Calipia : le blog

Le 28 octobre 2026, Google a présenté Gemini 4 Carbon, qu’il décrit comme son modèle le plus puissant, avec des capacités de pointe en cybersécurité et sur les tâches de longue haleine. Le timing a de quoi donner le tournis : Carbon arrive deux semaines seulement après Gemini 4 Argon, que la plupart des équipes n’avaient pas encore fini d’évaluer.

Pour les DSI, la question n’est pas de savoir si Carbon est « le meilleur modèle du monde » cette semaine, mais ce que cette annonce change concrètement pour un choix de plateforme. Et la réponse est plus subtile que les gros titres.

Un point d’avance, et un classement qui a changé de règles

Le chiffre qui fait le buzz vient d’Artificial Analysis : l’évaluateur indépendant place Carbon (en raisonnement élevé) en tête de son Intelligence Index v5.0 avec 59 points, devant Claude Opus 5.5 à 58, GPT-6 Astra à 57 et Argon à 50. Un point d’écart sur un indice composite, c’est l’équivalent d’une victoire au photo-finish : réelle, mais pas de quoi réécrire une stratégie d’achat.

Il faut aussi noter que cette première place est obtenue sur une version révisée du test. Artificial Analysis indique que 60 % de la v5 repose sur des tests privés ou des réponses non publiées, avec l’ajout de FrontierCode 2.0 et Terminal-Bench-Science et le remplacement de HLE par HLE-Diamond. C’est plutôt une bonne nouvelle méthodologique (moins de risque de « bachotage » des modèles), mais cela interdit de comparer ces scores avec ceux des versions précédentes de l’indice.

Dans son propre tableau, Google revendique la victoire sur la quasi-totalité des lignes : Carbon obtient le meilleur résultat sur 15 des 17 benchmarks présentés, OpenAI conservant l’avantage sur un test d’ingénierie logicielle et Anthropic sur une évaluation d’usage de l’ordinateur. Le détail est instructif : sur FrontierSWE 2, Carbon (61,2 %) reste derrière Astra (65,5 %) et Opus (62,3 %), tandis qu’Opus atteint 87,2 % sur le sous-ensemble hors ligne d’OSWorld, contre 81,5 % pour Carbon. Sur le code agentique, le constat est le même : sur le Coding Agent Index d’Artificial Analysis, Carbon via Antigravity CLI obtient 59, quand Claude Code avec Opus 5.5 culmine à 62.

L’écart le plus spectaculaire se trouve sur les très longs contextes : sur GraphWalks, mesuré entre 256 000 et 1 million de tokens, Carbon atteint 96,2 % contre 71,8 % pour Astra et 66,8 % pour Opus. Pour les scénarios d’analyse de gros corpus documentaires ou de bases de code entières, c’est un signal à suivre de près.

Le vrai positionnement : la cyberdéfense

Google ne s’en cache pas, Carbon est d’abord pensé pour la sécurité. L’éditeur structure ses résultats autour du cycle de défense complet : 88,2 % sur SEC-bench Pro pour la découverte de vulnérabilités, 54,8 % sur ExploitGym pour l’exploitation et 71,0 % sur CWE-bench pour la correction. La logique est saine pour un RSSI : trouver une faille, vérifier qu’elle est réellement exploitable, puis produire un correctif qui traite la cause racine.

Deux réserves s’imposent toutefois. D’abord, Google précise que ces évaluations externes ont été menées « sans garde-fous », ce qui signifie qu’aucun client n’a la garantie d’obtenir les mêmes scores une fois les restrictions de production activées. Ensuite, l’anecdote la plus flatteuse reste invérifiable : l’équipe Chrome aurait constaté un avantage supérieur à dix fois face au modèle d’un laboratoire concurrent pour produire des correctifs, mais ce concurrent n’est pas nommé et les données sous-jacentes ne sont pas publiées. Le benchmark anonyme contre un rival anonyme, c’est un peu le match amical joué à huis clos.

Côté ingénierie au long cours, Google affirme que ses équipes ont vu Carbon fonctionner pendant plusieurs jours pour diagnostiquer et corriger des bugs subtils dans de grandes bases de code et des systèmes bas niveau. Un agent qui travaille plusieurs jours d’affilée, c’est séduisant, mais c’est aussi un compteur de tokens qui tourne pendant plusieurs jours. Nous y revenons plus bas.

