Lời hứa khó hơn của Gemini 4 Carbon: công việc hữu ích sau ngày đầu tiên

Lỗi phần mềm khó hiếm khi đến dưới dạng bài tập lập trình gọn gàng. Nó xuất hiện qua báo cáo, lỗi chập chờn hoặc triệu chứng cách nguyên nhân nhiều tầng. Công việc hữu ích có thể gồm đọc lịch sử, thử các cách giải thích cạnh tranh và bỏ bản sửa từng có vẻ hứa hẹn một giờ trước.

Google công bố Gemini 4 Carbon ngày 28 tháng 10 năm 2026, nhấn mạnh kỹ thuật dài hạn và phòng thủ an ninh mạng. Google DeepMind nói nhóm nội bộ đã thấy mô hình kiên trì nhiều ngày với việc phức tạp, gồm lỗi tinh vi trong kho mã lớn. Đó là quan sát nội bộ, không phải lời hứa mọi nhiệm vụ khách đều chạy thành công nhiều ngày. Thông báo Google cũng nêu ranh giới truy cập: ban đầu dành cho một số bên phòng thủ mạng, sau đó thêm đối tác tin cậy qua Fairwind và dự kiến mở rộng.

Câu hỏi thực tế là mô hình chạy lâu hơn nên để lại gì. Bài viết giải thích vị trí mô hình mới, cách đọc so sánh công bố và cách nhóm kỹ thuật chuẩn bị nhiệm vụ vẫn xem xét được sau nhiều giờ.

Ví dụ bảng nhiệm vụ Scrumban năm 2013, minh họa trạng thái công việc rõ trong dự án tiếp diễn. Không phải giao diện Gemini hay kết quả mô hình. Ảnh: Dr ian mitchell, CC BY-SA 3.0; đã đổi kích thước và thêm lề. Nguồn ảnh · Giấy phép và ghi chú hình ảnh. Tài liệu sản phẩm chính thức.

Thời lượng chỉ hữu ích khi nhiệm vụ giữ nguyên ý nghĩa

Tác tử lập trình có thể bận mà không làm vấn đề rõ hơn. Nó tìm thêm tệp, thử thêm bản sửa, chạy thêm lệnh trong khi rời xa lỗi gốc. Thực thi dài tăng cơ hội tiến bộ và tích lũy giả định sai. Thách thức sản phẩm là giữ mục đích nhiệm vụ xuyên suốt hoạt động đó.

Theo chúng tôi, nhiệm vụ dài cần hợp đồng bền vững. Hợp đồng nêu vấn đề, bằng chứng xác lập sửa thành công, phạm vi được phép và hành động vẫn cần con người. Nó cần tồn tại qua thay đổi giả thuyết, triển khai. Nếu không, mô hình có thể đạt kết thúc thuyết phục bằng cách giải vấn đề dễ hơn việc được giao.

Xét lỗi đồng bộ minh họa. Báo cáo nói mục có vẻ lưu nhưng biến mất sau làm mới. Nhiệm vụ hữu ích là tái hiện, tìm lỗi trách nhiệm hoặc lưu bền, đề xuất sửa có phạm vi và xác minh cùng đường người dùng thấy. Kết quả kém hữu ích là tái cấu trúc lớn kèm kiểm thử đạt nhưng chưa bao giờ thử làm mới.

Khác biệt quan trọng hơn theo thời gian. Sau nhiều giờ, người đánh giá cần hồ sơ bằng chứng mạnh nhất và bất định còn lại, thay vì bản ghi mọi lệnh. Hồ sơ cần cho đồng đội biết tiếp tục ở đâu nếu lượt dừng và điều gì đủ cơ sở chấp nhận kết quả.

Sơ đồ nhiệm vụ do tác giả xây dựng: công việc kéo dài cần tạo bản sửa truy nguyên được, giữ tiêu chí nghiệm thu gốc trong khám phá.

