จาก AI ที่ตอบคำถามและช่วยเขียนโค้ด สู่โมเดลที่ถูกออกแบบมาให้รับมือกับงานวิศวกรรมซับซ้อนต่อเนื่องเป็นเวลานาน นี่คือทิศทางที่ Google ต้องการผลักดันผ่าน Gemini 4 Carbon โมเดล AI ระดับ Frontier Model ที่ข้อมูลต้นทางระบุว่าเป็นโมเดลทรงพลังที่สุดเท่าที่บริษัทเคยพัฒนามา โดยเน้นทั้งการเขียนโปรแกรม การวิเคราะห์ และความปลอดภัยไซเบอร์
คว้าอันดับ 1 บนดัชนีวัดผล AI ด้วยคะแนน 59
ตามข้อมูลที่ให้มา Gemini 4 Carbon ทำคะแนนรวมได้ 59 คะแนน บน Artificial Analysis Intelligence Index เวอร์ชัน 5.0 พร้อมขึ้นอันดับหนึ่งในการประเมินดังกล่าว โดยมีจุดเด่นด้านการเขียนโค้ด การทำงานผ่าน AI Agent และการคิดวิเคราะห์ปัญหาทางวิทยาศาสตร์ที่ซับซ้อน อย่างไรก็ตาม คะแนนจากดัชนีหนึ่งไม่จำเป็นต้องหมายความว่าโมเดลจะดีที่สุดในทุกงานหรือทุกสถานการณ์
ยกระดับความปลอดภัยไซเบอร์แบบครบวงจร
อีกหนึ่งความสามารถที่ถูกเน้นคือ End-to-End Cyberdefense หรือการสนับสนุนงานด้านความปลอดภัยไซเบอร์ตั้งแต่การค้นหาจุดอ่อน การทดสอบระบบ ไปจนถึงการช่วยแก้ไขช่องโหว่ แนวทางนี้อาจช่วยให้ทีมรักษาความปลอดภัยทำงานได้ต่อเนื่องมากขึ้น แต่ตัวเลขที่อ้างว่าเหนือกว่าคู่แข่ง 10 เท่า หรือสามารถป้องกันแฮกเกอร์ได้ 100% จำเป็นต้องพิจารณาวิธีทดสอบ ขอบเขตการประเมิน และหลักฐานประกอบก่อนสรุปว่าใช้ได้จริงในทุกกรณี
จากการตอบ Prompt สู่การทำงานต่อเนื่องหลายวัน
จุดต่างที่น่าสนใจคือความสามารถในการรับมือกับงานระยะยาว หรือ Long-Horizon Tasks ซึ่งหมายถึงงานที่มีหลายขั้นตอนและต้องอาศัยการวางแผน แก้ปัญหา และตรวจสอบผลลัพธ์ซ้ำหลายรอบ ข้อมูลต้นทางระบุว่า จากการทดสอบภายใน Carbon สามารถทำงานต่อเนื่องเป็นเวลาหลายวัน พร้อมค้นหาสาเหตุและแก้บั๊กในโค้ดเบสขนาดใหญ่ รวมถึงระบบระดับ Low-level ที่เกี่ยวข้องกับการทำงานภายในของซอฟต์แวร์
หากทำได้ตามที่ระบุ ความสามารถลักษณะนี้จะมีประโยชน์กับงานพัฒนาซอฟต์แวร์ที่ไม่ได้จบด้วยคำสั่งเดียว แต่ต้องผ่านการตรวจสอบและแก้ไขหลายรอบ อย่างไรก็ตาม ผลการทดสอบภายในยังไม่ใช่หลักฐานยืนยันประสิทธิภาพในทุกสภาพแวดล้อมการทำงาน
คะแนนพัฒนาเว็บไซต์ Full-Stack เพิ่มขึ้น 89 Elo
ในงานพัฒนาเว็บไซต์แบบ Full-Stack ซึ่งครอบคลุมทั้งส่วนหน้าที่ผู้ใช้มองเห็นและระบบเบื้องหลัง ข้อมูลต้นทางระบุว่าโมเดลทำคะแนนเพิ่มขึ้น 89 Elo และขึ้นสู่อันดับ 4 บน WebDev Arena ด้วยคะแนน 1,768
คะแนน Elo เป็นระบบตัวเลขที่ใช้เปรียบเทียบความสามารถเชิงสัมพัทธ์ระหว่างผู้เข้าแข่งขันหรือโมเดล โดยผลที่สูงขึ้นสะท้อนตำแหน่งที่ดีขึ้นภายใต้ระบบประเมินนั้น แต่ไม่ควรนำคะแนนไปตีความเป็นเปอร์เซ็นต์ความแม่นยำโดยตรง
อีกประเด็นคือการลดปัญหา Hallucination หรือกรณีที่ AI สร้างคำตอบที่ดูน่าเชื่อถือแต่ไม่มีหลักฐานรองรับ โดยข้อมูลต้นทางระบุว่า Carbon มีการอ้างข้อมูลที่ไม่มีแหล่งที่มาลดลงครึ่งหนึ่งเมื่อเทียบกับรุ่น Argon นอกจากนี้ ยังระบุผลการทดสอบ Terminal-Bench 4.0 ในหมวดการโกงระบบไว้ที่ 0.0% ซึ่งเป็นผลเฉพาะตามเกณฑ์ทดสอบดังกล่าว ไม่ได้ยืนยันว่าโมเดลจะไม่มีพฤติกรรมผิดพลาดหรือหลีกเลี่ยงข้อกำหนดในทุกสถานการณ์
สำหรับคำสั่งที่ไม่ชัดเจน แนวทางที่ระบุไว้คือให้โมเดลค้นหาข้อมูลประกอบและชี้แจงเงื่อนไข แทนการคาดเดาหรือเดินหน้าทำงานโดยไม่ตรวจสอบ วิธีนี้ช่วยให้ผู้ใช้เห็นข้อจำกัดและตรวจสอบแนวทางการทำงานได้ง่ายขึ้น
tags : nexusai-tech
