Intelligence artificielle · 8 min de lecture
Gemini 4 Carbon :n°1 des indices, derrière Opus 5.5 en code.
Google place son nouveau modèle en tête de l'indice AA v5 (59) et sur les benchmarks de cybersécurité — mais les évals indépendantes le placent derrière Opus 5.5 et GPT-6 Astra sur le code, et l'accès est encore fermé.
En bref
- Annoncé le 28 octobre 2026, Gemini 4 Carbon est premier de l'indice AA v5 (59) et des benchmarks de cybersécurité (SEC-bench Pro : 88,2 %), mais troisième en code pur, derrière GPT-6 Astra et Opus 5.5.
- L'accès est pour l'instant réservé aux équipes de cybersécurité (Fairwind Program) — les développeurs devront attendre, au même tarif d'introduction qu'Argon (2 $ / 10 $ par million de tokens).
- Un score agrégé ne décide pas à votre place : AA v5 pondère à parts égales connaissance, code, science et général. Testez sur votre propre distribution de tâches.
Le vrai problème (au-delà de l'annonce)
Deux semaines après Gemini 4 Argon, Google DeepMind a annoncé Gemini 4 Carbon le 28 octobre 2026, en le présentant comme son modèle le plus puissant, avec un focus explicite sur la cybersécurité et les tâches de longue haleine. Pour un ingénieur, la vraie question n'est pas « est-ce le meilleur modèle du monde ». C'est : est-ce le meilleur pour mon flux de travail, à quel coût, et puis-je l'appeler aujourd'hui ?
La réponse courte : pas encore. Carbon n'est pas ouvert aux développeurs. Google l'a d'abord réservé à un premier groupe de défenseurs cybersécurité via son Fairwind Program, dans le cadre de la procédure volontaire de test pré-lancement du gouvernement américain. L'arrivée chez les développeurs est annoncée « dès que possible », sans date. Si votre roadmap dépend d'un modèle que vous ne pouvez pas appeler, ce n'est pas une roadmap, c'est une liste d'attente.
Deuxième point : être n°1 d'un indice agrégé ne veut pas dire être n°1 chez vous. Carbon totalise 59 sur l'indice d'intelligence v5 d'Artificial Analysis, mis à jour la même semaine. Comme le détaille Nathan Lambert sur Interconnects, cet indice pondère à parts égales quatre blocs — travail de connaissance (25 %), code (25 %), science (25 %), général (25 %) — et toute agrégation en un seul chiffre tranche des compromis. Votre distribution de tâches, elle, n'a aucune raison d'être équilibrée pareil.
Ce que disent les benchmarks (et les prix)
Les chiffres de cybersécurité annoncés par Google sont nets : 88,2 % sur SEC-bench Pro (détection de vulnérabilités réelles), 54,8 % sur ExploitGym (validation par exploitation), 71,0 % sur CWE-bench (correction à la racine) — autant de premières places. En interne, Google rapporte un facteur 2 sur la génération de code sécurisé par rapport à Argon, et l'équipe Chrome cite des patchs de qualité « 10x meilleurs » qu'un autre grand modèle du secteur. Ces benchmarks sont évalués sans garde-fous, ce qui est à la fois plus honnête et plus inconfortable.
Côté code général, le tableau est plus nuancé — et c'est le point que la communication met moins en avant. D'après les évaluations indépendantes compilées par Latent Space :
| Mesure | Gemini 4 Carbon | Devant lui |
|---|---|---|
| Indice AA v5 (agrégé) | 59 — 1er | — |
| FrontierSWE | 61,2 % | GPT-6 Astra 65,5 %, Opus 5.5 62,3 % |
| FrontierCode v1.1 | 51 % | Opus 5.5 56 % |
| AA-Briefcase (Elo, travail de connaissance) | 1609 | Kimi K3.1 Pro 1678 |
| Coût par tâche d'indice AA | 7,76 $ | GPT-6 Astra 6,25 $ (Opus 5.5 : 10,04 $) |
Autrement dit : premier sur les indices agrégés et sur la cyber, troisième derrière Opus 5.5 et GPT-6 Astra sur le code réel, et devancé par plusieurs modèles — dont un open-weight, Kimi K3.1 Pro — sur les tâches de travail de connaissance.