So sánh Carbon mô tả nhiều loại công việc khác nhau

Trang so sánh mô hình Google DeepMind, kiểm tra ngày 2 tháng 11 liệt kê Carbon và Argon trên nhiều đánh giá. Ví dụ, hãng báo 65,2% so với 57,1% trên Terminal-Bench 4.0, và 61,2% so với 55,0% trên FrontierSWE 2. Đây là kết quả công bố với tên, điều kiện benchmark khác nhau; không nên cộng thành tỷ lệ thành công sản phẩm duy nhất.

Nhóm lập trình nên bắt đầu từ nhiệm vụ giống quy trình của mình. Tương tác terminal, sửa kho và công việc qua trình duyệt đòi hỏi khác nhau. Mô hình tốt ở một đánh giá vẫn có thể cần thiết lập công cụ khác hoặc thêm ngữ cảnh con người trong kho sản xuất. Benchmark giúp chọn thí nghiệm; hành vi kho quyết định thí nghiệm có thành công không.

Bảng là khung đánh giá, không nhắc lại phương pháp kiểm thử Google. Nó biến tuyên bố khả năng rộng thành câu hỏi nhóm trả lời được. Kết quả cục bộ mạnh cần gồm thất bại và bước bị chặn để biết mô hình giúp ở đâu, quy trình quanh nó còn cần làm gì.

So sánh cũng cần mốc ổn định. Giữ cùng bản kho, quyền công cụ, mô tả nhiệm vụ và môi trường thử khi so cấu hình mô hình. Nếu một lượt nhận cách tái hiện còn lượt kia phải tự tìm, khác biệt thời gian không cô lập mô hình. Ghi điều kiện trước khi diễn giải kết quả.

Phòng thủ mạng cần chuỗi từ phát hiện đến bản sửa xác minh

Thông báo ngày 28 tháng 10 của Google báo Carbon đạt 88,2% trên SEC-bench Pro, 54,8% trên ExploitGym và 71,0% trên CWE-bench, lưu ý các đánh giá benchmark bên ngoài này được làm không có guardrail. Các số nói về nhiệm vụ khác nhau trong tìm, xác thực và vá lỗ hổng. Thông báo Google là nguồn kết quả nhà cung cấp công bố.

Với bên phòng thủ, chuỗi hữu ích bắt đầu từ mục tiêu được phép và phát hiện có thể kiểm tra. Xác thực cần xác lập rủi ro liên quan trong môi trường thống nhất. Bản sửa sau đó cần giải quyết nguyên nhân và giữ hành vi hợp lệ. Các giai đoạn có yêu cầu bằng chứng khác dù một tác tử hỗ trợ tất cả.

Đánh giá thư viện nội bộ minh họa cho thấy khác biệt. Nhóm cấp bản sao cách ly và mối quan ngại xác định về xử lý đầu vào. Kết quả mong muốn là phát hiện cụ thể, tái hiện giới hạn trong môi trường thử và bản vá có bao phủ hồi quy. Tác tử không nên mở sang hệ không liên quan chỉ vì thấy liên kết hay thông tin xác thực trong tài liệu dự án.

Tình huống minh họa thứ hai là phân loại báo cáo hiện có. Tác tử giúp nối báo cáo với đường mã và xác định kiểm thử phân biệt vấn đề thật với giả định sai. Kết luận “không cần sửa” hữu ích vẫn cần bằng chứng. Đóng báo cáo bằng giải thích tự tin yếu hơn chỉ ra vì sao đường được nêu không áp dụng cho bản đang đánh giá.

Chủ thể cuối vẫn là nhóm kỹ thuật hoặc bảo mật chịu trách nhiệm hệ thống. Bản vá đề xuất cần xem theo ranh giới dịch vụ thực, quy trình triển khai và tương thích. Kiểm thử cô lập thành công là một phần quyết định; phát hành sản xuất và giám sát vẫn là bước riêng.

Kết quả an toàn mô hình không định nghĩa quyền triển khai

Google mô tả cải thiện căn chỉnh, chống prompt injection và giảm khẳng định thiếu căn cứ. Đây là lĩnh vực liên quan với mô hình dự định làm qua mơ hồ. Ý nghĩa vận hành là đánh giá trong quy trình dự kiến, thay vì coi kết quả an toàn nổi bật là quyền kết nối mọi công cụ.

