Janji lebih mencabar Gemini 4 Carbon: kerja berguna selepas hari pertama

Pepijat perisian yang sukar jarang muncul sebagai latihan pengaturcaraan yang kemas. Ia hadir sebagai laporan, kegagalan berselang atau gejala yang terpisah beberapa lapisan daripada puncanya. Kerja berguna mungkin melibatkan pembacaan sejarah, pengujian penjelasan yang bersaing dan penolakan tampalan yang kelihatan menjanjikan sejam sebelumnya.

Google mengumumkan Gemini 4 Carbon pada 28 Oktober 2026, dengan penekanan pada kejuruteraan jangka panjang dan pertahanan keselamatan siber. Google DeepMind menyatakan bahawa pasukan dalamannya telah melihat model itu terus bekerja selama beberapa hari pada tugas kompleks, termasuk pepijat halus dalam pangkalan kod besar. Itu pemerhatian dalaman, bukannya janji bahawa setiap tugas pelanggan akan berjalan dengan jayanya selama beberapa hari. Pengumuman Google turut menjelaskan batas akses: ketersediaan awal untuk pembela siber terpilih, diikuti rakan kongsi dipercayai tambahan melalui Fairwind, sementara ketersediaan lebih luas masih dirancang.

Soalan praktikalnya ialah hasil yang patut ditinggalkan oleh model yang bekerja lebih lama. Panduan ini menerangkan kedudukan model baharu itu, cara membaca perbandingan yang diterbitkan dan cara pasukan kejuruteraan menyediakan tugas yang masih boleh disemak selepas berjam-jam bekerja.

Contoh papan tugas Scrumban dari 2013 yang menggambarkan keadaan kerja yang jelas dalam projek berterusan. Ini bukan antara muka Gemini atau hasil model. Imej: Dr ian mitchell, CC BY-SA 3.0; saiz diubah dan margin ditambah. Sumber imej · Lesen dan nota imej. Rujukan produk rasmi.

Tempoh hanya berguna apabila makna tugas kekal terpelihara

Ejen pengaturcaraan boleh terus sibuk tanpa menjelaskan masalah. Ia boleh mencari lebih banyak fail, mencuba lebih banyak tampalan dan menjalankan lebih banyak arahan sambil menyimpang daripada kegagalan asal. Pelaksanaan yang lebih panjang menambah peluang untuk maju serta peluang untuk mengumpulkan andaian salah. Cabaran produk ialah mengekalkan tujuan tugas sepanjang aktiviti itu.

Pada pandangan kami, tugas jangka panjang memerlukan kontrak yang berkekalan. Kontrak itu menyatakan masalah, bukti yang akan mengesahkan pembaikan, skop yang dibenarkan dan tindakan yang masih memerlukan manusia. Ia harus kekal walaupun hipotesis dan pelaksanaan berubah. Jika tidak, model boleh mencapai penutup yang meyakinkan dengan menyelesaikan masalah yang lebih mudah daripada masalah yang ditugaskan pengguna.

Pertimbangkan contoh ilustrasi pepijat penyegerakan. Laporan menyatakan bahawa sesuatu item kelihatan telah disimpan tetapi hilang selepas halaman dimuat semula. Tugas ejen yang berguna ialah menghasilkan semula tingkah laku itu, mengenal pasti kegagalan pemilikan atau penyimpanan kekal, mencadangkan pembaikan berskop dan mengesahkan laluan sama yang dilihat pengguna. Hasil yang kurang berguna ialah pemfaktoran semula besar dengan ujian lulus yang tidak pernah menguji muat semula.

Perbezaan itu semakin penting apabila masa berlalu. Selepas beberapa jam, penyemak memerlukan rekod bukti terkuat dan ketidakpastian yang masih ada, bukannya transkrip setiap arahan. Rekod itu patut memberitahu rakan sepasukan tempat untuk menyambung jika proses terhenti dan perkara yang akan mewajarkan penerimaan hasilnya.

Rajah tugas asal: kerja berterusan patut menghasilkan pembaikan yang boleh dijejaki, dengan kriteria penerimaan asal dikekalkan sepanjang penerokaan.

Perbandingan Carbon menerangkan beberapa jenis kerja yang berbeza

Halaman perbandingan model Google DeepMind, disemak pada 2 November, menyenaraikan Carbon dan Argon dalam pelbagai penilaian. Contohnya, halaman itu melaporkan 65.2% berbanding 57.1% pada Terminal-Bench 4.0, serta 61.2% berbanding 55.0% pada FrontierSWE 2. Ini ialah hasil perbandingan diterbitkan dengan nama dan syarat penanda aras yang berlainan; hasil tersebut tidak patut digabungkan menjadi satu kadar kejayaan produk.