Fiabilité : des progrès, et une contradiction

Google met en avant des progrès d’alignement notables. Sur Terminal-Bench 4.0, la triche réussie tombe à 0,0 % et les tentatives à 0,4 % ; sur le benchmark d’injection de prompt indirecte de Gray Swan, le taux de succès des attaques passe de 0,7 % pour Argon à 0,0 %. Pour des agents qui liront demain vos dépôts Git, vos tickets et vos pages web, la résistance à l’injection est un critère de sélection de premier ordre. Mais un 0,0 % sur un jeu d’attaques donné ne vaut pas immunité universelle.

Les tests indépendants nuancent aussi le discours sur l’honnêteté du modèle. Carbon obtient le meilleur score AA-Omniscience (54) et répond correctement à 58 % des questions contre 48 % pour Argon, mais son taux d’hallucination passe de 4 % à 11 %. Avant de crier au loup, il faut lire la méthodologie : ce taux est calculé sur les seules réponses incorrectes, partielles ou absentes, et ne signifie donc pas que 11 % des réponses sont inventées. Il reste d’ailleurs le deuxième plus bas de tous les modèles, contre 50 % pour Claude Opus 5.5 et GPT-6 Astra en raisonnement maximal. Autrement dit, Carbon se trompe plus souvent qu’Argon quand il ne sait pas, mais beaucoup moins souvent que ses deux grands rivaux.

« Une fraction du prix » : vraiment ?

Sur le papier, Carbon sera lancé au même tarif promotionnel qu’Argon, soit 2 dollars par million de tokens en entrée et 10 dollars en sortie, avec une remise de 95 % sur les entrées en cache. Mais une note de bas de page précise qu’après la période de lancement, le prix passera à 4 et 20 dollars, et Google n’a pas indiqué quand cette période promotionnelle prendra fin pour Carbon, alors que celle d’Argon s’achève le 30 novembre 2026.

Face au tarif catalogue de GPT-6 Astra, l’écart unitaire est réel : 4 et 20 dollars pour Carbon contre 10 et 50 dollars pour Astra. Sauf qu’un DSI ne paie pas des tokens, il paie des tâches accomplies. Et là, la verbosité change tout. Au tarif standard, Artificial Analysis estime le coût de Carbon à 7,76 dollars par tâche de l’indice, environ 23 % de moins que Claude Opus 5.5 (10,04 dollars) mais environ 1,2 fois le coût de GPT-6 Astra (6,25 dollars). L’explication tient en un chiffre : Carbon consomme 123 000 tokens de sortie par tâche, contre 52 000 pour Astra. Le modèle le moins cher au token devient donc plus cher que celui d’OpenAI à la tâche. Moins cher qu’Opus, oui ; « une fraction du prix », non.

Le détail qui fâche : personne ne peut l’utiliser

Reste l’éléphant dans la salle des serveurs. Google rendra d’abord Carbon disponible à un sous-ensemble de défenseurs cyber, puis étendra progressivement l’accès à des partenaires de confiance via son programme Fairwind, en participant au processus volontaire de tests préalables du gouvernement américain. Pour les développeurs, les entreprises et le grand public, aucune date. Google n’a publié ni rapport technique, ni nombre de paramètres, et l’annonce ne fournit pas de spécification d’API équivalente à celle d’Argon.

Ce qu’il faut en retenir

Trois enseignements pratiques. Premièrement, l’écart entre les trois grands modèles frontières est désormais de l’ordre du bruit statistique sur les indices généralistes ; le choix doit se faire sur vos cas d’usage (code agentique, longs contextes, cyberdéfense), pas sur le classement de la semaine. Deuxièmement, le prix au million de tokens est un indicateur trompeur : seul le coût par tâche réussie, mesuré sur vos propres charges, a du sens, et il dépend autant de la verbosité du modèle que de sa grille tarifaire. Troisièmement, la cadence s’accélère au point qu’une architecture multi-modèles, avec une couche d’abstraction permettant de basculer d’un fournisseur à l’autre, n’est plus un luxe mais une assurance.

En attendant, si vous devez produire quelque chose cette semaine, Carbon restera pour vous ce que la Formule 1 est au conducteur moyen : impressionnante à regarder, mais pas disponible chez le concessionnaire 🙂