Gemini 4 Carbon vodi na testovima, ali još nije spreman za produkciju
Googleov novi model je na vrhu važnog nezavisnog testa, ali ograničen pristup znači da još ne može da utiče na ozbiljan produkcioni plan.
Šta je objavljeno
Google je 28. oktobra predstavio Gemini 4 Carbon, model usmeren na dugotrajne agentske zadatke, programiranje i sajber bezbednost. Artificial Analysis mu daje rezultat 59 i prvo mesto na svom Intelligence Indexu, dok ga The Aggregate vodi kao privatno dostupan model.
Operativna posledica
Pristup je trenutno ograničen na odabrane stručnjake za sajber odbranu. Ne postoje javni API identifikator ni datum opšte dostupnosti, pa timovi ne mogu da provere stvarnu latenciju, kvote, pouzdanost ili trošak po završenom zadatku.
Naš potez
Ne bismo menjali produkcioni sistem na osnovu rang-liste. Pripremili bismo evaluacije na sopstvenim repozitorijumima i bezbednosnim tokovima, a Carbon bismo po dostupnosti pustili paralelno sa postojećim modelom pre bilo kakve migracije.
Gemini 4 Carbon je na vrhu Artificial Analysis indeksa, ali za tim koji održava produkcioni softver još nije proizvod. Google je objavio cenu i rezultate, dok je pristup ostao ograničen, bez javnog API identifikatora i bez datuma opšte dostupnosti. Mi zbog toga ne bismo odlagali migraciju, menjali arhitekturu agenta niti obećavali bezbednosni tok rada zasnovan na Carbonu. Umesto toga, odmah bismo pooštrili sopstveni evaluacioni skup: stvarne greške iz repozitorijuma, prihvatljivost zakrpa, otpornost na prompt injection, oporavak posle greške alata, ukupan broj tokena, vreme izvršenja i trošak po uspešno završenom zadatku. Kada model postane dostupan kroz API, pustili bismo ga paralelno sa postojećim modelom, bez produkcionog uticaja, i tek na osnovu naših tragova odlučili o rutiranju saobraćaja. Carbon može opravdati promenu dobavljača ili modela; sama najava ne može. Dok ne možemo da proverimo kvote, latenciju, rezidentnost podataka, nadzor i režime otkaza na sopstvenom opterećenju, ovo je signal za pripremu, a ne zavisnost u planu razvoja.
Pretvorite uvid u sistem koji radi.
Gradimo evaluacioni i orkestracioni sloj koji poredi Carbon sa modelom koji Vaš tim već koristi, na stvarnim zadacima i bez uticaja na produkciju. Uključujemo probno rutiranje, praćenje troška, dozvole i revizijski trag. Vredi da razgovaramo ako Vaš tim koristi agente za razvoj ili bezbednost softvera.