Gemini 4 Carbon en tête de l’index, mais absent du tableau des prix qui compte

TL;DR

Google a annoncé Gemini 4 Carbon le 28 octobre 2026 et l’a placé en tête de l’Artificial Analysis Intelligence Index v5.0 avec un score de 59, avec 88,2 % sur SEC-bench Pro, 54,8 % sur ExploitGym et 71,0 % sur CWE-bench.
Ces trois chiffres en cybersécurité forment un entonnoir — trouver, exploiter, corriger — et la dernière étape, celle qu’un agent doit réellement accomplir, est la plus faible des trois.
L’accès est restreint : d’abord un sous-ensemble de défenseurs cyber, puis des partenaires de confiance via le Fairwind Program. Aucune date de disponibilité générale, aucune ligne d’API publique.
Sur le seul classement public comportant une colonne de coût, la cellule de Carbon est vide. Claude Opus 5.5 corrige 67 % des tâches à 0,79 $ par rollout ; Gemini 4 Argon corrige 68 % à 6,63 $ ; Carbon corrige 71 % à « — ».
Les testeurs indépendants placent Carbon premier au classement général mais derrière Opus 5.5 sur les agents de codage (59 contre 62), et son taux d’hallucination est de 11 % contre 4 % pour Argon.

Le meilleur modèle de Google est celui que vous ne pouvez pas acheter

Depuis deux ans, le rituel de sortie à la frontière suit toujours le même schéma : tableau de benchmarks, grille tarifaire, clé d’API. Gemini 4 Carbon rompt le moule. Google a publié les chiffres, le prix et les affirmations de sécurité, puis a remis le modèle à des défenseurs vérifiés plutôt qu’à des développeurs.

« Carbon se classe n°1 sur la version v5.0 récemment mise à jour de l’Artificial Analysis Intelligence Index avec un score de 59 », indique l’annonce, et il « affiche des gains significatifs sur les tâches de codage et agentiques » — le discours porte sur le travail d’ingénierie de longue haleine, Google affirmant que ses équipes internes ont vu le modèle tourner pendant des jours sur du débogage multi-étapes à travers de grandes bases de code. (Source : Google — Gemini 4 Carbon: our next frontier model)

Ce cadrage compte pour quiconque construit des agents, car ce qui est vendu n’est plus une meilleure réponse. C’est un meilleur relais : une tâche qui survit à des centaines d’appels d’outils sans dériver. La question que pose cet article est plus étroite que « Carbon est-il bon ». C’est : combien coûte Carbon par unité de travail réellement achevée, et pouvez-vous vérifier cette réponse ? Pour la seconde moitié de cette question, les classements répondent non.

Les trois scores cyber sont un entonnoir, pas un titre

Les chiffres de sécurité de Google sont généralement cités sous forme de triplet. Il vaut mieux les lire comme une séquence, car chaque étape consomme la sortie de la précédente :

Étape	Benchmark	Carbon	Ce que cela signifie
Trouver	SEC-bench Pro	88,2 %	Découvrir de manière autonome de vraies failles dans de vrais logiciels
Valider	ExploitGym	54,8 %	Transformer une découverte en exploit fonctionnel pour classer la gravité
Corriger	CWE-bench (Collinear)	71,0 %	Produire un correctif qui bloque l’exploit et préserve le fonctionnement du code

De bout en bout, un défenseur qui veut un correctif livré multiplie, il ne fait pas de moyenne : 0,882 × 0,710 place le meilleur cas près de 63 % des découvertes aboutissant à un correctif fusionné, avant toute revue humaine. La formulation de Google est prudente — le modèle « prend une avance nette » sur la détection et l’exploitation et « atteint tout juste 71,0 % » sur le correctif. (Source : Google)

C’est le problème discret du travail de sécurité agentique. Trouver des bugs n’a jamais été le goulot d’étranglement ; un scanner trouve des bugs par milliers. La file d’attente, c’est le correctif, et un taux de correction de 71 % sur un benchmark où chaque tâche est un vrai dépôt open source est respectable et signifie tout de même qu’environ trois correctifs écrits par l’agent sur dix échouent à un évaluateur qui vérifie à la fois que l’exploit est bloqué et que la fonctionnalité est préservée. Les commentaires autour du lancement abondent dans ce sens : trouver plus vite qu’on ne peut corriger transforme une capacité en arriéré. (Source : explainx.ai — Gemini 4 Carbon launch)

Deux conditions s’attachent aux trois chiffres. Google indique que les benchmarks cyber ont été « évalués sans garde-fous », donc le modèle livré, avec garde-fous, n’est pas celui qui a obtenu ces scores. Et au 29 octobre, le classement public SEC-bench Pro ne comporte aucune ligne Carbon, alors que CWE-bench — le seul des trois à disposer de données de coût publiques — en a une.