Công việc dài hưởng lợi từ quyền theo giai đoạn. Đọc kho, sửa checkout cách ly và triển khai dịch vụ là hành động khác. Nhóm có thể cho tác tử thu bằng chứng, chuẩn bị thay đổi xem được, đồng thời giữ phê duyệt riêng cho xuất bản hoặc tác động sản xuất. Ranh giới cần được môi trường thực thi lẫn mô tả trong nhiệm vụ.

Tài liệu không tin cậy tạo quan ngại thực tế khác. Tệp nguồn, mô tả issue hoặc trang lấy về có thể chứa chỉ dẫn mâu thuẫn việc giao. Hệ tác tử thiết kế tốt cần tách thẩm quyền nhiệm vụ khỏi nội dung đọc. Bằng chứng đánh giá cần làm thay đổi phạm vi bất ngờ rõ, nhất là khi lượt kéo dài đến mức không ai theo từng hành động.

Tương tự với thông tin xác thực. Chỉ cấp truy cập nhiệm vụ cần và ưu tiên môi trường mà hành động vô tình có tác động giới hạn. Thử nghiệm hữu ích xác lập mô hình có hỏi ngữ cảnh thiếu và để trạng thái bị chặn trung thực không. Hành vi ấy quan trọng ngang số tệp nó đổi trước dừng.

Sơ đồ quyền do tác giả xây dựng: chạy lâu hơn không tự mở quyền. Mỗi giai đoạn có người phụ trách và điều kiện hoàn thành riêng.

Truy cập theo giai đoạn khiến đa số nhóm cần chuẩn bị trước

Ra mắt công khai mô tả truy cập cho bên phòng thủ mạng được chọn, rồi thêm đối tác Fairwind tin cậy, còn kênh nhà phát triển, doanh nghiệp và người tiêu dùng rộng vẫn chưa đến. Thông báo mô hình và khả năng dùng rộng là sự kiện riêng. Kiểm tra đường truy cập hiện tại qua kênh chính thức Google trước khi dựa Carbon vào kế hoạch bàn giao. Thông báo ngày 28 tháng 10, kiểm tra ngày 2 tháng 11 năm 2026.

Nhóm chưa truy cập vẫn chuẩn bị việc hữu ích. Chọn nhiệm vụ khó nhưng có giới hạn, giữ bản kho liên quan và thu bằng chứng hiện khiến nó khó. Định nghĩa kiểm thử, kỳ vọng người xem. Chuẩn bị tái sử dụng được khi có quyền và làm so sánh với công cụ hiện có có nghĩa hơn hôm nay.

Tránh coi chuẩn bị là hứa hoàn thành không giám sát. Nhiệm vụ tốt có thể lộ hạ tầng kiểm thử thiếu, trách nhiệm mơ hồ hoặc tái hiện không ổn trước khi chạy mô hình mới. Sửa điều kiện ấy cải thiện quy trình kỹ thuật bất kể mô hình nào cuối cùng khám phá.

Ứng dụng minh họa thứ ba là lỗi ứng dụng xuyên tầng. Trạng thái frontend trông đúng nhưng server lưu giá trị khác. Nhiệm vụ có thể yêu cầu theo dấu đầu cuối qua yêu cầu, lưu bền và giao diện làm mới, rồi sửa hẹp. Giá trị suy luận kéo dài là giữ các tầng nối nhau khi điều tra, thay vì chỉ tạo thêm mã ở từng tầng.

Chi phí nhiệm vụ dài gồm đánh giá và khôi phục

Giá token công bố chỉ là phần của công việc dài. Thực thi công cụ, ngữ cảnh lặp, hạ tầng kiểm thử và kỹ sư đánh giá đều góp chi phí thật. Nhiệm vụ kết thúc bằng bản vá dễ đọc, có cơ sở có thể giá trị hơn lượt rẻ nhưng để hàng giờ bất định cho người xem.

