คำมั่นที่ยากกว่าของ Gemini 4 Carbon: งานที่ยังมีประโยชน์หลังวันแรก

บั๊กซอฟต์แวร์ยากมักไม่ได้มาเป็นแบบฝึกเขียนโค้ดเรียบร้อย แต่มาเป็นรายงาน ความล้มเหลวเป็นครั้งคราว หรืออาการที่ห่างต้นเหตุหลายชั้น งานมีประโยชน์อาจต้องอ่านประวัติ ทดสอบคำอธิบายแข่งขัน และทิ้งแพตช์ที่ดูมีหวังเมื่อชั่วโมงก่อน

Google ประกาศ Gemini 4 Carbon เมื่อ 28 ตุลาคม 2026 โดยเน้นวิศวกรรมระยะยาวและการป้องกันไซเบอร์ Google DeepMind ระบุว่าทีมภายในเห็นโมเดลทำงานซับซ้อนต่อเนื่องหลายวัน รวมบั๊กละเอียดในคลังโค้ดใหญ่ นี่คือข้อสังเกตภายใน ไม่ใช่คำมั่นว่าทุกงานลูกค้าจะสำเร็จหลายวัน ประกาศ Google ยังระบุขอบเขตเข้าถึงชัดว่า เริ่มสำหรับผู้ป้องกันไซเบอร์ที่คัดเลือก ตามด้วยพันธมิตรที่เชื่อถือเพิ่มเติมผ่าน Fairwind และวางแผนเปิดกว้างภายหลัง

คำถามเชิงปฏิบัติคือโมเดลที่ทำงานนานควรเหลืออะไรไว้ บทความนี้อธิบายตำแหน่งโมเดลใหม่ วิธีอ่านการเปรียบเทียบที่เผยแพร่ และการเตรียมงานของทีมวิศวกรรมให้ยังตรวจทานได้หลังทำงานหลายชั่วโมง

ตัวอย่างกระดานงาน Scrumban ปี 2013 สื่อถึงสถานะงานที่มองเห็นได้ในโครงการต่อเนื่อง ไม่ใช่หน้าจอ Gemini หรือผลโมเดล ภาพ: Dr ian mitchell, CC BY-SA 3.0; ปรับขนาดพร้อมเพิ่มขอบ แหล่งภาพ · ใบอนุญาตและหมายเหตุภาพ ข้อมูลผลิตภัณฑ์ทางการ

ระยะเวลามีค่าเมื่องานยังคงความหมายเดิม

เอเจนต์เขียนโค้ดอาจยุ่งตลอดโดยไม่ทำให้ปัญหาชัดขึ้น ค้นไฟล์เพิ่ม ลองแพตช์เพิ่ม และรันคำสั่งเพิ่ม ขณะหลุดจากความล้มเหลวเดิม การทำงานนานเพิ่มทั้งโอกาสก้าวหน้าและโอกาสสะสมสมมติฐานผิด โจทย์ผลิตภัณฑ์คือรักษาจุดประสงค์ผ่านกิจกรรมนั้น

เราเห็นว่างานระยะยาวต้องมีสัญญาที่คงอยู่ ระบุปัญหา หลักฐานพิสูจน์การซ่อม ขอบเขตที่อนุญาต และการกระทำที่ยังต้องใช้คน สัญญาควรอยู่รอดเมื่อสมมติฐานและวิธีทำเปลี่ยน มิฉะนั้นโมเดลอาจจบอย่างน่าเชื่อด้วยการแก้โจทย์ที่ง่ายกว่าผู้ใช้มอบหมาย

พิจารณาบั๊กซิงก์ตัวอย่าง รายงานบอกว่ารายการดูเหมือนบันทึกแล้วแต่หายหลังรีเฟรช งานเอเจนต์ที่ดีคือทำซ้ำ ระบุความผิดด้านเจ้าของข้อมูลหรือการเก็บถาวร เสนอซ่อมในขอบเขต และตรวจเส้นทางที่ผู้ใช้เห็นเดิม ผลที่ด้อยกว่าคือปรับโครงสร้างใหญ่พร้อมการทดสอบผ่านที่ไม่เคยทดสอบรีเฟรช