Là où les chiffres indépendants contredisent l’article de lancement

L’indice agrégé est corroboré. Carbon se situe à 59 sur l’Intelligence Index v5.0, premier sur 52 modèles, environ neuf points au-dessus de Gemini 4 Argon. Le reste du tableau est moins flatteur :

Mesure	Carbon	Meilleur rival sur la même mesure
AA Coding Agent Index	59 (Antigravity CLI)	Claude Opus 5.5 via Claude Code : 62
Hallucination AA-Omniscience	11 %	Gemini 4 Argon : 4 %
Coût par tâche de l’Intelligence Index	7,76 $	GPT-6 Astra : 6,25 $ (Opus 5.5 : 10,04 $)
Tokens de sortie par tâche de l’index	123k	200M de tokens pour une exécution complète de l’index contre une médiane de 64M

(Source : NeuralTrust — Gemini 4 Carbon benchmarks, pricing, citant Artificial Analysis)

La ligne sur l’hallucination est celle à retenir. Google rapporte que Carbon réduit les affirmations non étayées « d’environ 2x par rapport à Argon » lors de tests internes, et Artificial Analysis mesure le mouvement inverse sur son benchmark de connaissances — de 4 % à 11 % entre deux modèles sortis à deux semaines d’intervalle. Les deux peuvent être vrais : les vérifications internes de codage en direct et un jeu de questions public sondent des comportements différents. Mais un agent qui corrige une vulnérabilité qu’il a mal décrite est un mode de défaillance pire qu’un agent qui s’abstient, et c’est la première version de Gemini 4 où le chiffre indépendant de fabrication a évolué dans le mauvais sens.

La verbosité aggrave le tout. À 123k tokens de sortie par tâche de l’index et 200M pour une exécution complète, Carbon dépense du calcul sur du raisonnement que l’acheteur paie ; les 7,76 $ par tâche ne sont que 23 % en dessous d’Opus 5.5 et 1,2 fois GPT-6 Astra, malgré un prix affiché par million de tokens plus bas. Cet écart entre prix catalogue et coût par tâche achevée est le même piège que TAR a documenté dans l’économie du runtime d’agents d’AWS Infinity : ce sont les tokens par tour, pas les tokens par million, qui déterminent la facture.

La colonne de coût qui affiche « — »

Le classement CWE-bench de Collinear est le seul tableau public où Carbon et ses concurrents sont évalués par un harnais identique : quatre rollouts par tâche, 120 tâches, une heure de limite chacune, un vrai checkout de dépôt, une seule instruction — auditer et corriger. C’est ce qui s’approche le plus d’un test de correctif à conditions égales qui existe aujourd’hui.

Rang	Modèle	pass@1 programmatique	Coût moyen par rollout
1	Gemini 4 Carbon (Antigravity)	71 %	—
T2	Grok 4.7 (opencode)	68 %	2,75 $
T2	Gemini 4 Argon (Antigravity)	68 %	6,63 $
T2	GPT-6 Astra (Codex)	68 %	2,85 $
5	Claude Opus 5.5 (Claude Code)	67 %	0,79 $
6	Claude Fable 5.1 (Claude Code)	58 %	3,47 $

(Source : CWE-bench leaderboard via braindetox.kr)

Lisez la colonne des coûts à côté de celle des scores et le classement s’inverse. Carbon devance Opus 5.5 de quatre points en pass@1 et, sur le seul chiffre de coût publié de sa ligne, reste indéfini — le classement « note que Carbon n’a pas encore de chiffre de coût, il figure donc au classement mais pas sur le graphique des coûts ». Argon, le modèle que Google vous vendra réellement aujourd’hui, affiche les mêmes 68 % que Grok 4.7 et GPT-6 Astra à 6,63 $ par rollout contre 2,75 $ et 2,85 $ — plus du double du coût pour le même taux de réussite. Sur le seul axe qu’une équipe de sécurité doit défendre en réunion budgétaire, le plus récent modèle Gemini 4 n’est pas le meilleur rapport qualité-prix du tableau ; il est absent du débat.

