Gemini 4 Carbon Hơn 1 Điểm Ở Bảng AA, Thứ Hai Ở Vals, Số An Ninh Mạng Do Google Tự Chạy

Ngày 28/10/2026 Google DeepMind công bố Gemini 4 Carbon, mô hình mà hãng gọi là mạnh nhất của mình, hai tuần sau khi Argon mở cho nhà phát triển (13/10). Trên bảng Artificial Analysis Intelligence Index v5.0, Carbon đứng đầu với 59 điểm, hơn Claude Opus 5.5 một điểm và GPT-6 Astra hai điểm. Trên Vals Index nó chỉ thứ hai, sau Claude Sonnet 5.5. Giống Argon lúc ra mắt, Carbon chưa bán rộng: tuần này mới có một nhóm bên phòng thủ mạng được dùng. Điểm đáng đọc kỹ nằm ở phần an ninh mạng: SEC-bench Pro 88,2% và ExploitGym 54,8% do chính Google chạy, còn con số của đối thủ lấy từ tài liệu của họ. Locaith đọc bài công bố, trang phương pháp của Google, các biểu đồ đi kèm và trang của hai bên đo độc lập.

Google công bố gì

Bài của Koray Kavukcuoglu (phó chủ tịch cấp cao Google DeepMind, kiêm kiến trúc sư AI trưởng của Google) nói Carbon là mô hình có năng lực an ninh mạng và các việc dài, nhiều bước ở mức tiên tiến nhất của hãng. Google kể mô hình từng chạy nhiều ngày trong môi trường kỹ thuật nội bộ để lần ra nguyên nhân gốc và vá lỗi tinh vi trong cơ sở mã lớn. Hãng nêu các kết quả chính: hạng nhất Artificial Analysis Intelligence Index v5.0 với 59; SEC-bench Pro 88,2% (tìm lỗ hổng), ExploitGym 54,8% (khai thác), CWE-bench 71,0% (vá); WebDev Arena tăng 89 điểm Elo lên hạng 4 (1.768), con số Locaith chưa kiểm trên bảng gốc.

Cách mở bán lặp lại Argon. Locaith đã viết về Argon ngày 1/10 (bài trước): công bố 30/9, chỉ khách Fairwind dùng được. Bài của Google ngày 13/10 mới nói "từ hôm nay nhà phát triển có thể xây với Gemini 4 Argon" qua gói trả phí của Gemini API. Từ công bố đến nhà phát triển là 13 ngày với Argon; với Carbon Google không hứa mốc nào. Bài công bố còn nói hãng "đang tham gia quy trình tự nguyện của chính phủ Mỹ để thử mô hình trước phát hành"; Locaith không có cách kiểm câu này.

Bảng 17 hàng của Google: ai chạy từng phép đo

Google đặt Carbon cạnh Argon, GPT-6 Astra, Claude Opus 5.5 và Claude Fable 5.1 trong một bảng 17 hàng. Trang phương pháp của Google (5 trang) ghi nguồn từng hàng, nên Locaith xếp lại bảng theo câu hỏi "số của Carbon do ai chạy". Cột "Cao nhất khác" là mô hình có điểm cao nhất ngoài Carbon trong cùng hàng (Argon cũng tính, vì nó nằm trong bảng).

Cộng lại (Locaith tính, nhập từng ô vào script): Carbon dẫn 15 trong 17 hàng và thua hai hàng, FrontierSWE 2 (Astra cao hơn 4,3 điểm) và OSWorld-2.1 (Opus 5.5 cao hơn 5,7 điểm, dù Carbon lấy lần chạy tốt nhất trong ba lần). Có 11 hàng do bên thứ ba chạy: Carbon dẫn 10. Có 6 hàng mà số Gemini do Google tự chạy: Carbon dẫn 5. Bốn hàng chênh không quá một điểm trên thang phần trăm (AA 1,0; Vals 0,2; SWE-sweep 0,1; Chartography 0,9); bảng không in khoảng sai số, nên những hàng này Locaith đọc là "ngang nhau trong phạm vi chưa biết sai số", không phải "dẫn". Ở ba hàng an ninh mạng (CWE-bench, ExploitGym, SEC-bench Pro), hai trong ba hàng do Google tự chạy cho Gemini còn đối thủ lấy từ tài liệu của chính họ, và trong sáu ô dành cho hai mô hình Claude ở ba hàng này chỉ có ba ô có số (CWE-bench cả hai, ExploitGym chỉ Opus 5.5, SEC-bench Pro không có).