ความต่างสำคัญขึ้นตามเวลา หลังหลายชั่วโมง ผู้ตรวจต้องการบันทึกหลักฐานที่แข็งแรงที่สุดกับความไม่แน่นอนที่เหลือ ไม่ใช่บทถอดทุกคำสั่ง บันทึกควรบอกเพื่อนร่วมงานว่าจะต่อที่ใดหากหยุด และอะไรเป็นเหตุผลยอมรับผล

แผนภาพงานที่จัดทำขึ้น: งานต่อเนื่องควรสร้างการซ่อมที่ย้อนตรวจได้ โดยรักษาเกณฑ์ยอมรับเดิมระหว่างสำรวจ

การเปรียบเทียบ Carbon อธิบายงานหลายชนิด

หน้าเปรียบเทียบโมเดล Google DeepMind ที่ตรวจเมื่อ 2 พฤศจิกายน แสดง Carbon และ Argon ในหลายการประเมิน เช่น 65.2% เทียบกับ 57.1% ใน Terminal-Bench 4.0 และ 61.2% เทียบกับ 55.0% ใน FrontierSWE 2 นี่คือผลเปรียบเทียบที่เผยแพร่พร้อมชื่อและเงื่อนไขเบนช์มาร์กต่างกัน ไม่ควรรวมเป็นอัตราสำเร็จผลิตภัณฑ์เดียว

ทีมเขียนโค้ดควรเริ่มจากงานใกล้เวิร์กโฟลว์ตัวเอง การใช้เทอร์มินัล ซ่อมคลังโค้ด และทำงานผ่านเบราว์เซอร์เรียกร้องต่างกัน โมเดลที่ดีในการประเมินหนึ่งยังอาจต้องตั้งค่าเครื่องมือต่างหรือใช้บริบทมนุษย์เพิ่มในคลังจริง เบนช์มาร์กช่วยเลือกการทดลอง ส่วนพฤติกรรมคลังเองตัดสินว่าทดลองสำเร็จหรือไม่

ตารางนี้เป็นกรอบประเมิน ไม่ใช่คำบอกซ้ำวิธีทดสอบ Google เปลี่ยนคำกล่าวกว้างเป็นคำถามที่ทีมตอบได้ ผลท้องถิ่นที่แข็งแรงควรรวมความล้มเหลวและขั้นติดขัด เพื่อเข้าใจจุดที่โมเดลช่วยและจุดที่เวิร์กโฟลว์ยังต้องแก้

การเปรียบเทียบต้องมีฐานคงที่ด้วย รักษารุ่นคลัง สิทธิเครื่องมือ คำสั่งงาน และสภาพแวดล้อมทดสอบเหมือนกันเมื่อเทียบการตั้งค่าโมเดล หากครั้งหนึ่งได้รับวิธีทำซ้ำ แต่อีกครั้งต้องหาเอง ความต่างเวลาจบไม่ได้แยกผลโมเดล บันทึกเงื่อนไขก่อนตีความ

การป้องกันไซเบอร์ต้องมีสายงานจากข้อค้นพบสู่การซ่อมที่ยืนยันแล้ว

ประกาศ Google วันที่ 28 ตุลาคมรายงาน Carbon ได้ 88.2% ใน SEC-bench Pro, 54.8% ใน ExploitGym และ 71.0% ใน CWE-bench และระบุว่าการประเมินเบนช์มาร์กภายนอกเหล่านี้ทำโดยไม่มีมาตรการป้องกันกำกับ ตัวเลขครอบคลุมงานต่างกันด้านค้นหา ยืนยัน และแก้ช่องโหว่ ประกาศ Google เป็นแหล่งของผลที่ผู้ขายเผยแพร่

สำหรับผู้ป้องกัน ลำดับที่มีประโยชน์เริ่มจากเป้าหมายที่ได้รับอนุญาตและข้อค้นพบตรวจได้ การยืนยันควรพิสูจน์ความเสี่ยงในสภาพแวดล้อมตกลง การซ่อมต้องแก้ต้นเหตุและรักษาพฤติกรรมชอบธรรม แต่ละขั้นต้องใช้หลักฐานต่างกัน แม้เอเจนต์เดียวช่วยทั้งหมด