Une seconde réserve joue en sens inverse pour le titre cyber. La revue de Jake Handy note que le résultat ExploitGym a utilisé un plafond de 10 heures contre 6 heures pour Opus 5.5, et qu’à 6 heures Carbon obtient 53,5 %. Les plafonds de benchmark sont un choix méthodologique légitime et un moyen facile de gagner une course de chevaux.

Les modèles cyber restreints deviennent une catégorie de produit

Carbon n’est pas la première sortie cyber restreinte. DeepSeek V4.1 Flash 1017 obtient 57 % sur le Cyber Index d’Artificial Analysis, derrière le GPT-6 Sol restreint d’OpenAI (Daybreak Blue, max) à 69 % — un modèle que TAR a traité comme une histoire de benchmark agentique dans DeepSeek V4.1 Flash 1017. Le verrou de Google est le plus formalisé à ce jour : le Fairwind Program couvrirait plus de 650 partenaires, en priorisant les gouvernements, les infrastructures critiques et les plateformes logicielles essentielles, avec MFA résistant au phishing, accès limité à la technologie interne, usage tracé et interdiction de redistribution. Passez par votre équipe de compte Cloud ; il n’y a pas de porte en libre-service.

Pour les opérateurs d’agents hors de cette cohorte, la conclusion utile n’est pas « attendons Carbon ». C’est que la capacité finira par arriver sur une API normale — Argon est passé de restreint à généralement disponible en environ deux semaines — et que les contrôles dont vous avez besoin sont ceux qui ne dépendent pas du modèle qui répond : identifiants à portée limitée par agent, approbation humaine avant qu’un correctif soit fusionné, un budget de tokens par exécution, et votre propre réplication de tout benchmark fournisseur que vous comptez citer en interne. Le schéma est déjà familier depuis l’économie de l’intrusion agentique à 50 $ par brèche et depuis l’agent de surveillance à trois interrupteurs de Replit : le modèle s’améliore, la frontière d’approbation reste à tracer par vous.

FAQ

Puis-je utiliser Gemini 4 Carbon aujourd’hui ? Non. Google indique qu’il est disponible « à partir de cette semaine » pour un sous-ensemble de défenseurs cyber, puis ouvre l’accès par phases via le Fairwind Program, l’accès développeur, entreprise et consommateur n’étant promis que « dès que possible » et sans date.

Combien coûte Carbon ? Le tarif de lancement est de 2 $ par million de tokens d’entrée et 10 $ par million de tokens de sortie, l’entrée mise en cache étant remisée à 95 %. Une note de bas de page fixe le tarif post-lancement à 4 $ et 20 $. Google ne donne aucune date de fin pour la fenêtre de lancement de Carbon, contrairement à celle d’Argon, que la page tarifaire lie au 30 novembre 2026.

Comment se compare-t-il à Claude Opus 5.5 et GPT-6 Astra ? Premier à l’Intelligence Index agrégé avec 59, derrière Opus 5.5 sur le Coding Agent Index d’Artificial Analysis (59 contre 62), et sur CWE-bench il mène en pass@1 (71 % contre 67 %) tandis qu’Opus 5.5 coûte 0,79 $ par rollout contre une cellule vide pour Carbon. Coût par tâche de l’Intelligence Index : 7,76 $ pour Carbon, 6,25 $ pour GPT-6 Astra, 10,04 $ pour Opus 5.5.

Les scores de sécurité sont-ils vérifiés ? En partie. CWE-bench est exécuté de manière indépendante et montre Carbon à 71 % de pass@1. SEC-bench Pro et ExploitGym n’ont aucune ligne Carbon publique au 29 octobre, et Google déclare que les trois ont été évalués sans garde-fous.

Les constructeurs d’agents doivent-ils se soucier d’un modèle auquel ils n’ont pas accès ? Oui, pour deux raisons : l’économie des tokens prédit la facture quand l’accès s’ouvrira, et le verrou lui-même signale que Google juge cette capacité assez puissante pour la restreindre — ce qui plaide pour mettre dès maintenant des barrières d’approbation autour de vos propres agents plutôt qu’après l’arrivée de la clé d’API.

Gemini 4 Carbon en tête de l'index, mais absent du tableau des prix qui compte