Gemini 4 Carbon prend la tête des benchmarks IA, mais Google réserve son modèle aux experts en cybersécurité

Google dévoile Gemini 4 Carbon, son modèle le plus avancé, en tête des classements d'intelligence et de cybersécurité, avec un accès initial restreint.

88,2 % pour détecter des vulnérabilités logicielles, 54,8 % pour les exploiter et 71 % pour produire des correctifs. Google DeepMind dévoile Gemini 4 Carbon, un nouveau modèle d'intelligence artificielle qui place la cybersécurité au centre de ses progrès. Il prend également la première position du classement Artificial Analysis Intelligence Index v5.0 avec un score de 59, devant Claude Opus 5.5 et GPT-6 Astra.

Annoncé le 28 octobre 2026, Carbon succède à Gemini 4 Argon, présenté quelques semaines auparavant. Google le décrit comme son modèle le plus performant, conçu pour les tâches complexes qui nécessitent de longues séquences de raisonnement, de programmation et d'utilisation d'outils.

Mais contrairement à un lancement classique, Gemini 4 Carbon n'est pas immédiatement accessible à tous. Google réserve ses premiers déploiements à un groupe limité de professionnels de la cybersécurité défensive, dans le cadre de son programme Fairwind. Google reprend la première place de l'Intelligence Index

Gemini 4 Carbon obtient 59 points sur la version 5.0 de l'Intelligence Index d'Artificial Analysis.

Ce score le place devant Claude Opus 5.5 à 58, GPT-6 Astra à 57 et Gemini 4 Argon à 50.

Le classement, établi par un organisme indépendant, mesure plusieurs dimensions de performance des modèles, notamment le raisonnement, les connaissances, les mathématiques et la programmation.

L'écart entre les trois modèles de tête reste toutefois relativement faible. Un point sur un indice composite ne signifie pas nécessairement une différence perceptible sur chaque tâche réelle.

Dans son tableau comparatif, Google présente également des résultats élevés sur des évaluations plus spécialisées.

Benchmark · Gemini 4 Carbon · Gemini 4 Argon · GPT-6 Astra · Claude Opus 5.5 AA Intelligence Index v5.0 · 59 · 50 · 57 · 58 Terminal-Bench 4.0 · 65,2 % · 57,1 % · 59,1 % · 59,6 % Agents' Last Exam v1.1 · 77,4 % · 69,0 % · 73,1 % · 71,6 % GraphWalks, contexte long · 96,2 % · 84,2 % · 71,8 % · 66,8 % RiemannBench · 80,0 % · 76,0 % · 72,0 % · 69,6 %

Ces résultats montrent une progression importante par rapport à Argon, particulièrement pour les agents et le traitement de contextes volumineux.

Carbon ne domine cependant pas tous les tests. Sur FrontierSWE 2, GPT-6 Astra atteint 65,5 %, contre 61,2 % pour Carbon. Sur OSWorld-2.1, Claude Opus 5.5 conserve l'avantage avec 87,2 %, contre 81,5 %.

Il faut donc distinguer la première place sur un indice global d'une supériorité sur l'ensemble des domaines. Un bond en avant dans la cybersécurité

C'est dans la cybersécurité que Google insiste le plus sur les progrès de son nouveau modèle.

L'entreprise organise ses résultats autour de trois étapes : détecter une vulnérabilité, vérifier qu'elle peut être exploitée, puis produire un correctif.

Sur SEC-bench Pro, destiné à évaluer la découverte de défauts logiciels, Gemini 4 Carbon atteint 88,2 %, contre 83,4 % pour Argon et 85,4 % pour GPT-6 Astra.

Sur ExploitGym, qui mesure la capacité à valider des vulnérabilités par leur exploitation dans un environnement de test, Carbon obtient 54,8 %, devant Argon à 42 % et GPT-6 Astra à 42,4 %.

Enfin, sur CWE-bench, consacré à la correction de failles logicielles, le modèle atteint 71 %, contre 68 % pour Argon et GPT-6 Astra.

Ces évaluations ont été réalisées sans les garde-fous de sécurité habituellement appliqués lors du déploiement.

Cette précision est essentielle. Les résultats décrivent les capacités du modèle dans un environnement d'évaluation, et non l'ensemble des opérations qu'un utilisateur pourra effectuer avec la version accessible commercialement.

Ils concernent aussi des tâches présentant un caractère dual : les compétences utiles pour vérifier et corriger une faille peuvent également être utilisées dans un contexte offensif.

Cette augmentation des capacités explique en partie la prudence adoptée par Google pour son déploiement. Des agents capables de poursuivre leur travail pendant plusieurs jours

Carbon n'a pas été conçu uniquement pour répondre à des questions complexes.

Google veut en faire un modèle capable de mener des opérations techniques prolongées, notamment dans les grands projets logiciels.

Le laboratoire affirme avoir observé des agents propulsés par Carbon poursuivre des tâches pendant plusieurs jours, traverser des impasses, rechercher la cause profonde d'un dysfonctionnement et proposer des correctifs dans des bases de code importantes.

Sur Terminal-Bench 4.0, Carbon atteint 65,2 %, soit un gain de 8,1 points par rapport à Argon.

Sur SWE-sweep, il obtient 9,6 %, contre 4,3 % pour son prédécesseur.

L'écart sur SWE-sweep est particulièrement intéressant, car il correspond à plus du double du résultat précédent. Le score absolu reste néanmoins faible, ce qui montre que les tâches couvertes par ce benchmark demeurent difficiles, même pour les meilleurs modèles.

Dans les usages informatiques, Carbon atteint également 77,4 % sur Agents' Last Exam v1.1, contre 69 % pour Argon.

Google rapporte aussi une progression de 89 points Elo sur WebDev Arena, où Carbon atteint environ 1 768 points et la quatrième place.

Ces évaluations suggèrent une amélioration de l'autonomie et de la qualité du code, sans garantir que chaque tâche prolongée puisse être confiée au modèle sans supervision. Un contexte d'un million de tokens mieux exploité

Les résultats les plus marqués concernent également le traitement de longues séquences d'information.

Gemini 4 Carbon prend en charge une fenêtre de contexte allant jusqu'à un million de tokens.

Sur GraphWalks, une évaluation de raisonnement sur des structures de graphes et des contextes compris entre 256 000 et un million de tokens, le modèle atteint 96,2 %.

Argon obtient 84,2 %, GPT-6 Astra 71,8 % et Claude Opus 5.5 66,8 %.

L'écart est important : Carbon dépasse Argon de douze points et Opus de près de trente points sur ce test.

L'intérêt d'une grande fenêtre de contexte ne réside pas seulement dans la quantité d'informations qu'un modèle peut recevoir. Il dépend de sa capacité à