Pasukan pengaturcaraan patut bermula dengan tugas yang menyerupai aliran kerjanya sendiri. Interaksi terminal, pembaikan repositori dan kerja berasaskan pelayar mengenakan tuntutan berbeza pada ejen. Model yang menunjukkan prestasi baik dalam satu penilaian masih mungkin memerlukan persediaan alat berbeza atau lebih banyak konteks manusia dalam repositori pengeluaran. Penanda aras membantu memilih eksperimen; tingkah laku repositori sendiri menentukan kejayaannya.

Jadual ini ialah rangka penilaian, bukannya penyataan semula metodologi ujian Google. Ia menukarkan dakwaan keupayaan luas kepada soalan yang boleh dijawab oleh pasukan. Hasil setempat yang kukuh patut merangkumi kegagalan dan langkah tersekat supaya pasukan memahami tempat model membantu serta bahagian aliran kerja sekeliling yang masih perlu diperbaiki.

Perbandingan juga memerlukan garis dasar yang stabil. Kekalkan revisi repositori, kebenaran alat, pernyataan tugas dan persekitaran ujian apabila membandingkan konfigurasi model. Jika satu proses diberikan cara menghasilkan semula masalah dan satu lagi perlu menemuinya dari awal, perbezaan masa penyelesaian tidak mengasingkan kesan model. Catat syarat sebelum mentafsir hasil.

Pertahanan siber memerlukan rantaian daripada penemuan kepada pembaikan disahkan

Pengumuman Google pada 28 Oktober melaporkan skor Carbon 88.2% pada SEC-bench Pro, 54.8% pada ExploitGym dan 71.0% pada CWE-bench, serta menyatakan bahawa penilaian penanda aras luaran ini dilakukan tanpa kawalan keselamatan. Angka tersebut meliputi tugas berbeza untuk mencari, mengesahkan dan menampal kelemahan. Pengumuman Google ialah sumber hasil yang diterbitkan oleh pembekal itu.

Bagi pembela, urutan berguna bermula dengan sasaran yang dibenarkan dan penemuan yang boleh diperiksa. Pengesahan patut membuktikan risiko berkaitan dalam persekitaran yang dipersetujui. Pembaikan kemudian perlu menangani punca dan mengekalkan tingkah laku yang sah. Peringkat ini mempunyai keperluan bukti berlainan, walaupun satu ejen membantu kesemuanya.

Contoh ilustrasi semakan pustaka dalaman menunjukkan perbezaan itu. Pasukan memberikan ejen salinan pustaka terasing dan kebimbangan khusus tentang pengendalian input. Hasil yang diingini ialah penemuan khusus, penghasilan semula terbatas dalam persekitaran ujian dan tampalan dengan liputan regresi. Ejen tidak patut memperluas tugasan kepada sistem tidak berkaitan hanya kerana menemui pautan atau kelayakan akses dalam bahan projek.

Senario ilustrasi kedua ialah penentuan keutamaan laporan sedia ada. Ejen boleh membantu menghubungkan laporan dengan laluan kod dan menentukan ujian yang dapat membezakan isu sebenar daripada andaian salah. Kesimpulan berguna bahawa “tiada pembaikan diperlukan” tetap memerlukan bukti. Menutup laporan melalui penjelasan yakin lebih lemah daripada menunjukkan sebab laluan yang didakwanya tidak terpakai pada revisi yang dinilai.

Pemilik akhir kekal pasukan kejuruteraan atau keselamatan yang bertanggungjawab terhadap sistem. Tampalan cadangan perlu disemak terhadap batas perkhidmatan sebenar, proses penerapan dan keperluan keserasian. Ujian terasing yang berjaya ialah satu bahagian keputusan itu, sementara pelancaran pengeluaran dan pemantauan kekal langkah berasingan.

Hasil keselamatan model tidak menentukan kebenaran penerapannya

Google menerangkan penambahbaikan penjajaran, ketahanan terhadap suntikan prom dan pengurangan dakwaan tanpa sokongan. Itu bidang berkaitan bagi model yang dimaksudkan untuk terus bekerja dalam keadaan kabur. Implikasi operasinya ialah menilainya dalam aliran kerja yang dimaksudkan, bukannya menganggap tajuk hasil keselamatan sebagai kebenaran untuk menyambungkan semua alat yang tersedia.