Trong thử nghiệm đầu, đặt giới hạn chi tiêu, thời gian trong hệ tác tử khi có thể. Quyết định bằng chứng nào cần trước khi kéo dài. Nhiệm vụ đình trệ cần checkpoint hữu ích: dữ kiện cuối đã xác nhận, giả thuyết mạnh nhất còn lại và phép thử tiếp theo. Như vậy tiếp tục dựa tiến bộ, không dựa hy vọng thêm thời gian sẽ giúp.

Gánh đánh giá cũng đo được. Theo dõi đồng đội có hiểu nguyên nhân, xem diff và tái hiện kiểm tra mà không phát lại cả phiên không. Nếu không, cải thiện dạng bàn giao trước mở quyền. Nhiệm vụ dài cần giảm bất định cho nhóm, không chuyển nó thành tài liệu đánh giá dài hơn.

Bắt đầu bằng bản sửa có đích rõ

1. Xác nhận đường truy cập có sẵn và đúng mô hình được cung cấp. Phân biệt kế hoạch Carbon với quyền dùng mô hình Gemini khác.
2. Chọn nhiệm vụ cách ly được phép với bản kho ổn định và lỗi tái hiện được. Tránh để lần đầu phụ thuộc trạng thái sản xuất không kiểm soát.
3. Viết tiêu chí nghiệm thu theo hành vi hệ thống hoặc người dùng thấy. Gồm hợp đồng phải giữ và hành động ngoài cần phê duyệt.
4. Cấp công cụ cần và quyền tối thiểu. Giữ thay đổi, log, tài sản kiểm thử nơi kỹ sư khác kiểm tra được.
5. Yêu cầu checkpoint tách bằng chứng xác nhận, giả thuyết hiện tại và việc bị chặn. Xem chúng trước mở phạm vi hoặc ngân sách.
6. Đánh giá bản sửa với lỗi gốc và bộ hồi quy bị ảnh hưởng. Xem diff tìm đổi không liên quan và di chuyển hợp đồng ẩn.
7. Để người chịu trách nhiệm quyết định bản vá sẵn sàng cho quy trình phát hành thường chưa. Ghi rõ kiểm tra chưa xong và xác minh ngoài cần.

Thử nghiệm nên có một điều kiện cố ý bất tiện như kiểm thử không liên quan lỗi hoặc dịch vụ tùy chọn không sẵn. Quan sát bàn giao có tách giới hạn đó khỏi bằng chứng sửa thực không. Mô hình báo khoảng trống xác minh trung thực dễ tích hợp hơn mô hình biến mọi trạng thái chưa chắc thành hoàn thành.

Tác tử nhiều ngày cần để lại đường ngắn hơn đến quyết định

Thông báo Carbon gợi kỳ vọng khác cho AI lập trình: kiên trì qua ngõ cụt và tạo bản sửa đáng đánh giá. Hệ kỹ thuật xung quanh phải làm sự kiên trì hữu ích. Phạm vi rõ, bằng chứng giữ và quyền giới hạn cho mô hình nhiệm vụ có thể hoàn thành có nghĩa.

Theo kỳ vọng của chúng tôi, đánh giá mạnh nhất tập trung chất lượng bàn giao. Mô hình có giữ câu hỏi gốc không? Có tìm điều thực sự hỏng không? Kỹ sư xác minh kết quả và quyết định bước tiếp được không? Những câu ấy nối lượt dài với kết quả kỹ thuật thực tế.

Lời hứa AI dài hạn là đường ngắn hơn từ báo cáo khó đến quyết định có cơ sở. Thời gian làm trở nên giá trị khi người sau tin được thứ còn lại.

Nguồn

• Google: Giới thiệu Gemini 4 Carbon, ngày 28 tháng 10 năm 2026; kiểm tra ngày 2 tháng 11 năm 2026. Quan sát nội bộ và kết quả benchmark được quy cho Google.
• Google DeepMind: So sánh mô hình Gemini, kiểm tra ngày 2 tháng 11 năm 2026. Phiên bản và điều kiện benchmark phải đi cùng điểm.

Giữ quyết định kỹ thuật gắn với nguồn

Telli.sh là một lựa chọn để lưu tài liệu nguồn được phép sử dụng và ghi chú làm cơ sở cho quyết định kỹ thuật. Tạo không gian ghi chú.