Gemini 4 Carbon Puncaki Indeks AI, Ungguli Claude

Teknologi

Gemini 4 Carbon menempati posisi teratas Intelligence Index V5 setelah meraih skor 59, mengungguli Claude Opus 5.5 dengan selisih satu poin. Model terbaru Google itu juga mencatat biaya per tugas yang lebih rendah daripada sejumlah pesaing, meski masih memiliki keterbatasan dalam akurasi dan beberapa jenis pekerjaan.

Data Artificial Analysis menunjukkan skor Gemini 4 Carbon (high) berada dua poin di atas GPT-6 Astra (max) dari OpenAI. Jaraknya lebih lebar dibanding model Meta Muse Wonder Full (Max), yang tertinggal sembilan poin, dan Claude Fable 5.1 (max with fallback), yang terpaut sepuluh poin.

Pencapaian itu menjadi dorongan bagi Google setelah perusahaan tersebut dinilai sempat tertinggal akibat jadwal peluncuran model yang tidak teratur. Namun, posisi puncak dalam satu indeks tidak berarti Gemini 4 Carbon unggul di seluruh aspek penggunaan AI.

Skor tinggi dengan biaya per tugas lebih rendah

Dalam pengujian Intelligence Index, biaya penggunaan Gemini 4 Carbon tercatat US$7,76 per tugas. Angka itu sedikit lebih rendah dibanding Gemini 3.8 Flash (high), serta beberapa dolar di bawah Claude Opus 5.5 dan Sonnet 5.5 (max with fallback). Biaya Claude Fable 5.1 dalam pengujian yang sama mencapai US$12,99 per tugas.

Gemini 4 Carbon menghasilkan sekitar 123 ribu output token per tugas, 29 persen lebih sedikit daripada Claude Opus 5.5 (max) yang menggunakan 173 ribu token. Dengan harga standar US$4 untuk input dan US$20 untuk output, biaya per tugasnya hampir sama dengan Gemini 4 Argon, yakni US$7,68. Meski begitu, skor Intelligence Index Carbon sembilan poin lebih tinggi.

Model ini bukan pilihan termurah. Biayanya masih lebih tinggi dibanding GPT 5 Astra dan sekitar enam kali lipat dari GPT 6.1 Sol (max). Dibanding DeepSeek V4.1 Flash 1017 yang berbobot terbuka, biaya Gemini 4 Carbon per tugas bahkan sekitar 13 kali lebih mahal. DeepSeek tersebut, bagaimanapun, meraih skor Intelligence Index 32.

Kemampuan menjawab dan risiko halusinasi

Gemini 4 Carbon meraih skor 54 pada AA-Omniscience v1.1, tes yang mengukur halusinasi dan kemampuan mengingat informasi. Skor itu enam poin di atas Claude Opus 5.5 (max), yang mencatat 48. Hasil tersebut menjadi salah satu keunggulan Carbon, terutama saat keandalan jawaban menjadi pertimbangan penting.

Namun, hasil pengujian juga memperlihatkan bahwa model AI terdepan masih belum konsisten dalam mengingat informasi secara akurat. Gemini 4 Carbon menjawab lebih banyak pertanyaan dengan benar daripada Gemini 4 Argon, dengan akurasi 58 persen berbanding 48 persen. Tingkat halusinasinya juga lebih tinggi, yakni 11 persen dibanding empat persen pada Argon.

Untuk perbandingan, Claude Opus 5.5 (max) dan GPT-6 Astra (max) masing-masing mencatat tingkat halusinasi 50 persen dalam data yang dikutip. Angka-angka tersebut menegaskan bahwa peningkatan kemampuan menjawab tidak otomatis membuat model bebas dari kesalahan. Pengguna tetap perlu memeriksa jawaban, khususnya untuk informasi yang berisiko tinggi.

Google menyiapkan akses secara bertahap

Google mengatakan pengembangan Gemini 4 Carbon melibatkan penyaringan model dan pengujian pra-rilis bersama pemerintah Amerika Serikat. Perusahaan menyebut pendekatan peluncurannya deliberatif, dengan akses awal diberikan kepada sebagian cyber defenders atau pembela keamanan siber.

Ketersediaan model akan diperluas secara bertahap melalui mitra tepercaya dalam Fairwind Program. Sebelum membuka akses bagi pengembang, Google ingin menyempurnakan guardrails atau mekanisme pengaman agar model lebih aman untuk kebutuhan keamanan siber sekaligus lebih sulit disalahgunakan untuk eksploitasi dan peretasan.

Google juga mengklaim Gemini 4 Carbon berhasil menggagalkan seluruh upaya dalam benchmark Gray Swan Indirect Prompt Injection yang bertujuan membuat model melakukan tindakan yang tidak semestinya. Perusahaan menyebut model ini memangkas klaim tanpa dasar dua kali lebih banyak dibanding Gemini 4 Argon, yang diluncurkan dua minggu sebelumnya.

Menurut Google, Carbon dirancang untuk tidak mengarang jawaban ketika tidak mampu menyelesaikan suatu tindakan. Model itu juga diklaim lebih siap memberikan sumber dan saran, serta mengurangi perilaku melampaui permintaan pengguna atau overreach sebesar 26 persen.

Belum unggul untuk semua kebutuhan

Artificial Analysis mencatat Gemini 4 Carbon belum mengungguli pesaing pada seluruh jenis pekerjaan. Untuk pemrograman, model tersebut dinilai belum sebaik Claude Code yang menggunakan Claude Opus 5.5. Pada tugas berbasis pengetahuan, Carbon juga tertinggal dari Grok 4.7, Muse Wonder, dan Kimi K3.1 Pro.

Arena.ai menempatkan Gemini 4 Carbon di posisi teratas Pareto Frontier pada rentang harga yang lebih tinggi. Untuk titik harga lebih rendah, sejumlah model berbobot terbuka asal China, termasuk GLM 5.3-Flash dan DeepSeek V4 Pro, mengambil posisi lebih kompetitif.

Dengan demikian, skor tertinggi Carbon memberi gambaran tentang kemajuan Google, tetapi belum menjadi jawaban untuk semua kebutuhan pengguna. Ketersediaan yang bertahap dan hasil pengujian di berbagai bidang akan menjadi penentu berikutnya: apakah keunggulan skor, efisiensi, dan pengamanan model dapat bertahan saat digunakan lebih luas.