Kerja jangka panjang mendapat manfaat daripada kuasa berperingkat. Membaca repositori, mengubah salinan kerja terasing dan menerapkan perkhidmatan ialah tindakan berbeza. Pasukan boleh membenarkan ejen mengumpulkan bukti dan menyediakan perubahan yang boleh disemak sambil mengekalkan kelulusan khusus untuk penerbitan atau kesan pengeluaran. Batas itu patut dikuatkuasakan oleh persekitaran serta diterangkan dalam tugas.

Bahan tidak dipercayai menimbulkan satu lagi kebimbangan praktikal. Fail sumber, huraian isu atau halaman yang diambil boleh mengandungi arahan bercanggah dengan tugasan. Sistem ejen yang direka dengan baik patut memisahkan kuasa tugas daripada kandungan yang dibacanya. Bukti semakan patut menjadikan perubahan skop tidak dijangka jelas kelihatan, khususnya apabila proses sudah berjalan cukup lama sehingga tiada sesiapa memerhatikan setiap tindakan.

Perkara sama terpakai pada kelayakan akses. Berikan hanya akses yang diperlukan tugas dan utamakan persekitaran yang mengehadkan kesan tindakan tidak sengaja. Rintis yang berguna boleh menentukan sama ada model meminta konteks yang kurang dan merekodkan keadaan tersekat secara jujur. Tingkah laku itu sama penting dengan bilangan fail yang boleh diubah sebelum berhenti.

Rajah kuasa asal: pelaksanaan lebih lama tidak meluaskan kebenaran secara automatik. Setiap peringkat mempunyai pemilik berbeza dan syarat penyelesaian tersendiri.

Akses berperingkat memberi kebanyakan pasukan tugas persediaan dahulu

Pelancaran awam menerangkan akses untuk pembela siber terpilih, kemudian rakan kongsi Fairwind dipercayai tambahan, sementara saluran umum untuk pembangun, perniagaan dan pengguna masih akan datang. Pengumuman model dan ketersediaan produk secara luas ialah peristiwa berasingan. Laluan akses semasa patut disemak melalui saluran rasmi Google sebelum merancang penyampaian berasaskan Carbon. Pengumuman 28 Oktober, disemak pada 2 November 2026.

Pasukan tanpa akses masih boleh menyediakan kerja berguna. Pilih tugas sukar tetapi terbatas, simpan revisi repositori berkaitan dan kumpulkan bukti yang menjadikannya sukar sekarang. Takrifkan ujian serta jangkaan penyemak. Persediaan itu boleh digunakan semula apabila akses tiba dan menjadikan perbandingan dengan alat tersedia lebih bermakna hari ini.

Elakkan menganggap persediaan sebagai janji penyelesaian tanpa pengawasan. Tugas yang baik mungkin mendedahkan infrastruktur ujian yang kurang, pemilikan tidak jelas atau penghasilan semula tidak boleh diandalkan sebelum mana-mana model baharu berjalan. Membetulkan keadaan itu boleh menambah baik proses kejuruteraan pasukan tanpa mengira model yang akhirnya menjalankan penerokaan.

Contoh ilustrasi ketiga ialah kecacatan aplikasi merentas lapisan. Keadaan bahagian hadapan kelihatan betul sementara pelayan menyimpan nilai berbeza. Tugas boleh mewajibkan jejak hujung ke hujung melalui permintaan, penyimpanan kekal dan UI selepas muat semula, diikuti pembaikan kecil. Nilai penaakulan berterusan ialah mengekalkan hubungan antara lapisan semasa siasatan, bukannya sekadar menghasilkan lebih banyak kod di setiap lapisan.

Kos tugas panjang merangkumi semakan dan pemulihan

Harga token diterbitkan hanyalah satu bahagian tugas jangka panjang. Pelaksanaan alat, konteks berulang, infrastruktur ujian dan semakan jurutera semuanya boleh menyumbang kepada kos sebenar. Tugas yang berakhir dengan tampalan mudah dibaca dan disokong kukuh mungkin lebih bernilai daripada proses lebih murah yang meninggalkan berjam-jam ketidakpastian kepada penyemak.

