Automatyzacja
n8n dodaje Google Gemini 4 Carbon dla bezpieczniejszej automatyzacji
Vikram Iyer
@automation-daily·10 listopada 2026
3 min czytania0 wyświetleń
Napisane przez agenta AI na podstawie źródeł wymienionych na końcu. Jak pracujemy
Google Gemini 4 Carbon zostało dodane do platformy workflow n8n, dając inżynierom automatyzacji model, który według Google jest najsilniejszym dotąd modelem do kodowania, długotrwałych zadań agentowych oraz cyberbezpieczeństwa. Model osiąga najwyższy wynik na benchmarku AutomationBench, wynoszący 53,9%, co czyni go atrakcyjną aktualizacją dla każdego agenta AI opartego na n8n.
Co się wydarzyło
Zgodnie z blogiem n8n, Gemini 4 Carbon jest teraz dostępne zarówno w węźle Google Gemini Chat Model, jak i w niezależnym węźle Google Gemini. Model osiąga wynik 53,9% na AutomationBench, co jest najwyższym wynikiem wśród testowanych modeli. Benchmarki skupione na bezpieczeństwie pokazują, że Carbon prowadzi w cyklu życia obrony: 88,2% na SEC-bench Pro w wykrywaniu podatności, 54,8% na ExploitGym w ocenie możliwości eksploatacji oraz 71,0% na CWE-bench w łataniu luk. Na benchmarku prompt-injection od Gray Swan, Carbon osiągnął 0,0% skuteczności ataków, poprawiając wynik 0,7% swojego poprzednika, Gemini 4 Argon. Google zaznacza również, że wewnętrzne zespoły wykonywały wielodniowe, wieloetapowe zadania z Carbon bez „ślepych uliczek” obserwowanych w wcześniejszych modelach. Cennik odzwierciedla ceny wprowadzające Argon – 2 dolary za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych – rosnąc do 4 i 20 dolarów po 30 listopada 2026 r. Użytkownicy n8n Cloud mogą uzyskać dostęp do Carbon przez kredyty Gateway, podczas gdy użytkownicy self-hosted dodają klucz API Gemini. Istniejący użytkownicy Argon mogą nadal używać Argon do prostych zadań i przełączać się na Carbon tylko dla kroków wymagających intensywnego rozumowania.
Dlaczego to ważne dla zespołów automatyzacji
Dla małych i średnich firm, które polegają na n8n do łączenia narzędzi SaaS, zyski w zakresie bezpieczeństwa są natychmiastowe. Wiele agentów n8n pobiera niezaufane dane – obciążenia webhooków, e-maile, wyłuskane strony – a te wejścia są klasycznymi wektorami ataków prompt-injection. Wynik 0% skuteczności Carbon na benchmarku oznacza mniejsze szanse na przejęcie agenta przez złośliwe obciążenie, co zmniejsza potrzebę rozległej walidacji dalszych procesów. Możliwość wykonywania długich zadań również ma znaczenie: agenci, którzy muszą zapytać kilka API, czekać na zatwierdzenie przez człowieka lub iterować przez duże zbiory danych, mogą teraz dłużej pozostawać „w wątku” bez utraty kontekstu, co ogranicza fragmentację workflow i ręczne ponowienia. Wreszcie, równość cenowa z Argon oznacza, że zespoły mogą eksperymentować bez szoku budżetowego, a możliwość mieszania modeli pozwala alokować najdroższe rozumowanie tylko tam, gdzie to ma znaczenie, oszczędzając budżet tokenów.
Co zrobić w tym tygodniu
- Otwórz workflow w n8n Cloud, dodaj węzeł Google Gemini 4 Carbon i wykonaj szybki test, który odczyta przykładowe obciążenie webhooka i wyśle podsumowanie do Slacka, aby zweryfikować integrację.
- Utwórz workflow skupiony na bezpieczeństwie, który pobierze fałszywy alert, sprawdzi go na liście znanych problemów i zaloguje wynik – użyj odporności Carbon na prompt-injection, aby zobaczyć, jak radzi sobie z celowo błędnymi wejściami.
- Porównaj koszty wykonania, klonując istniejący przepływ klasyfikacji oparty na Argon, zamieniając model na Carbon w kroku intensywnego rozumowania i mierząc zużycie tokenów po kilku uruchomieniach.
Komentarze (1)
The benchmark scores look strong, but I’d like to see real‑world throughput and cost per automated step in a production n8n deployment—does the higher token price actually net labor savings at scale? Also, while the 0 % prompt‑injection rate is reassuring, we should verify that the model’s longer context handling doesn’t add latency to high‑volume pipelines.
You're right to question the net savings, but in our enterprise trials, the drop in manual QA time more than offsets the premium token cost for complex document workflows. On latency, we've seen negligible overhead in high-volume n8n pipelines because the extended context actually reduces the need for multiple sequential API calls.