[AINews] Gemini 4 Carbon dẫn đầu các bảng xếp hạng, ra mắt phục vụ lực lượng phòng thủ không gian mạng

Tập podcast đánh giá Opus 5.5 là mô hình tốt nhất thế giới đã kịp thời lên sóng trước đợt ra mắt ngày hôm nay. Đầy bất ngờ, Gemini đã công bố Carbon, mô hình tiên phong mới hơn so với Argon chỉ vừa ra mắt cách đây 3 tuần, đi kèm các kết quả đánh giá hiệu năng vượt trội: Kết quả này đưa mô hình lên vị trí dẫn đầu bảng xếp hạng tổng hợp của Artificial Analysis, qua đó nhiều khả năng lần đầu tiên đưa GDM lên ngôi đầu trong lịch sử AAII: Xem bài viết trên X ↗ sd Bản tin AI ngày 27/10/2026 - 28/10/2026. Dữ liệu tổng hợp từ 12 diễn đàn chuyên mục trên Reddit, 544 tài khoản Twitter và không ghi nhận thêm từ Discord. Trang web của AINews cho phép tra cứu toàn bộ các số đã phát hành. Xin lưu ý, AINews hiện là một chuyên mục trực thuộc Latent Space. Độc giả có thể tùy chọn tần suất nhận thư điện tử. Điểm tin AI trên Twitter Gemini 4 Carbon dẫn đầu các bảng xếp hạng độc lập, quyền truy cập giới hạn cho lực lượng phòng thủ mạng Ra mắt: Google DeepMind công bố Gemini 4 Carbon chỉ hai tuần sau khi phát hành Argon. Mô hình này được định vị đạt trình độ tiên tiến nhất hiện nay trong lĩnh vực an ninh mạng và các tác vụ dài hạn (@sundarpichai, @GoogleDeepMind). Kết quả an ninh mạng được công bố: Đạt 88,2% trên SEC-bench Pro về khả năng phát hiện lỗ hổng, 54,8% trên ExploitGym về khai thác lỗ hổng và 71,0% trên CWE-bench về vá lỗi (@sundarpichai). Khả năng tiếp cận: Carbon bước đầu được cấp quyền sử dụng cho các chuyên gia phòng thủ không gian mạng đáng tin cậy thông qua Chương trình Fairwind; quyền truy cập rộng rãi hơn dành cho giới lập trình viên được cam kết triển khai "trong thời gian sớm nhất" (@GoogleAI). Chi phí: Chuyên gia Phil Schmid dẫn mức giá 2 USD/10 USD cho mỗi một triệu token đầu vào/đầu ra kèm điều kiện (@_philschmid). Artificial Analysis niêm yết biểu giá chuẩn là 4 USD/20 USD cùng mức ưu đãi 50% nhân dịp ra mắt và chưa ấn định thời hạn kết thúc. Chi phí cho token đầu vào dạng lưu trong bộ nhớ đệm (cached input) là 0,20 USD cho mỗi một triệu token (@ArtificialAnlys). Thông số kỹ thuật: Mô hình sở hữu cửa sổ ngữ cảnh 1 triệu token và giới hạn đầu ra tối đa 1 triệu token. Dữ liệu đầu vào gồm văn bản, hình ảnh, video và giọng nói; dữ liệu đầu ra là văn bản (@ValsAI). Tuyên bố về tính an toàn (Google): Tỷ lệ gian lận thành công trên Terminal-Bench 4.0 giảm xuống 0,0%, các nỗ lực gian lận giảm xuống 0,4%. Các tuyên bố không có cơ sở giảm khoảng 2 lần so với Argon. Tỷ lệ can thiệp quá mức (overreach) giảm 26% và tỷ lệ phản hồi thiếu đầy đủ (under-service) giảm 29% (@OfficialLoganK). Artificial Analysis: Carbon xếp vị trí thứ nhất trên Intelligence Index v5 với điểm số 59, đồng thời dẫn đầu 4 trên 9 bài kiểm tra của chỉ số này gồm: HLE-Diamond, TB-Science, AA-Omniscience và AutomationBench (@ArtificialAnlys). Khả năng lập trình: Trên Coding Agent Index, Carbon đạt điểm 59 khi sử dụng Antigravity CLI, so với mức 62 điểm của Claude Code kết hợp Opus 5.5 [max]. Mô hình đạt tỷ lệ 51% trên FrontierCode v1.1, so với 56% của Opus. Tác vụ tri thức: Carbon đạt mức điểm 1.609 Elo trên AA-Briefcase, tăng 126 điểm so với Argon, song vẫn đứng sau Grok 4.7, Muse Wonder và Kimi K3.1 Pro (1.678 điểm). Chi phí thực tế: Carbon tiêu tốn 7,76 USD cho mỗi tác vụ kiểm thử, so với 10,04 USD của Opus 5.5 và 6,25 USD của GPT-6 Astra. Mô hình sử dụng 123.000 token đầu ra cho mỗi tác vụ, ít hơn 29% so với Opus. Hiện tượng ảo giác (hallucination): Carbon dẫn đầu bảng Omniscience với 54 điểm. Tỷ lệ ảo giác của mô hình tăng từ mức 4% ở phiên bản Argon lên 11%, song vẫn là mức thấp thứ hai từng được ghi nhận. Trong khi đó, cả Opus 5.5 và Astra đều ghi nhận tỷ lệ này ở mức 50%. Các đánh giá độc lập khác: Hệ thống Arena: Carbon xếp thứ nhất trên Text Arena (1.528 điểm), thứ hai trên Agent Arena với chi phí trung vị 1,80 USD cho mỗi tác vụ, và thứ tư trên Code Arena: WebDev (1.768 điểm) (@arena). Arena đánh giá sự tiến bộ này so với