Gemini 4 Carbon の性能 長文読解と自動化で首位

Googleが発表したGemini 4 Carbonの性能を整理した。総合指標AA Index v5.0で59点の1位。長文読解と業務自動化とセキュリティで突き抜けた一方でコーディングとPC操作は他社が上だ。
Googleが次世代モデル「Gemini 4 Carbon」を発表した。総合指標で1位を取り前モデルArgonからわずか2週間での更新だ。この記事では発表された数字を並べるだけで終わらせず「どこが突き抜けてどこが負けているのか」「日本の企業がどの業務から検証すべきか」を整理する。私はまだ試せていないので体感の評価は書かない。公開された数字の範囲で読み解く。
Gemini 4 Carbon の発表を3行で
- 総合指標AA Index v5.0で59点。GPT-6 AstraとClaude Opus 5.5を上回り1位
- 突き抜けたのは長文読解と業務自動化とセキュリティの3領域
- まずはサイバー防御の専門家に限定提供。開発者・企業・一般向けは順次
発表された主な数値は次の4つだ。
- 総合指標AA Index v5.0:59点で1位
- 長文読解GraphWalks:96.2%
- 業務自動化AutomationBench:53.9%
- 脆弱性発見SEC-bench Pro:88.2%
数値以外で押さえておきたい点が3つある。提供がサイバー防御の専門家から始まる段階的な開放であること。料金が導入期は入力2ドル/出力10ドル(100万トークンあたり)でArgonと同額に据え置かれ、その後は入力4ドル/出力20ドルになること。そして能力以外の指標として根拠のない主張がArgon比で約半分に減り、プロンプトインジェクション攻撃の成功率が0%と公表されていることだ。
正直に言うと一番気になったのは個別の数字より更新の速さだ。前モデルArgonから2週間で次世代モデルが出る。半年かけて検討して年単位で導入するという進め方では、稟議が通る前にモデルが2回入れ替わる。この発表速度と社内の意思決定速度の差が、多くの企業にとっての本当の論点だと思う。
強みが出たのは長文読解と業務自動化とセキュリティ
3モデルを並べると差がどこにあるかが見える。Carbon/Opus 5.5/Astraの順だ。
- 総合AA Index:59/58/57
- 最大100万トークンの長文読解:96.2%/66.8%/71.8%
- Zapierの業務自動化:53.9%/42.5%/41.4%
- ターミナル操作のコーディング:65.2%/59.6%/59.1%
- 攻撃検証ExploitGym:54.8%/34.5%/42.4%
まず総合を見てほしい。59対58対57だ。「世界最高クラス」という見出しだけ読むと大差がついたように感じるが総合は1点差しかない。順位だけを読むと実態を過大に受け取ることになる。
実際に差がついているのは個別のタスクで、一番大きいのは長文読解だ。96.2%に対して66.8%と71.8%。最大100万トークンの読解で3割近く開いている。今回公開された数字のなかで、実際に作れるものが変わる可能性が最も高いのはここだと思う。
セキュリティも強い。脆弱性の発見・攻撃検証・修正の3種すべてで1位とされている。攻撃検証のExploitGymは54.8%で2位の42.4%を10ポイント以上離した。プロンプトインジェクション成功率0%という数字は試験の条件が分からないと評価しづらいが、提供順と合わせて見ればこの発表の重心がどこにあるかははっきりしている。
業務自動化は53.9%で2位の42.5%を上回った。ただ半分を少し超えた水準ということは、2件に1件近くは完了しないという意味でもある。前進ではあるが任せきりにできる段階ではない。
勝っていない領域 コーディングとPC操作
全勝ではない。ここを書かない紹介記事は読む価値が薄い。
- 難しい実務コーディングのFrontierSWE:GPT-6 Astraが65.5%でCarbonは61.2%
- PCを操作するOSWorld:Claude Opus 5.5が87.2%でCarbonは81.5%
おもしろいのはコーディングがもう一つの能力として扱えないことだ。ターミナル操作のコーディングではCarbonが65.2%で1位、一方で実務に近いFrontierSWEではAstraが上。「コーディングが強いモデル」という言い方自体が粗すぎて判断に使えない。どの種類のコーディングかまで分けないと選べない。