Le prix est le vrai argument. Carbon sortira au tarif d'introduction d'Argon : 2 $ par million de tokens d'entrée, 10 $ de sortie, l'entrée en cache étant à −95 % (0,20 $/M). Passé l'introduction : 4 $ / 20 $. À l'usage, Artificial Analysis mesure 7,76 $ par tâche d'indice (contre 10,04 $ pour Opus 5.5), avec 29 % de tokens de sortie en moins qu'Opus. Mais Vals AI observe l'inverse sur ses tâches de finance, fiscalité et droit : +64 % de tokens de sortie par rapport à Argon. Le coût par token ne dit pas le coût par tâche : mesurez-le sur vos propres charges.
Deux signaux honnêtes à ne pas ignorer. D'abord, le taux d'hallucination mesuré par Artificial Analysis passe de 4 % (Argon) à 11 % (Carbon) sur AA-Omniscience — toujours parmi les plus bas du marché (Opus 5.5 et Astra sont à 50 %), mais c'est presque le triple du modèle précédent de la même famille. Ensuite, les limites de sortie : Carbon accepte 1 M de tokens de contexte et jusqu'à 1 M de tokens de sortie, en entrée texte, image, vidéo et parole — mais il ne produit que du texte.
Sur le comportement agentic et la sécurité interne, les chiffres publiés par Google méritent d'être lus pour ce qu'ils sont — des affirmations de l'éditeur, mais chiffrées. Carbon arrive premier de Vending-Bench 2 et Blueprint-Bench 2 (Andon Labs), où il égale la référence humaine en compréhension spatiale 3D, premier du Text Arena (1528 Elo) et deuxième de l'Agent Arena (1,80 $ de coût médian par tâche). Google annonce aussi 0,0 % de tricherie réussie sur Terminal-Bench 4.0 (0,4 % de tentatives) et deux fois moins d'affirmations non soutenues qu'Argon. Des métriques à rejouer sur votre propre stack avant d'y croire.
Quand l'utiliser (et quand s'en passer)
À viser quand il sera disponible :
- Les workflows agentic longs : Google rapporte des runs de plusieurs jours pour traquer des bugs subtils dans de gros codebases. Si vos agents abandonnent au bout de deux heures, c'est la capacité qui est poussée.
- La chaîne cybersécurité : détection, validation, correction. 88,2 % / 54,8 % / 71,0 % sont les chiffres les plus crédibles de l'annonce, sur des benchmarks publics.
- Les tâches de connaissance à fort volume, où le coût par tâche (7,76 $ contre 10,04 $) et le cache d'entrée (−95 %) changent l'économie.
À ignorer pour l'instant :
- Si votre besoin est du code pur : Opus 5.5 et GPT-6 Astra tiennent encore la tête sur FrontierSWE et FrontierCode. Un modèle « n°1 des indices » qui perd de cinq points en code, c'est un mauvais choix pour une équipe de développement.
- Si vous avez besoin d'une sortie multimodale : Carbon ne produit que du texte.
- Si vous devez livrer cette semaine : l'accès est fermé. Benchmarkez Argon (disponible, même tarif d'introduction) et gardez votre couche d'abstraction prête.
- Si votre évaluation repose sur un seul score agrégé : relisez la pondération d'AA v5 (25/25/25/25) et rejouez vos propres tâches. Un modèle peut être premier de l'indice et troisième de votre flux réel.
Checklist de production
- Ne migrez pas vers un modèle en accès restreint. Benchmarkez sur Argon aujourd'hui, gardez une abstraction (routeur de modèles, SDK provider) pour basculer le jour de l'ouverture, sans réécrire l'application.
- Rejouez votre suite d'évaluation sur votre distribution de tâches. Les quatre blocs d'AA v5 pèsent 25 % chacun ; les vôtres, non. Comparez Carbon et votre modèle actuel sur 30 à 50 exemples réels, pas sur un classement.
- Budgétez la verbosité. +64 % de tokens de sortie qu'Argon sur les tâches juridiques et financières (Vals AI) : fixez
max_output_tokens, mesurez le coût par tâche, pas par million de tokens. - Gardez un garde-fou de factualité. 11 % d'hallucination sur AA-Omniscience : ancrage par retrieval, citations obligatoires sur les réponses factuelles, revue humaine sur les décisions.
- Pour un pipeline cybersécurité, gardez la revue humaine sur les patchs. 71 % sur CWE-bench, c'est trois patchs sur dix qui échouent — et les benchmarks annoncés sont évalués sans garde-fous.
Besoin de concevoir des workflows IA fiables, d'auditer l'architecture d'un LLM ou de former votre équipe ? Découvrez comment nous travaillons chez Kaleido-Lab.