Google дала Gemini 4 Carbon торговый автомат. Модель почти в два раза обошла Claude Opus 5.5
Google выкатила Gemini 4 Carbon и сразу отправила её торговать. В тесте Vending-Bench 2 модель управляла виртуальным автоматом в течение виртуального года и закончила с $16484 на счету.
А ещё она возглавила рейтинг Artificial Analysis.
В таблице бенчмарков Gemini 4 Carbon (релизнулась в закрытом доступе), между кибербезопасностью и кодом, затесался тест, ради которого эту таблицу стоит открыть: нейросети дают год управлять торговым автоматом.
Carbon закончила год с $16484 на счету.
Claude Opus 5.5 – $9235. Почти вдвое меньше. И это у модели, которая до сих пор лидирует в агентном кодинге по версии Artificial Analysis.
Что за автомат такой
Тест называется Vending-Bench 2, его придумали в Andon Labs:
- на старте $500 и виртуальный автомат;
- каждый день нужно платить $2 за место;
- поставщиков модель ищет сама в интернете: заказывает товар по почте, торгуется, возит запасы со склада к автомату и выставляет цены;
- продажи зависят от дня недели, сезона, погоды и ценника;
- симуляция идёт 365 дней, за прогон набегает от 3 до 6 тысяч сообщений.
Это первый бизнес любого предпринимателя, ужатый в симуляцию. Задача нейросети: не слить его в первом же квартале.
Таблица лидеров
Итог года, все стартовали с одинаковых $500:
- 🥇 Gemini 4 Carbon – $16484
- 🥈 GPT-6 Astra – $15515
- 🥉 Gemini 4 Argon – $13718
- Claude Opus 5.5 – $9235
- Claude Fable 5.1 – $5422
Carbon обошла Opus почти в 1,8 раза, Fable втрое. Собственного предшественника Argon, представленного всего месяц назад, – почти на $2,8 тысячи. А вот с GPT-6 Astra разрыв меньше тысячи.
Кстати, Carbon пока в закрытом доступе, но Argon (вышел 30 сентября) уже доступен! Пощупать можно здесь: Gemini 4 Argon. GPTunneL – удобная ИИ-платформа с общим балансом, без VPN и подписок.
Почему автомат важнее олимпиадных задачек
Обычный бенчмарк проверяет один ответ на один вопрос. Здесь тысячи шагов и десятки миллионов токенов. Нужно помнить остатки, не забывать про аренду, не терять стратегию и вылезать из собственных ошибок, не сбивая ритм.
Именно этого ждут от ИИ-агентов, которым сейчас поручают задачи на дни. Google, кстати, заявляет, что внутри компании Carbon сутками ковыряет сложные инженерные задачи: ищет причины багов в больших кодовых базах и готовит исправления.
Ответить на сложный вопрос умеют многие. Не потерять нить на трёхтысячном сообщении – вот где начинается интеллект.
Кстати, автомат не главный трофей
Carbon заодно собрала коллекцию медалей:
- первое место в Artificial Analysis Intelligence Index v5.0: 59 баллов против 58 у Claude Opus 5.5 и 57 у GPT-6 Astra;
- 88,2% в SEC-bench Pro, где ищут уязвимости в реальном софте (Google гоняла эти тесты без защитных ограничений модели);
- 96,2% в GraphWalks на контексте от 256 тысяч до миллиона токенов, у ближайшего соперника 71,8%.
Потрогать пока нельзя( Сейчас Carbon получают только избранные специалисты по киберзащите, следом пойдут проверенные партнёры через программу Fairwind. Разработчикам, бизнесу и всем пользователям обещают «скоро», без даты.
Самый успешный ИИ-продавец планеты пока сидит взаперти и латает уязвимости. Торговать на настоящем рынке его не пускают.