Google 發佈 Gemini 4 Carbon，在 Artificial Analysis 智能指數 v5.0 登頂

編輯｜冷貓

剛剛，Google 宣佈推出新一代前沿模型，號稱「最強模型」的 Gemini 4 Carbon！

該模型在網絡安全和長程任務處理能力方面均達到了當前最先進水平。Carbon 能夠連續數天處理複雜任務，不會陷入停滯，也不會為了完成任務而走捷徑，最終交付高質量、可靠的代碼。

距離上一款旗艦 Gemini 4 Argon 發佈，才過去兩週。Demis Hassabis 用一個閃電 emoji 開頭，谷歌正在「Iterating at lightning speed」（以閃電般的速度迭代）新模型。

很好，很有底氣。從數據看，這個全新的 Carbon 模型真挺不賴。Carbon 在第三方評測機構 Artificial Analysis 的智能指數 v5.0 中拿到 59 分，登頂第一。緊隨其後的 Claude Opus 5.5 是 58 分，GPT-6 Astra 是 57 分。三家模型只差 2 分，但「第一」就是第一。

此外，Carbon 在漏洞發現基準 SEC-bench Pro 中取得 88.2% 的成績，在漏洞利用基準 ExploitGym 中達到 54.8%，在漏洞修復基準 CWE-bench 中達到 71.0%，該模型均確立了明顯的領先優勢。

• 博客鏈接：https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

網絡安全全鏈路 SOTA，Chrome 團隊實測「好 10 倍以上」

Google 在官方博客裏為 Carbon 的網絡安全能力花了大量篇幅。具體來看，Carbon 覆蓋了網絡安全防禦的三個關鍵階段，且每個階段都做到了 SOTA。

尋找漏洞：在 SEC-bench Pro 上，Carbon 拿下 88.2% 的成績，超過 GPT-6 Astra 的 85.4% 和 Argon 的 83.4%。這個基準測試的任務是讓模型自主發現隱藏在真實軟件中的複雜安全漏洞。

驗證漏洞：在 ExploitGym 上，Carbon 得分 54.8%，大幅領先第二名 GPT-6 Astra 的 42.4%。這項測試衡量的是模型能否驗證漏洞的實際可利用性，幫助安全團隊決定修補優先級。在 10 小時時限下，Carbon 與 6 小時時限的差距很小（54.8% vs 53.5%），説明它在較短時間內就能完成大部分驗證工作。

修復漏洞：最終在識別出漏洞後，修復根源原因是網絡安全防禦生命週期中的一個關鍵步驟。Carbon 在 Collinear 的 CWE-bench 上達到了 71.0%，將驗證後的發現直接轉化為可工作的代碼修復。

除了公開 benchmark，Google 還給出了內部數據。Carbon 生成安全代碼的成功率比 Argon 提升超過 2 倍。Chrome 瀏覽器團隊的反饋更誇張，他們報告 Carbon 在生成高質量安全補丁方面比「另一家實驗室的大型前沿模型」表現好 10 倍以上。

Google 旗下的雲安全平台 Wiz 也參與了測試，觀察到 Carbon 在 Web 滲透測試基準中表現領先，這是 Wiz「Scan for Good」計劃的核心能力之一。

長程任務：可以連續運行數天

Carbon 的另一大亮點是「長程任務」能力。這也正在成為新一代前沿大模型競爭的關鍵能力之一。

Google 表示，內部團隊觀察到 Carbon 可以在大型代碼庫和底層系統中持續運行數天，完成跨文件的根因追溯（root-causing）與補丁生成。遇到死衚衕時，模型能自主調整策略繼續推進，不會直接終止任務。

這一能力的技術基礎之一是長上下文處理能力的顯著提升。在 GraphWalks 測試（256k 至 1M token 範圍的 BFS F1 評測）中，Carbon 從 Argon 的 84.2% 躍升至 96.2%，領先 GPT-6 Astra 的 71.8% 和 Claude Opus 5.5 的 66.8% 超過 20 個百分點。支持 1M token 的上下文窗口，意味着模型可以一次性處理約 1500 頁 A4 文檔的等量信息。

長時程能力之所以越來越重要，背後是 Agent 工作流對模型提出了更高要求。 以軟件工程為例，真正複雜的開發任務往往涉及持續跟蹤代碼變更、協調多個分支的修改、處理跨模塊依賴，以及反覆測試和修復問題。這些工作可能持續數小時甚至數天，早已超出單次問答的範疇。

對於前沿大模型而言，能否在漫長的執行過程中保持目標一致、及時糾錯，並最終交付可靠結果，正在成為衡量其實際工程價值的重要標準。

Benchmark 全景：智能指數 9 項評測 4 個第一

Artificial Analysis 智能指數 v5.0 是目前業內引用較多的綜合評估體系。

Carbon 以總分 59 登頂，在其中 4 項拿下單項第一（HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA），比 Claude Opus 5.5（58 分）高 1 分，比 GPT-6 Astra（57 分）高 2 分，比兩週前的 Argon（50 分）提升 9 分。Artificial Analysis 評價，Carbon 的領先由複雜推理、知識和科學任務上的強勢表現驅動，在編程和知識工作方面有大幅進步（尤其相對 Gemini 系列歷史表現），但在這些方向上還沒有全面領先。