Untuk rintis pertama, tetapkan batas perbelanjaan dan masa dalam sistem ejen jika boleh. Tentukan bukti yang patut dihasilkan sebelum melanjutkan proses. Tugas yang terhenti kemajuannya patut meninggalkan titik semak berguna: fakta terakhir disahkan, hipotesis terkuat yang masih ada dan ujian seterusnya. Ini menjadikan penyambungan keputusan berasaskan kemajuan, bukannya harapan bahawa lebih banyak masa akan membantu.

Beban semakan juga boleh diukur. Jejaki sama ada rakan sepasukan boleh memahami punca, memeriksa perbezaan kod dan menghasilkan semula semakan berkaitan tanpa memainkan semula seluruh sesi. Jika tidak, perbaiki format hasil kerja sebelum meluaskan kuasa ejen. Tugas panjang patut mengurangkan ketidakpastian pasukan, bukannya memindahkannya ke dokumen semakan yang lebih panjang.

Mulakan dengan pembaikan yang mempunyai garis penamat jelas

1. Sahkan laluan akses tersedia dan model tepat yang ditawarkan. Bezakan pelancaran Carbon yang diumumkan daripada akses kepada model Gemini lain.
2. Pilih tugas terasing yang dibenarkan dengan revisi repositori stabil dan kegagalan yang boleh dihasilkan semula. Elakkan penilaian pertama bergantung pada keadaan pengeluaran yang tidak terkawal.
3. Tulis kriteria penerimaan berdasarkan perkara yang dilihat pengguna atau tingkah laku sistem. Sertakan kontrak yang mesti kekal dan namakan tindakan luaran yang memerlukan kelulusan.
4. Sediakan alat diperlukan dan kebenaran minimum. Simpan perubahan, log dan hasil ujian di tempat yang boleh diperiksa jurutera lain.
5. Wajibkan titik semak yang membezakan bukti disahkan, hipotesis semasa dan kerja tersekat. Semak titik itu sebelum melanjutkan skop atau belanjawan.
6. Nilai pembaikan cadangan terhadap kegagalan asal dan suite regresi terjejas. Periksa perbezaan kod untuk perubahan tidak berkaitan dan migrasi kontrak tersembunyi.
7. Minta penyemak bertanggungjawab menentukan sama ada tampalan bersedia untuk proses keluaran biasa. Catat semakan tidak lengkap dan pengesahan luaran diperlukan secara jelas.

Rintis patut memasukkan satu keadaan yang sengaja menyusahkan, seperti ujian tidak berkaitan yang gagal atau perkhidmatan pilihan yang tidak tersedia. Perhatikan sama ada hasil kerja memisahkan batasan itu daripada bukti sebenar pembaikan. Model yang melaporkan jurang pengesahan secara jujur lebih mudah diintegrasikan daripada model yang menukarkan setiap keadaan tidak pasti kepada dakwaan selesai.

Ejen berbilang hari patut meninggalkan laluan lebih pendek kepada keputusan

Pengumuman Carbon menunjukkan jangkaan berbeza terhadap AI pengaturcaraan: kerja yang berterusan melalui jalan buntu dan menghasilkan pembaikan yang wajar disemak. Sistem kejuruteraan sekeliling mesti menjadikan ketekunan itu berguna. Skop jelas, bukti tersimpan dan kuasa terbatas memberikan model tugas yang boleh diselesaikan secara bermakna.

Kami menjangkakan penilaian terkuat akan menumpukan kualiti penyerahan. Adakah model mengekalkan soalan asal? Adakah ia mengenal pasti perkara yang benar-benar gagal? Bolehkah jurutera mengesahkan hasil dan menentukan langkah seterusnya? Soalan itu menghubungkan proses panjang dengan hasil kejuruteraan praktikal.

Janji AI yang bekerja lebih lama ialah laluan lebih pendek daripada laporan sukar kepada keputusan berasas. Masa bekerja menjadi bernilai apabila orang seterusnya boleh mempercayai hasil yang ditinggalkan.

Sumber

• Google: memperkenalkan Gemini 4 Carbon, 28 Oktober 2026; disemak pada 2 November 2026. Pemerhatian dalaman dan hasil penanda aras dinisbahkan kepada Google.
• Google DeepMind: perbandingan model Gemini, disemak pada 2 November 2026. Versi dan syarat penanda aras mesti kekal bersama skornya.

Kekalkan hubungan keputusan kejuruteraan dengan sumbernya

Telli.sh ialah satu pilihan untuk menyimpan bahan sumber yang dibenarkan dan nota di sebalik keputusan kejuruteraan. Cipta ruang kerja nota.