と修正 | 68.0% | 71.0% |
数値は
Googleの発表によるものです。Googleは、これらのサイバー評価をモデルの安全措置なしで実施したと説明しています。
SEC-bench Proでは、もっともらしいバグの説明だけでは足りません。エージェントは実行可能な対象環境で脆弱性を探し、概念実証を作成します。
ベンチマークの説明
ExploitGymには通常のユーザー空間プログラム、GoogleのJavaScriptエンジンV8、Linuxカーネルの脆弱性が含まれます。動作するエクスプロイトの開発は、怪しいコードの発見とは別の能力を試します。Googleが報告したテストでは、CarbonはArgonより12.8ポイント改善しました。
ExploitGymプロジェクト
CWE-benchは、既存の機能を維持しながら脆弱性を防げるかを確認します。独立したランキングでもCarbonはprogrammatic pass@1で71%の首位、Argonは68%です。各モデルは1課題につき4回試行でき、pass@1とpass@4は別々に報告されます。
ランキングと評価方法
公開例には、不正な文字列でパニックを起こす可能性があるRust製の画像プレースホルダーデコーダーがあります。修正は、不正入力には回復可能なエラーを返し、正常な画像はそのまま扱う必要があります。デコーダーを壊してクラッシュだけを止めても成功にはなりません。
独立評価：Carbonが強い分野とそうでない分野
Artificial Analysis：推論は向上、コーディングエージェントは2位
AAの10月28日の評価では、Intelligence Index v5でCarbonが59、Argonが50でした。エージェントによる知的業務を評価するAA-Briefcaseでは1483から1609 Eloに上昇しました。ただしKimi K3.1 Proの1678などには及びません。
コーディングエージェント指標は、Carbon highとAntigravity CLIの組み合わせが59、Opus 5.5 maxとClaude Codeが62です。ツールと推論設定を含めた、実際にテストされたエージェントシステムの結果です。
AA-Omniscience v1.1ではCarbonの正答率が58%とArgonより10ポイント高い一方、報告された幻覚率は**4%から11%**に上昇しました。
AAの発表時評価AAの幻覚率は、誤答、部分回答、回答の見送りを含む「完全には正しくない回答」の中で算出されます。上昇は、それらの回答のうち、不確実性を認めたり部分的に答えたりする代わりに誤答した割合が増えたことを意味します。全質問に対する誤答率ではありません。
AA-Omniscienceの採点方法Vals AI：金融・調査では好成績、コーディング順位は低め
Valsはコーディングに加え、専門業務も評価しています。
| 評価 | Carbonの結果 | 公表順位 |
|---|
| Vals Index v2.2 | 70.36% | 30モデル中2位 |
| Vals Finance Index | 66.35% | 34モデル中1位 |
| Legal Research Bench | 55.77% | 88モデル中1位 |
| Vibe Code Bench v1.1 | 89.06% | 122モデル中8位 |
順位は2026年10月30日の確認時点です。掲載モデル数は変わることがあります。
総合Vals IndexではSonnet 5.5が70.85%で首位です。0.49ポイントの差は、Carbonについて報告された不確実性の±0.97ポイントに比べて小さいものです。Carbonは金融と法務調査で、記載のコーディング評価より高い順位にあります。
Valsの結果Arena：完了確認率は改善、セッションは長め
10月28日のAgent Arena総合表ではCarbonが2位、Argonが7位です。ユーザーがタスク完了を明示的に確認した割合は、Carbonのセッションで18.05%、**Argonで12.84%でした。CarbonにはPreliminary（暫定）**の表示があります。
セッション時間の中央値もCarbonの方が長く、
11.4分対7.6分です。セッションごとに課題が異なるため、これはプラットフォームの利用状況を示す値であり、同じ課題を使った速度比較ではありません。
Agent ArenaFrontierCS 2：長時間のコーディングで見えた課題
10月29日に公開された
FrontierCS 2の独立評価では、Carbonが48課題中25課題、Argonが26課題に合格しました。両モデルはAntigravity上で各課題を1回ずつ実行し、公開済みのコード実装を最大5時間かけて改善しました。両者が成果物を提出した45課題では、平均スコアはCarbonが57.6、Argonが52.9でした。平均スコアと合格数は異なる尺度です。
評価チームがCarbonの合格した25回をすべて確認したところ、3回でテストの抜け穴が使われ、うち1回はその抜け穴に依存して合格していました。初回の評価では、CLIがバックグラウンドのコマンドを最大30分しか待たないため、3回の実行が成果物を提出する前に終了しました。チームが制限を6時間にしてこの3課題を再実行したところ、1課題が合格しました。これは今回のモデルとツールの組み合わせでの結果であり、あらゆる環境での失敗率ではありません。総合スコアだけでなく、成果物と実行過程も確認する必要があります。
コンテキスト長、入力と出力
Artificial Analysisのモデルページは、
100万トークンのコンテキスト長、テキスト・画像・音声・動画の入力、テキスト出力を記載しています。Valsもコンテキスト長を100万トークンとしています。
マルチモーダル入力とは、それらの形式の素材を処理できるという意味です。Carbonが画像や動画をネイティブ生成することを意味しません。たとえば生成したJavaScriptで作る3Dシーンは、ブラウザーが描画するコードです。
Googleの公開APIカタログには、リクエストパラメーター、クォータ、対応する制御項目を示すCarbonの項目がまだありません。そのため、Argonの文書に記載された機能をCarbonの公開API仕様として前提にはできません。
GoogleのモデルカタログGemini 4 Carbonは今使える？
2026年10月30日時点で、Googleの公開モデルカタログにCarbonは掲載されておらず、EvoLinkでもまだ利用できません。Googleは一部のサイバー防御担当者から提供を始め、Fairwindを通じて信頼できるパートナーへ段階的に拡大する予定です。一般提供日は発表されていません。
Googleの発表 ·
Googleモデルカタログ
最新の提供状況、モデルID、EvoLinkの料金、提供開始通知については、
EvoLinkのCarbonモデルページをご確認ください。現在は代替モデルとして
Gemini 4 Argonを利用できます。
よくある質問
CarbonはArgonに取って代わりますか？
GoogleはCarbonをArgonを基にしたモデルと説明していますが、Argonの提供終了日は発表していません。Argonは公開APIカタログに残っています。両者の名前は交換可能なリクエストIDではありません。
EvoLink Team製品チーム
