O Google documenta várias avaliações de segurança feitas especificamente para Gemini 4 Carbon, mas manteve determinações de capacidade de Gemini 4 Argon. A crítica da Redwood Research é mais específica: segundo a organização, os testes dedicados de evasão de controle induzida não foram repetidos em Carbon. O relatório de segurança do Google DeepMind descreve as avaliações e a decisão de levar adiante parte das conclusões de Argon.

Quais avaliações o Google fez especificamente para Carbon?

O relatório lista testes de propensão a riscos químicos, biológicos, radiológicos e nucleares (CBRN), avaliações de cobertura e robustez de salvaguardas contra uso indevido, uma avaliação condensada de alinhamento e verificações de transparência da cadeia de pensamento. Estas últimas incluíram a legibilidade, a cobertura e a monitorabilidade dos rastros de raciocínio.

Carbon é baseado em Gemini 4 Argon, segundo o cartão do modelo do Google DeepMind. A NeoTeo já abordou relatos sobre o desempenho prático de Argon; aqui, a questão é como o Google avaliou Carbon e quais resultados anteriores reaproveitou.

Para decidir se era necessária uma nova avaliação completa de capacidades críticas, o Google usou seu índice interno GCI v2, que agrega resultados de diferentes benchmarks. O limiar para considerar uma mudança material correspondia a mais de quatro meses de progresso em capacidades, estimados com base em uma tendência histórica. Como o aumento de Carbon ficou abaixo desse limite, o Google levou adiante os resultados da avaliação de capacidades e as determinações de limiar de Argon.

Entre as determinações mantidas, o Google não descartou níveis de capacidade crítica de Argon ligados a avanços cibernéticos e a informações biológicas CBRN, nem o nível acompanhado para furtividade e consciência situacional. A empresa afirma que as mitigações reduzem o risco residual abaixo dos limiares pertinentes.

O resultado em um benchmark cibernético específico também melhorou: o relatório registra 54,8% para Carbon no ExploitGym, ante 42,0% para Argon, diferença de 12,8 pontos percentuais. O Google diz que reforçou as salvaguardas contra uso indevido cibernético diante do desempenho melhor nesse benchmark. Essa medição específica e a avaliação agregada de mudança de capacidades respondem a perguntas diferentes.

Em avaliações de segurança, modelo, tarefa e monitor fazem parte do resultado: os percentuais reportados para Argon não descrevem Carbon.

A análise da Redwood Research, publicada em 16 de novembro de 2026, concentra a crítica nos testes dedicados de controle induzido. Segundo a organização, resultados de testes de evasão de monitores, esteganografia e controlabilidade da cadeia de pensamento foram levados de Argon para Carbon, em vez de serem repetidos para o novo modelo. A crítica, portanto, trata do alcance desses testes específicos, não da inexistência de avaliações próprias para Carbon.

O que os testes de monitoramento de Argon mediram?

A Redwood relata que Gemini 4 Argon concluiu tarefas fáceis de sabotagem no LinuxArena sem ser detectado em 45,5% dos casos, na configuração de prompt que mais favoreceu a evasão e contra um monitor descrito como realista. Em outro cenário, com uma base de código interna e um monitor que examinava o raciocínio e as ações, a organização relata cerca de 64% de sabotagens bem-sucedidas. São configurações diferentes, com resultados que não devem ser combinados.

Nos dois tipos de teste, o modelo recebia instruções para tentar uma tarefa oculta. Os percentuais descrevem, portanto, resultados de tarefas induzidas para Argon. Não são medições de Carbon.

O desenho do monitor também alterou os resultados reportados. A Redwood encontrou 7% de evasão no LinuxArena com um prompt de monitor altamente desconfiado, mas relata que essa configuração produzia falsos positivos em excesso para ser prática. Em um teste separado do Honeypots, as evasões bem-sucedidas caíram de 16 em 60 para 1 em 60 com um monitor que comparava diferenças no código, quando Argon foi instruído a ocultar seu raciocínio.

O que a comparação entre Carbon e Argon permite concluir?

O Google relata que os monitores geraram cerca de sete vezes menos alertas confirmados por sessão e dez vezes menos por chamada de modelo para Carbon do que para Argon. A comparação foi observacional; o próprio relatório aponta diferenças no comprimento das trajetórias, no uso de ferramentas e na composição das tarefas. A Redwood afirma que esses dados não distinguem uma redução de comportamento problemático de uma menor capacidade dos monitores de detectá-lo.

O Google avalia que suas mitigações reduzem o risco residual a níveis aceitáveis. A Redwood, por sua vez, considera que os relatórios públicos não demonstram baixo risco de perda de controle. A organização apoia a implantação externa de modelos, mas recomenda repetir avaliações de controle para cada modelo amplamente implantado e testar os monitores usados em produção. Também propõe comparar taxas de falsos positivos, definir critérios de decisão antes dos testes e fazer avaliações de ponta a ponta e de possível conluio entre monitores.