PCを操作するエージェントも同じだ。OSWorldはOpus 5.5が約6ポイント上なので、デスクトップのアプリを操作させたいなら見るべき順位は総合ではない。
さらに他社モデルの数値は各社の自己申告値だという前提がある。同じ条件で測り直した結果ではない。順位は候補を絞る材料として使い、判決として扱わないのが妥当だ。用途ごとにモデルを使い分ける時代はもう少し続く。
料金と提供の順番から読めること
導入期はArgonと同額で、その後は倍になる。ここは実務で効く。導入期の2ドル/10ドルで試算してそのまま本番に入ると、通常料金になった時点でプロダクトは何も変わらないのに費用が2倍になる。検証は安いうちに進めて、見積もりと稟議は4ドル/20ドルで作るのが安全だ。
提供の順番も一つの情報だ。最初に届くのはサイバー防御の専門家で、開発者・企業・一般向けは順次。性能の押し出しと配布の順番が一致している。計画の面では、自分が一番期待している用途がしばらく手元に来ない可能性があるということでもある。待つ間にやるべきは対象の整理だ。
日本での受け止め方と企業への影響
日本のAI活用は文書に強く依存している。社内規程・契約書・議事録・仕様書に加えて長い承認の記録がある。だから長文読解の結果は日本で特に重い。100万トークンの読解で30ポイント近い差がつくという話は、日本企業が実際にAIへ渡している仕事にそのまま重なる。
日本企業はどの業務から検証すべきか
差が最大の領域から入るのが素直だ。長くて参照関係が複雑な資料を読ませる業務を1つ選び、今使っているモデルと同じ条件で比べる。ベンチマークの差が自社でも出るのかを確かめる一番安い方法がこれだ。
自動化の数字は慎重に見たい。Zapierを対象に測られたものだ。日本の現場は基幹システムと多段の承認フローの上に成り立っていることが多く、SaaS連携のベンチマークの数字がそのまま移ってくるとは考えない方がいい。現実的なのは自社の評価セットを作ることだ。代表的な業務を10件固定し、それぞれに正解を用意して、モデルが出るたびに同じ10件を回す。これができている会社は2週間ごとの更新で混乱しない。できていない会社は毎回どのモデルにするかの議論を最初からやり直すことになる。
セキュリティ用途は順番待ちを前提にしたい。今できるのは準備だ。どのコードや資産を対象にするかを決めて、試験の許可を先に取っておく。開放が届いた時に数カ月ではなく数日で測れる状態を作っておく。
海外のAI企業が日本で発表する時
日本のメディアと企業に届けたいなら「世界1位」より先に書くべきことがある。
- 順位より先にタスクを書く。総合は1点差で、「どの業務が速くなるのか」の方が日本では遠くまで届く
- 今日誰が使えるのかを冒頭で明示する。段階提供で対象が曖昧だと問い合わせが混乱する
- 導入期価格と通常価格を併記する。日本の社内承認は年間費用を求めるので導入期価格だけでは通らない
- 他社数値が自己申告値であることを明記する。この一行が強い言い回しより信頼を生む市場だ
誇張を抑えて検証できる形で説明する方が、日本では長く効くと感じている。
自社でどう活かすか
やることは3つに絞れる。長い資料を読ませる業務を1つ選び、使えるようになった時点で今のモデルと比べる。評価用のタスクを10件固定してモデル更新ごとに回し、比較を四半期仕事ではなく半日仕事にする。見積もりは導入期ではなく通常料金で作る。前線が2週間ごとに動くなら、一度で選び当てる力より速く測る仕組みの方が価値が高い。
よくある質問
Gemini 4 Carbon は今すぐ使えますか
まずはサイバー防御の専門家に限定して提供されます。開発者・企業・一般向けは順次開放される予定です。今日から誰でも触れるモデルではありません。
Gemini 4 Carbon の料金はいくらですか
導入期は100万トークンあたり入力2ドル/出力10ドルで前モデルArgonと同額です。その後は入力4ドル/出力20ドルになります。本番の見積もりは通常料金で作るのが安全です。
GPT-6 AstraやClaude Opus 5.5より全面的に強いのですか
全勝ではありません。難しい実務コーディングのFrontierSWEはGPT-6 Astraが65.5%で上、PCを操作するOSWorldはClaude Opus 5.5が87.2%で上です。長文読解と業務自動化とセキュリティはCarbonが1位で、他社モデルの数値は各社の自己申告値です。
Xの投稿をもとに作成元の投稿 ↗