Phần an ninh mạng: bốn điều cần đọc kỹ

• SEC-bench Pro 88,2% là điểm trên tập tách riêng cho bộ máy JavaScript. Trang phương pháp ghi "183 bài, tập tách bộ máy JavaScript tháng 5/2026", trung bình ba lượt thử mỗi bài, Google chạy bằng khung Antigravity. Bài công bố viết "tự động tìm ra lỗ hổng phức tạp trong phần mềm thực tế"; đúng, nhưng phạm vi là một loại phần mềm. Astra 85,4% trong biểu đồ riêng của Google (không có mô hình Claude nào trong biểu đồ này). Khoảng cách 2,8 điểm tương đương khoảng 5 bài trong 183 (Locaith suy ra), và Google không in khoảng sai số.
• ExploitGym 54,8% là mức giới hạn 10 giờ mỗi bài; ở 6 giờ là 53,5%. Biểu đồ của Google ghi giới hạn thời gian từng cột: Carbon 10 giờ và 6 giờ, Argon 42,0% (10 giờ) và 39,5% (6 giờ), Opus 5.5 34,5% và Claude Mythos 5.1 30,4% (đều 6 giờ), Astra 42,4% và GPT-6.1 Sol 35,1% (không giới hạn), MiMo-V2.6-Pro 17,8% (không rõ giới hạn). Bảng chính đặt 54,8% (10 giờ) cạnh Opus 5.5 ở 6 giờ. Chênh giữa hai mức giới hạn của Carbon chỉ 1,3 điểm nên thứ hạng không đổi, nhưng điều kiện không đồng nhất. Trang phương pháp ghi ExploitGym chạy ở thiết lập mặc định với "mitigations off" (không giải thích thuật ngữ này); bài công bố ghi các phép đo ngoài được chạy "không có guardrail", mà Locaith hiểu là đo năng lực thô, không phải hành vi của bản sắp bán.
• CWE-bench 71,0% hơn 68,0% ba điểm, mỗi mô hình chạy trong khung riêng. Biểu đồ của Google ghi khung: Carbon và Argon dùng Antigravity, Astra và Sol dùng Codex, Opus 5.5 và Fable 5.1 dùng Claude Code, Grok 4.7 dùng opencode. Bảng do Collinear AI chạy và công khai, xếp theo pass@1, hoà thì xét pass@4. Locaith không tải bảng của Collinear để kiểm.
• Các số an toàn "nội bộ" không có nguồn trong trang phương pháp. Google nói Carbon đạt 0,0% tỉ lệ tấn công thành công ở phép đo tiêm lệnh gián tiếp Gray Swan khi thử 15 lần (Argon 0,7%; Opus 5.5 và Fable 5.1 đều 1,0%), tỉ lệ gian lận thành công ở Terminal-Bench 4.0 xuống 0,0% với 0,4% cố gắng, cảnh báo lệch căn chỉnh mức cao trong môi trường lập trình nội bộ giảm gần 80%, và nhóm Chrome thấy Carbon vá tốt hơn "một mô hình lớn của hãng khác" hơn 10 lần (không nêu tên hãng, không nêu thước đo). Trang phương pháp 5 trang không có mục nào cho Gray Swan, gian lận hay lệch căn chỉnh; Locaith không biết bên nào chạy các phép đo này. Một tỉ lệ 0% trên số lượt tấn công hữu hạn (không công bố) không có nghĩa là không thể bị tấn công. Bài chỉ dẫn tới báo cáo an toàn của Argon, Locaith chưa thấy báo cáo tương ứng cho Carbon.