Argon đến từ mức độ tán đồng cao hơn, số ca xử lý thành công được xác nhận nhiều hơn và khả năng kiểm soát mô hình tốt hơn (@arena). Vals: Carbon xếp thứ hai trên Vals Index, đồng thời giữ vị trí số một trên Finance Index và Legal Research Benchmark. Lượng token đầu ra do mô hình tạo ra nhiều hơn 64% so với Argon, tập trung chủ yếu ở các tác vụ tài chính, thuế và pháp lý (@ValsAI, tokens). Các chuẩn đo lường lập trình: Carbon đạt 61,2% trên FrontierSWE, đứng sau GPT-6 Astra (65,5%), Opus 5.5 (62,3%) và Sonnet 5.5 (61,9%) (@ProximalHQ). Mô hình này thiết lập kỷ lục hiệu năng mới với cách biệt sít sao 9,6% trên bảng SWE-sweep (@KLieret). Andon Labs: Mô hình Carbon đứng vị trí số 1 trên bảng xếp hạng Vending-Bench 2 (@andonlabs). Mô hình này cũng giữ vị trí số 1 trên Blueprint-Bench 2, đạt mức tương đương với năng lực cơ sở của con người về khả năng hiểu không gian 3D (@andonlabs). Các lưu ý và phản ứng: Khung thử nghiệm: Kết quả của các tác tử lập trình (coding agent) được đo lường trên Antigravity CLI, do đó kết quả trên các khung thử nghiệm khác vẫn chưa được kiểm chứng (@Yuchenj_UW). Nguy cơ ảo giác: Một số người dùng bày tỏ lo ngại về hiện tượng ảo giác (hallucination) trong các tác vụ an ninh mạng (@scaling01). Khoảng cách giữa các phòng thí nghiệm: scaling01 nhận định Google hiện vẫn đi sau các phiên bản phát hành sắp tới của OpenAI và Anthropic khoảng hai tháng (@scaling01). Định hướng RSI: Trong cuộc họp báo cáo kết quả kinh doanh, ông Sundar Pichai cho biết AI đang thúc đẩy tốc độ huấn luyện và phát hành sản phẩm. Ông kỳ vọng "sẽ tiếp tục có sự tăng tốc nhờ RSI" trong vòng 12 tháng tới (@AndrewCurran_). Chưa xác nhận: Những tuyên bố về một mô hình Gemini mạnh hơn nhưng chưa được phát hành hiện vẫn chưa được xác nhận (@kimmonismus). Quy trình làm việc nội bộ: Một kỹ sư của Gemini mô tả các chu trình tác tử và cụm tác tử vận hành xuyên đêm để kiểm tra dữ liệu học tăng cường (RL). Trong quy trình đó, các đợt phát hành hiện mang lại cảm giác như "những điểm kiểm tra định kỳ" (@zhangqiaorjc). Tái lập bảng xếp hạng và tính toàn vẹn của chuẩn đánh giá AA Intelligence Index v5: Chỉ số được tái cấu trúc này vận hành 60% trên các bài kiểm tra nội bộ (@TheRundownAI). Xếp hạng trước khi có Carbon: Opus 5.5 đạt 58 điểm, theo sau là GPT-6 Astra (57 điểm), GPT-6.1 Sol (55 điểm), Sonnet 5.5 (54 điểm) và GPT-6.1 Terra (51 điểm). Các mô hình mở: Kimi K3.1 Pro giảm từ 55 điểm xuống 46 điểm. DeepSeek V4.1 Flash và GLM-5.3 đều đạt 32 điểm, thấp hơn Claude Haiku 5.5 với 36 điểm. Khoảng cách Trung - Mỹ: scaling01 ước tính khoảng cách là khoảng 3,3 tháng trên Chỉ số Tiến trình AA (AA Progress Index) (@scaling01). Mô hình bí ẩn trên FrontierCode 2.0: Dữ liệu của Cognition bao gồm một mô hình ẩn mang tên "Obsidian 3" đạt 46,8%, so với mức 45,5% của Opus 5.5. Do vận hành trên khung thử nghiệm claude-code, một số ý kiến suy đoán đây là Fable 5.5; điều này hiện chưa được xác nhận (@kimmonismus). Đính chính về DeepSeek: scaling01 đã đính chính một nhận định trước đó và cho biết Artificial Analysis ghi nhận DeepSeek V4.1 Flash-1017 đạt khoảng 28% (@scaling01). Nguồn dữ liệu không đồng nhất: teortaxes lưu ý rằng biểu đồ của Cognition đã kết hợp điểm số từ báo cáo mô hình (model card) với các kết quả đo lường độc lập (@teortaxesTex). Phép so sánh chi phí còn nhiều bất cập: teortaxes lập luận rằng việc so sánh giá niêm yết giữa Haiku 5.5 và V4.1-1017 làm sai lệch chi phí thực tế. Phép so sánh này áp dụng mức giá giờ cao điểm của DeepSeek, bỏ qua phụ phí ngữ cảnh dài của Haiku và không phản ánh việc Haiku có lượng token đầu ra cao gấp khoảng 2 lần (@teortaxesTex). Tái định nghĩa "Benchmaxxing": nrehiew cho rằng các phòng thí nghiệm nghiêm túc hiếm khi huấn luyện mô hình dựa trên tập dữ liệu kiểm thử. Theo quan điểm này, chênh lệch điểm số chủ yếu phản ánh những năng lực mà một phòng thí nghiệm nhắm tới trong giai đoạn hậu huấn luyện (post-training) (@nrehiew_). Các đánh giá mới: Gym-Anything-RT: Các mi... thời gian thực này