ตัวอย่างตรวจไลบรารีภายในแสดงความต่าง ทีมให้สำเนาไลบรารีที่แยกและข้อกังวลการจัดการอินพุตที่นิยาม ผลที่ต้องการคือข้อค้นพบเฉพาะ การทำซ้ำในขอบเขตสภาพแวดล้อมทดสอบ และแพตช์พร้อมการทดสอบถดถอย เอเจนต์ไม่ควรขยายไปยังระบบไม่เกี่ยวเพียงเพราะพบลิงก์หรือข้อมูลรับรองในโครงการ

ตัวอย่างที่สองคือคัดแยกรายงานเดิม เอเจนต์ช่วยเชื่อมรายงานกับเส้นทางโค้ดและเลือกการทดสอบแยกปัญหาจริงจากสมมติฐานผิดได้ ข้อสรุป “ไม่ต้องซ่อม” ที่มีประโยชน์ยังต้องมีหลักฐาน ปิดรายงานด้วยคำอธิบายมั่นใจมีน้ำหนักน้อยกว่าแสดงว่าทำไมเส้นทางที่อ้างไม่ตรงรุ่นที่ตรวจ

เจ้าของสุดท้ายยังเป็นทีมวิศวกรรมหรือความปลอดภัยผู้รับผิดชอบระบบ แพตช์เสนอจำเป็นต้องตรวจเทียบขอบเขตบริการ ขั้นตอนนำขึ้นใช้ และความเข้ากันได้จริง การทดสอบแยกสำเร็จเป็นส่วนหนึ่ง ส่วนเปิดใช้จริงกับเฝ้าระวังยังเป็นขั้นแยก

ผลความปลอดภัยโมเดลไม่ได้กำหนดสิทธิติดตั้ง

Google อธิบายการปรับปรุงความสอดคล้องกับคำสั่ง การต้านพรอมป์ต์แทรก และลดคำกล่าวไร้หลักฐาน เป็นประเด็นเกี่ยวข้องกับโมเดลที่ทำงานต่อผ่านความกำกวม ความหมายปฏิบัติการคือประเมินในเวิร์กโฟลว์ที่ตั้งใจ แทนถือผลพาดหัวเป็นสิทธิให้เชื่อมทุกเครื่องมือ

งานระยะยาวได้ประโยชน์จากอำนาจเป็นขั้น อ่านคลัง แก้เช็กเอาต์แยก และนำบริการขึ้นใช้เป็นคนละการกระทำ ทีมให้เอเจนต์เก็บหลักฐานและเตรียมการแก้ตรวจได้ พร้อมคงการอนุมัติแยกสำหรับเผยแพร่หรือผลจริงได้ ขอบเขตควรบังคับโดยสภาพแวดล้อมด้วย ไม่ใช่เขียนในงานอย่างเดียว

ข้อมูลที่ไม่เชื่อถือสร้างข้อกังวลอีกอย่าง ไฟล์ต้นทาง คำอธิบายปัญหา หรือหน้าที่ดึงมาอาจมีคำสั่งขัดงาน ระบบเอเจนต์ที่ออกแบบดีควรแยกอำนาจงานออกจากเนื้อหาที่อ่าน หลักฐานตรวจควรเผยการเปลี่ยนขอบเขตไม่คาด โดยเฉพาะงานที่นานจนไม่มีใครดูทุกการกระทำ

เช่นเดียวกับข้อมูลรับรอง ให้เฉพาะการเข้าถึงที่งานจำเป็น และเลือกสภาพแวดล้อมที่ผลของการกระทำผิดมีขอบเขต การนำร่องดีพิสูจน์ได้ว่าโมเดลถามบริบทที่ขาดและรายงานสถานะติดขัดตรงไปตรงมาหรือไม่ พฤติกรรมนี้สำคัญพอ ๆ กับจำนวนไฟล์ที่แก้ก่อนหยุด

แผนภาพอำนาจที่จัดทำขึ้น: การทำงานนานไม่ได้ขยายสิทธิโดยอัตโนมัติ แต่ละขั้นมีเจ้าของและเงื่อนไขเสร็จต่างกัน

