Gemini 4 Carbon 逆向解讀:運作方式、規格與安全數據
Reverse Engineering Gemini 4 Carbon
Om Shree 根據 Google 公開文件分析 Gemini 4 Carbon,整理其產品定位、API 規格、安全設計及官方披露的基準結果,並區分文件內容與作者推論。
文章把 Google 文件中的已披露規格與作者推論分開,並對照公開版和網絡安全限定版的差異,呈現 Carbon 能力數據的適用範圍。
Google 剛推出 Gemini 4 Carbon。以下根據文件逆向剖析其實際運作方式。
Google 推出另一款模型時,旗下的前沿編碼模型才問世兩星期。Gemini 4 Carbon 並非 Gemini 4 Argon 的替代品,而是定位更高的第二級模型,專為 Argon 會放棄的問題而設,並會在這些問題上使用更多 tokens。
開始前先説明一點:Google 尚未披露 Carbon 的架構、參數數量或訓練資料。本文所説的「逆向工程」,是指根據發布文章、供應情況文章、AI Studio 模型頁面、Google Cloud 模型頁面,以及 Carbon 沿用的 Argon 文件,重建系統的運作方式。以下幾乎所有基準測試結果均由 Google 提供。我會標示哪些內容是我的推斷,而非 Google 的説法。
它要解決的問題
Google 自己也表示,Argon 已能妥善處理大部分軟件工程及知識工作。Carbon 針對的差距則不同:這些任務可能持續數小時甚至數天、遇上瓶頸,而且需要模型持續驗證自己的工作。Google 表示,內部團隊曾觀察 Carbon 運行數天,在諸如大型程式碼庫及底層系統中找出根本原因並修補細微錯誤等任務上,設法突破瓶頸。
第二個問題是安全。尋找、驗證及修補漏洞是一個完整流程,而模型往往擅長其中一個步驟,卻不擅長其他步驟。Google 將 Carbon 定位為首款涵蓋三個環節的 Gemini 模型:漏洞偵測、漏洞利用(以判斷哪些漏洞屬實並排定優先次序),以及根據根本原因修補漏洞。這亦是它分兩個階段推出的原因,以下會再談。
第三個問題是長時間運行時的可信度。模型若在無人監督下運行數小時,便有更多機會在測試中作弊、捏造缺失資料,或修改不應修改的檔案。Google 發布資料中有不少內容談及這一點,而非單純着眼於能力。
Gemini 4 Carbon 的實際運作方式
它在系列中的定位
Gemini 4 目前有三款我能確認的具名型號:Argon、Carbon 和 Hydrogen。Hydrogen 被描述為日常編碼及 Agent 式工作的選項,並為 Search 升級版提供支援,但我沒有它的詳細規格。Google 自家的模型選用指引指出,大部分軟件工程及知識工作仍適合使用 Argon。Carbon 則適用於考驗模型智能極限的任務;相較 Argon,它會使用更多 tokens,以深入探索、深入推理,並進行延長的驗證循環。
我的理解是,Carbon 採用測試時運算(test-time compute)策略。它與 Argon 使用相同的 API 介面,但資源消耗模式不同。Google 尚未説明兩者在訓練方面有何不同,因此這點應視為推斷。
在 Gemini 應用程式中,Argon 的標籤是「Code & analysis」,Carbon 的標籤是「Most complex work」。9to5Google 報道指,應用程式在此次發布中移除了 3.1 Pro。
API 規格
| 屬性 | 值 |
|---|---|
| 模型 ID |
gemini-4-carbon(根據 Cloud 文件,經 Fairwind 批准的專案亦可使用 gemini-4-carbon-cyber-permissive) |
| 輸入 | 文字、圖片、影片、音訊、PDF |
| 輸出 | 僅文字 |
| 上下文視窗 | 1,048,576 tokens,輸入、思考及輸出共用 |
| 每次請求的最大輸出 | 預設為 65,536;使用長解碼時最高可達 1,048,576 |
| 思考等級 | low, medium, high |
| 快取 | 僅支援隱式快取;不支援明確快取 |
| 工具 | 函式呼叫、程式碼執行、電腦操作、檔案搜尋、URL 上下文、Google Search 和 Maps grounding、結構化輸出 |
| 不支援 | 圖像生成、音訊生成、Live API |
| 用量 | Batch API、Flex inference、Priority inference |
