Gemini 4 Argon finder sårbarhed andre modeller missede

01Google frigiver Argon først til cybersikkerhedsforsvarere

Google annoncerer i dag sin nye flagskibsmodel Gemini 4 Argon, som rulles ud til en begrænset gruppe betroede cybersikkerhedsforsvarere gennem selskabets Fairwind Program. Argon er bygget til at holde sin ræsonnementsevne gennem lange, komplekse arbejdsgange.

Google er i gang med den amerikanske regerings frivillige proces for adgang til modeller før offentlig lancering, mens adgangen udvides gradvist. Først når feedback fra tidlige testere er indarbejdet og sikkerhedsforanstaltninger er finpudset, bliver Argon tilgængeligt for udviklere, virksomheder og forbrugere.

02Output grænse hæves fra 64K til 1 million tokens

For at understøtte længere og mere komplekse opgaver har Google udvidet Argons maksimale antal output-tokens – altså længden på det, modellen kan generere i ét svar – fra 64.000 til 1 million tokens. Ifølge Google er det en brancheførende grænse.

Når modellen har plads til at tænke dybt og generere hundredtusinder af tokens i én bevægelse, opnår den et nyt niveau af ræsonnement i komplekse problemer. Argon klarer sig stærkt på DeepSWE v1.1 (77.9%), der måler modelpræstation i reel, langsigtet softwareudvikling.

03Argon fandt kritisk sårbarhed i hospitalssoftware

Google har trænet Argon til at finde, validere og rette kritiske sikkerhedssårbarheder i software autonomt. For betroede forsvarere – herunder Googles egne teams – frigives modellen uden cybersikkerhedsskranker, så de kan bruge dens fulde kapacitet.

Sikkerhedsfirmaet Wiz bruger allerede Argon via sit Scan for Good-initiativ, der beskytter kritisk offentlig infrastruktur gratis. I en tidlig demonstration fandt modellen en kritisk sårbarhed, der udsatte følsomme personoplysninger i hospitalssoftware brugt verden over – en risiko, tidligere frontier-modeller ikke havde opdaget.

På CWE-bench v1, der tester evnen til at udbedre sikkerhedssårbarheder, deler Argon førstepladsen med 68%.

04Fire sikkerhedsområder før bred udrulning

Google nævner fire hovedområder for at styrke sikkerhed før bred udrulning:

- Misbrugsforebyggelse: Modellen skal afvise skadelige anmodninger om cyber- og CBRN-angreb (kemiske, biologiske, radiologiske og nukleare våben), samtidig med at legitim forskning bevares.

- Prompt-injektion: Argon er Googles mest robuste model mod indirekte prompt-injektioner, onde instruktioner der forsøger at kapre modellens opførsel, og fører på Gray Swans IPI-benchmark.

- Misalignment-overvågning: Google overvåger Argons tankekæde og handlinger og stopper udførelse, hvis modellen bevæger sig ud over brugerens intentioner.

- Systemhærdning: Google forsegler og isolerer sine testmiljøer før højrisikotræning og -evaluering begynder.

05Teknisk styrke i kode, jura og økonomi

Ud over cybersecurity imponerer Argon på flere domænespecifikke benchmarks. Modellen er førende på Vals Index, der måler økonomisk påvirkning inden for finans, kode, jura og skatter – med vægtning efter bidrag til USAs BNP.

På Zapiers AutomationBench, der måler end-to-end udførelse af forretningsfunktioner, ligger Argon på førstepladsen med 51.3%. På LVBench, der måler forståelse af lange videoer, opnår den state of the art med 91.7%.

Tusindvis af Googles egne medarbejdere bruger allerede Argon internt til specialiseret kodning, dybdegående research og skrivning.