การทยอยเข้าถึงทำให้ทีมส่วนใหญ่ต้องเตรียมงานก่อน

ประกาศสาธารณะอธิบายการเข้าถึงสำหรับผู้ป้องกันไซเบอร์ที่คัดเลือก ตามด้วยพันธมิตร Fairwind ที่เชื่อถือเพิ่มเติม ส่วนช่องทางนักพัฒนา ธุรกิจ และผู้บริโภคทั่วไปยังตามมาภายหลัง ประกาศโมเดลกับความพร้อมใช้งานกว้างเป็นคนละเหตุการณ์ ควรตรวจช่องทางปัจจุบันผ่านแหล่ง Google ทางการก่อนวางกำหนดส่งบน Carbon ประกาศ 28 ตุลาคม, ตรวจเมื่อ 2 พฤศจิกายน 2026

ทีมที่ยังเข้าไม่ได้ก็เตรียมงานมีประโยชน์ได้ เลือกงานยากแต่มีขอบเขต เก็บรุ่นคลังที่เกี่ยวและหลักฐานที่ทำให้ยากตอนนี้ นิยามการทดสอบและความคาดหวังผู้ตรวจ การเตรียมนี้ใช้ซ้ำเมื่อเข้าถึงได้และทำให้เทียบเครื่องมือที่มีวันนี้มีความหมายขึ้น

อย่ามองการเตรียมเป็นคำมั่นว่าจะเสร็จโดยไม่มีคนดู งานที่ดีอาจเผยโครงสร้างทดสอบขาด เจ้าของไม่ชัด หรือการทำซ้ำไม่น่าเชื่อก่อนโมเดลใหม่รัน การแก้เงื่อนไขเหล่านี้ปรับวิศวกรรมทีมได้ไม่ว่าโมเดลใดจะสำรวจภายหลัง

ตัวอย่างที่สามคือบั๊กแอปข้ามชั้น สถานะหน้าจอดูถูกแต่เซิร์ฟเวอร์เก็บอีกค่า งานอาจกำหนดให้ตามตั้งแต่คำขอ การเก็บถาวร จนถึงหน้าจอหลังรีเฟรช แล้วซ่อมแคบ คุณค่าของเหตุผลต่อเนื่องคือรักษาความเชื่อมโยงชั้นเหล่านี้ขณะสืบค้น ไม่ใช่เพียงสร้างโค้ดเพิ่มแต่ละชั้น

ต้นทุนงานยาวรวมการตรวจและกู้คืน

ราคาโทเคนที่เผยแพร่เป็นส่วนเดียวของงานยาว การรันเครื่องมือ บริบทซ้ำ โครงสร้างทดสอบ และการตรวจของวิศวกรล้วนเป็นต้นทุนจริง งานที่จบด้วยแพตช์อ่านง่ายและมีหลักฐานอาจมีค่ากว่างานถูกที่ทิ้งความไม่แน่นอนหลายชั่วโมงให้ผู้ตรวจ

การนำร่องแรกควรกำหนดงบและขอบเวลาในระบบเอเจนต์เมื่อทำได้ ตัดสินว่าต้องมีหลักฐานใดก่อนต่อเวลา งานชะงักควรเหลือจุดต่อมีประโยชน์ ได้แก่ ข้อเท็จจริงยืนยันล่าสุด สมมติฐานที่แข็งแรงที่สุดที่เหลือ และการทดสอบถัดไป การทำต่อจึงตัดสินจากความก้าวหน้าแทนหวังว่าเวลาจะช่วย

ภาระตรวจวัดได้ด้วย ติดตามว่าเพื่อนร่วมงานเข้าใจต้นเหตุ ตรวจส่วนต่าง และทำการตรวจซ้ำได้โดยไม่เล่นทั้งเซสชันหรือไม่ หากไม่ได้ ปรับรูปแบบส่งมอบก่อนขยายอำนาจ งานยาวควรลดความไม่แน่นอนให้ทีม ไม่ใช่ย้ายไปเอกสารตรวจที่ยาวขึ้น