Hai bên đo độc lập nói gì

Artificial Analysis (AA), Locaith đọc trang mô hình ngày 29/10. Carbon (mức suy luận "high") 59 điểm, hạng 1/52 mô hình AA xếp, trên Opus 5.5 (58), GPT-6 Astra (57), GPT-6.1 Sol (55), Fable 5.1 (49), Kimi K3.1 Pro (46). Chỉ số v5.0 gồm 9 phép đo; Google trích Argon 50 điểm trên cùng phiên bản, tức Carbon cao hơn Argon 9 điểm trong hai tuần. AA ghi "chưa có API công khai" cho Carbon. Chi phí chạy chỉ số là 7,76 USD mỗi tác vụ, tính theo giá 4/20 USD (giá sau giai đoạn giới thiệu); Carbon dùng 200 triệu token đầu ra để chạy chỉ số, gấp 3,1 lần trung vị 64 triệu của AA, nên AA xếp nó 49/51 về độ dài dòng. Tốc độ 92,4 token/giây. Ở giá niêm yết của AA, so với GPT-6.1 Sol (55 điểm, 1,27 USD) Carbon đắt gấp 6,1 lần cho 4 điểm; so với Opus 5.5 (58 điểm, 10,04 USD) rẻ hơn khoảng 23% cho 1 điểm.

Vals AI, bài đăng 28/10. Carbon xếp 2/29 trên Vals Index (70,36%, sai số ±0,97), sau Claude Sonnet 5.5 (70,85%) và trước Claude Opus 5.5 (70,18%), với chi phí 10,51 USD mỗi bài kiểm tra ở giá 4/20 USD. Hạng 1/87 ở Legal Research Bench (55,77%), 2/35 ở EMB v1.1 (76,47%), 4/57 ở Terminal-Bench 4.0 với 63,13% (khác 65,2% mà Google lấy từ AA; hai bên chạy riêng, Locaith không so khung chạy), 8/121 ở Vibe Code Bench (89,06%). Điểm yếu nhất là HLAB-Vals-1.1: 17,50%, hạng 6/30 (đồng hạng). Bảng của Google chỉ có năm cột nên Sonnet 5.5 không xuất hiện; chênh 0,49 điểm giữa Carbon và Sonnet 5.5 nhỏ hơn sai số ±0,97 Vals ghi cho Carbon, tức hai bên chưa phân biệt được.

Doanh nghiệp Việt Nam nên làm gì lúc này

Đây là nhận xét của Locaith. Một: Carbon chưa dùng được với phần đông doanh nghiệp. Mô hình Google đã mở cho nhà phát triển là Argon (từ 13/10, gói trả phí của Gemini API), và Google chưa nói giá giới thiệu 2/10 USD kéo dài tới khi nào; khi dự toán nên dùng 4/20 USD. Hai: điểm đầu bảng chỉ cho biết một mô hình mạnh ở bộ phép đo đó. Hơn một điểm trên AA, hơn 0,2 điểm trên Vals đều nằm trong phạm vi nhiễu của các bảng này; quyết định mua nên dựa trên thử trên dữ liệu của chính doanh nghiệp. Ba: chi phí mỗi tác vụ phụ thuộc vào độ dài câu trả lời, không chỉ giá mỗi token. Carbon dài gấp ba lần trung vị của AA, nên ở giá niêm yết nó không rẻ hơn mô hình cùng cỡ. Bốn: với việc an ninh mạng, thứ đáng chờ là bản đo của bên thứ ba trên bảng công khai chạy chung điều kiện, không phải bảng do hãng tự chạy.

Giới hạn của bài này

Locaith đọc bài công bố, ba biểu đồ an ninh mạng, bảng chính và trang phương pháp ngày 29/10/2026. Trang Artificial Analysis và Vals AI có thể đổi khi họ đo lại hoặc thêm mô hình. Locaith không có quyền dùng Carbon nên không thử mô hình. Chưa kiểm được trang giá Gemini API (không tải được) nên không xác nhận Carbon đã hay chưa nằm trong bảng giá. Locaith chưa thấy báo cáo an toàn của Carbon, chưa thấy phản hồi của Anthropic hay OpenAI về các so sánh, và chưa thấy bên thứ ba nào chạy lại SEC-bench Pro hay ExploitGym cho Carbon; điều đó không có nghĩa là chưa có.