有兩處文件內容不一致,需要留意。Google Cloud 頁面列出的輸出 Token 上限為 1,048,576;AI Studio 則列出預設同步輸出上限為 65,536,使用長篇解碼時最高可達 1,048,576。這可能只是同一事項的兩種描述,但在規劃容量前請先核實。另外,雖然支援 Agentic 影片理解,但預設採用靜態模式。
在 Google Cloud 上,Carbon 支援 GenerateContent、Interactions、Chat Completions 和 Count Tokens API,並在美國及歐盟多區域進行 ML 處理。Carbon 亦屬於《Service Specific Terms》第 34 條所指的「Google Frontier Model」,該條款涵蓋濫用監察。透過它處理受規管數據前,請先閲讀相關條款。
長篇解碼是需要了解的功能
Carbon 的文件列出的自動延續功能最低 SDK 版本,與 Argon 相同:Python google-genai ≥ 2.34.0、JS/TS @google/genai ≥ 2.32.0、Go ≥ 1.77.0、Java ≥ 1.80.0。Argon 文件有説明其運作方式。單次生成最多約 1M 個 Token 的內容會拆分成多次推理呼叫,並傳回延續 Token,讓模型從停止的位置繼續。以下細節是 Argon 文件所述的行為,請對照 Carbon 的頁面核實。
以下幾點在正式環境中可能造成問題:
-
max_tokens是所有延續步驟共用的總預算,並非每次請求各自計算。 - 延續前的對話內容必須原封不動地重新傳送。不要在延續過程中插入新的用戶訊息。
- 請求本文的大小會隨解碼內容增加,長篇答案可能會令本文達數 MB,因此用戶端必須能接收及重新傳送這種大小的本文。
- 根據 OpenRouter 的 Argon 遷移説明,延續步驟不會使用明確快取。Carbon 本身亦不支援明確快取。
- 長篇答案的成本,是所有延續步驟用量的總和。
- 對於 Interactions API,Google 表示背景執行是執行長篇解碼最簡單的方式,因為延續迴圈會在伺服器端執行,直至模型完成或達到
max_output_tokens。
以下是參考 Argon 文件改寫的示意範例,展示其運作方式:
from google import genai
client = genai.Client() # AI Studio route; Cloud route differs per docs
job = client.interactions.create(
model="gemini-4-carbon",
input="Audit this migration plan and list breaking changes by package.",
generation_config={"thinking_level": "high"},
background=True, # server-side continuation loop
store=True,
)
# Poll job status; only treat output as final once the status says so.
Google 表示,思考層級是調整品質、延遲和 Token 開支的主要方式。Argon 文件中的建議同樣適用於此:在三個層級都使用較高的輸出上限執行評測,避免答案因上限而被截斷,然後選擇符合要求的最低層級。
分兩階段推出
設計中這部分關乎治理,而非模型內部運作:
- 10 月 28 日:Carbon 宣佈推出,並僅向部分網絡安全防護人員開放;之後會透過 Fairwind Program 擴大至可信合作夥伴。Google 表示已參與美國政府的自願預發布模型測試流程。
- 11 月 10 日:向付費開發者、企業及 Ultra 訂閲用戶全面開放,但網絡安全能力較寬鬆的版本仍維持受限存取。
公開版模型與 Fairwind 版本使用不同的模型 ID。Google 提供的最強網絡安全成果數據,來自透過 Fairwind 使用的「Carbon for cyber」。公開版 gemini-4-carbon則具備下文所述的防護措施。
網絡安全能力,以及如何解讀
Google 表示,Carbon 在未設安全防護機制的情況下接受評估,在 SEC-bench Pro(漏洞發現)取得 88.2%,在 ExploitGym(漏洞利用)取得 54.8%,並在 Collinear 的 CWE-bench(漏洞修補)取得 71.0%。在內部基準測試中,Google 表示 Carbon 生成安全程式碼的成功率是 Argon 的 2 倍以上。