เริ่มจากการซ่อมที่มีเส้นจบชัด

1. ยืนยันช่องทางเข้าถึงและโมเดลที่ให้จริง แยกแผนเปิด Carbon ออกจากการเข้าถึง Gemini รุ่นอื่น
2. เลือกงานแยกที่ได้รับอนุญาต มีรุ่นคลังคงที่และความล้มเหลวทำซ้ำได้ หลีกเลี่ยงการประเมินแรกที่พึ่งสถานะจริงควบคุมไม่ได้
3. เขียนเกณฑ์ยอมรับเป็นพฤติกรรมผู้ใช้หรือระบบ รวมสัญญาที่ต้องรักษาและระบุการกระทำภายนอกที่ต้องอนุมัติ
4. ให้เครื่องมือที่ต้องใช้และสิทธิขั้นต่ำ เก็บการแก้ บันทึก และชิ้นงานทดสอบในที่วิศวกรอื่นตรวจได้
5. กำหนดจุดตรวจที่แยกหลักฐานยืนยัน สมมติฐานปัจจุบัน และงานติดขัด ตรวจจุดเหล่านี้ก่อนเพิ่มขอบเขตหรืองบ
6. ประเมินการซ่อมกับความล้มเหลวเดิมและชุดถดถอยที่กระทบ ตรวจส่วนต่างหาการแก้ไม่เกี่ยวและการย้ายสัญญาที่ซ่อน
7. ให้ผู้ตรวจรับผิดชอบตัดสินว่าแพตช์พร้อมเข้ากระบวนการรุ่นปกติหรือไม่ บันทึกการตรวจไม่ครบและการยืนยันภายนอกที่ต้องใช้ชัด

การนำร่องควรรวมเงื่อนไขไม่สะดวกที่จงใจหนึ่งอย่าง เช่น การทดสอบไม่เกี่ยวล้มเหลวหรือบริการเสริมไม่พร้อม สังเกตว่าสิ่งส่งมอบแยกข้อจำกัดนั้นจากหลักฐานซ่อมจริงหรือไม่ โมเดลที่รายงานช่องว่างตรงไปตรงมาเชื่อมระบบง่ายกว่าตัวที่เปลี่ยนทุกความไม่แน่ใจเป็นคำว่าเสร็จ

เอเจนต์หลายวันควรทิ้งทางสู่การตัดสินใจที่สั้นลง

ประกาศ Carbon ชี้ความคาดหวังใหม่สำหรับ AI เขียนโค้ด คือทำงานผ่านทางตันและสร้างการซ่อมที่ควรตรวจ ระบบวิศวกรรมรอบข้างต้องทำให้ความต่อเนื่องมีค่า ขอบเขตชัด หลักฐานเก็บไว้ และอำนาจจำกัดทำให้งานจบอย่างมีความหมายได้

เราคาดว่าการประเมินที่แข็งแรงจะมุ่งคุณภาพการส่งต่อ โมเดลรักษาคำถามเดิมหรือไม่ ระบุสิ่งที่ล้มเหลวจริงหรือไม่ วิศวกรยืนยันผลและตัดสินขั้นต่อไปได้หรือไม่ คำถามเหล่านี้เชื่อมการรันยาวกับผลวิศวกรรมจริง

คำมั่น AI ที่ทำงานนานคือทางสั้นลงจากรายงานยากสู่การตัดสินใจมีเหตุผล เวลาที่ทำงานมีค่าเมื่อคนถัดไปเชื่อสิ่งที่เหลือได้

แหล่งข้อมูล

• Google: แนะนำ Gemini 4 Carbon, 28 ตุลาคม 2026; ตรวจเมื่อ 2 พฤศจิกายน 2026 ข้อสังเกตภายในและผลเบนช์มาร์กเป็นข้อมูลจาก Google
• Google DeepMind: เปรียบเทียบโมเดล Gemini, ตรวจเมื่อ 2 พฤศจิกายน 2026 ต้องคงรุ่นและเงื่อนไขเบนช์มาร์กคู่คะแนน

เชื่อมการตัดสินใจวิศวกรรมกับแหล่งต้นทาง

Telli.sh เป็นทางเลือกหนึ่งสำหรับเก็บข้อมูลต้นทางที่ได้รับอนุญาตและบันทึกเบื้องหลังการตัดสินใจวิศวกรรม สร้างพื้นที่บันทึก