以下分維度展開。

編程方面，是 Google 模型的傳統短板，Carbon 進步幅度最值得關注。在 Artificial Analysis Coding Agent Index 上，Carbon 搭配 Antigravity CLI（high reasoning）得分 59，僅落後排名第一的 Claude Code + Claude Opus 5.5（max reasoning，62 分）3 分。單項評測中，Terminal-Bench 4.0 得分 64%，FrontierCode v1.1 得分 51%，兩項均排名第二，僅次於 Claude Opus 5.5（max，56%）。在 WebDev Arena（全棧 Web 開發競技場）上躍升 89 Elo 至第四名（1768 Elo）。

知識工作：AA-Briefcase 上，Carbon（high）得分 1609 Elo，較 Argon（high，1483）提升 126 點。其中提升最大的是 Presentation（呈現質量）維度，躍升 293 Elo 至 1598；Analytical Quality（分析質量）也提升 120 點至 1671。但整體仍落後於 Kimi K3.1 Pro（1678）、Muse Wonder（max，1659）和 Grok 4.7（xhigh，1638）。

知識可靠性與幻覺率：AA-Omniscience v1.1 上 Carbon 得分 54，領先 Claude Opus 5.5（max，48）6 分，領先 Argon（46）8 分。準確率（正確回答佔比）從 Argon 的 48% 提升至 58%，漲了 10 個百分點。幻覺率從 Argon 的 4% 上升至 11%，雖有回升，但仍是所有模型中第二低，僅次於 Argon。作為對比，Claude Opus 5.5（max）和 GPT-6 Astra（max）的幻覺率均為 50%。

科學與數學：RiemannBench 80.0%，Terminal-Bench-Science 64.8%，均為當前最高分。

成本效率：Carbon 完成一項智能指數任務的平均成本為 7.76 美元，較 Claude Opus 5.5（max，10.04 美元）低約 23%，約為 GPT-6 Astra（max，6.25 美元）的 1.2 倍。每任務平均輸出 123k token，比 Claude Opus 5.5（max，173k）少 29%。與同價位的 Argon（每任務 7.68 美元）相比，成本基本持平，但智能指數高出 9 分。

• Artificial Analysis 模型評測分析：https://artificialanalysis.ai/models/gemini-4-carbon

安全對齊：作弊率 0%，提示注入攻破率 0%

Carbon 在安全對齊上的架構延續 Argon 的多層防禦體系，包括訓練階段對齊、實時濫用檢測、提示注入防禦和思維鏈監控，並在此基礎上做了進一步強化。

作弊率降至 0.0%。Terminal-Bench 4.0 測試中，Carbon 的作弊成功率為零，嘗試作弊的比例僅 0.4%，同時整體任務準確率仍在提升。Google 表示，這通過在訓練階段進一步緩解了模型的捷徑行為（shortcut exploitation）實現。

提示注入攻擊成功率 0.0%。在 Gray Swan 的間接提示注入（Indirect Prompt Injection, IPI）基準測試中（k=15 次攻擊嘗試），Carbon 成功抵禦了所有攻擊。對比其他前沿模型的表現：Argon 0.7%、Claude Opus 5.5 和 Claude Fable 5.1 均為 1.0%、GPT-6 Astra 為 8.5%、Grok 4.6 高達 51.8%。

行為控制層面，Carbon 同步改善了兩種常見的對齊失敗模式：過度執行（overreach，即超出用戶意圖的操作）減少 26%，執行不足（under-service，即遺漏用戶要求的操作）減少 29%。Google 描述 Carbon 在面對模糊任務時的行為變化是，模型會主動檢索相關來源並向用戶呈現信息差異，在確認後再行動，不會猜測或強行推進。

在模型透明度上，Carbon 無依據聲明（unsupported claims）較 Argon 減少約 2 倍。當關鍵信息缺失時，模型會在輸出中直接標註方法論限制或列出未完成的前置條件，不會編造或模糊處理。

內部團隊實測，高嚴重性對齊告警較 Argon 減少近 80%。

定價與可用性

Carbon 的定價與 Argon 保持一致，標準價為每百萬輸入 token 4 美元、每百萬輸出 token 20 美元。目前提供 50% 的上線折扣，結束時間未定。緩存輸入 token 享受 95% 的折扣，折後僅 0.20 美元 / 百萬。上下文窗口 1M token，支持文本、圖像、視頻和語音輸入。

從每任務成本來看，Carbon 完成一項智能指數任務的平均成本為 7.76 美元，比 Claude Opus 5.5（10.04 美元）低約 23%，但比 GPT-6 Astra（6.25 美元）高約 24%。每任務平均輸出 123k token，比 Claude Opus 5.5 的 173k 少 29%，説明 Carbon 在 token 效率上也有優勢。

Carbon 本週起首先向 Fairwind 項目中受信任的網絡防禦者開放，後續將逐步擴大範圍，在收集反饋並迭代安全護欄後，再向開發者、企業和消費者全面開放。

尾聲

熟悉的循環又回來了。Claude 剛扔下一枚「核彈」，Google 就端出了新菜，OpenAI 隨即加大火力。轉了一圈，又是 AI 行業平平無奇的一週。

前段時間，谷歌似乎一度在前沿大模型的高速迭代中失了聲量，甚至讓人懷疑它是否還能穩坐這張競爭牌桌。但最近接連拿出的新成果，尤其是 Carbon，還是能夠讓人眼前一亮。

當然，巨頭們你追我趕，競爭越激烈，對整個行業越是好事。只是相比於靠「AI 毀滅世界」的危機敍事，或是讓人「眩暈癱坐」的誇張營銷來製造聲量，我們更希望看到模型在真實任務中拿出實打實的進步。

少一些故弄玄虛，多一些真本事。這樣的 AI 競賽，才更值得期待。