已公佈的實際應用成果:
- Project Fortify(Google 內部的掃描、分類分流及修復系統):在一項內部基準測試中,掃描召回率達 100%,分類分流精確率達 95%;此外,在開源程式碼庫測試中,召回率較 Argon 相對提升超過 25%。
- Chrome 團隊:生成高質素修補程式的表現,比另一間實驗室的大型前沿模型高出 10 倍以上。
- Google Cloud Vulnerability Research:利用 Carbon 建立概念驗證,證明一個熱門開源專案中的兩個漏洞可被利用;其嚴重程度與最近的 PHP2Shell exploit 相若。維護者將漏洞重新分類為嚴重級別,並已修補。詳情待公佈。
- Wiz:在不到兩小時內,於兩間大型 SaaS 供應商找出零日漏洞。Google 表示,這把數星期的研究工作濃縮至一個下午。Wiz 亦表示,Carbon 在網絡滲透測試基準測試中領先。
如果你讀過我對 GPT-6 Cyber 的分析,顯而易見的問題就是誰領先。OpenAI 表示,其在 ExploitGym 的成績為 48.45%(預期漏洞利用成功率,採用測試過的最高推理預算),在 SEC-Bench Pro 的 pass@1 成績為 87.02%。Carbon 的 54.8% 和 88.2% 看起來較高,但我不會據此判定誰勝出。兩者的測試框架、存取層級、預算和評分詳情各有不同,而且我未見任何一方的數字經獨立重現。應把它理解為:「兩者處於同一水平範圍,而且兩者的數字都是供應商的説法。」
對齊與安全數據
Google 將 Carbon 描述為在面對壓力時的行為表現上超越 Argon。Google 公佈的數字如下:
| 行為 | 公佈結果 |
|---|---|
| 在 Terminal-Bench 4.0 中作弊 | 成功率為 0.0%,嘗試率為 0.4%,同時準確度有所提升 |
| 實際內部編碼工作中的高嚴重性失調警示 | 減少近 80% |
| 相較 Argon 的無根據聲稱 | 約少 2 倍 |
| 相較 Argon 的過度幹預/服務不足 | 分別減少 26%/減少 29% |
| Gray Swan Indirect Prompt Injection 基準測試 | 攻擊成功率為 0.0%(Argon:0.7%) |
| 涵蓋 375 項任務的 Agent 誠實度基準測試 | 92% 通過(Argon:70%) |
Google 表示,在這項誠實度基準測試中,Carbon 有 98% 的情況下拒絕填補缺失的實驗數據,並有 68% 的情況下指出方法上的缺陷。Google 描述的行為是先查找資料來源,並在採取行動前向用戶指出差異,而不是猜測。
Google 公佈的防止濫用措施:
- 在植入 ExploitBench 和 CyScenarioBench 測試案例的環境中,一個自適應紅隊測試 Agent 每次受阻後都會重新檢視計劃;在 99% 的攻擊路徑中,該 Agent 遭到阻止。每次嘗試的突破率由 Argon 的 3.1% 降至 0.8%。
- 在 Gray Swan 測試中,自動化網絡攻擊查詢的成功率由 Argon 的 9.86% 降至 2.17%。
- Trajectory Labs 的外部測試歷時 132 小時,並發出超過 13,000 項請求,未發現新的通用越獄方法。
應如實解讀這些數字。在一項提示詞注入基準測試中取得 0.0%,確實是進步;Google 亦表示,提示詞注入穩健性仍有改善空間,而其自動化紅隊測試也發現,在某些分佈下仍有改進空間。每次嘗試的突破率為 0.8%,也代表持續發動攻擊的人仍有很多次嘗試機會。而警示減少約 80% 的數字,來自 Google 自身團隊在 Google 自身環境中的測試。
團隊實際用它做甚麼
Antigravity 中的多代理工程。Google 正在 Google Antigravity 中預覽 /swarm,讓單一提示詞變成一個協調合作的 Agent 團隊,並可即時追蹤。建議的做法是,將需要最深入推理的工作(架構設計、協調、審核)交由 Carbon 負責,並在平行且互相隔離的工作空間中,配搭速度更快、較輕量的模型,再由對抗式驗證器測試每項變更。Google 指出,多套件遷移、跨子系統根本原因調查,以及複雜的架構重新設計,都是最適合的應用場景。示範包括在 10 輪通宵循環中,根據城市規劃 PDF 重建辦公大樓的 Three.js 模型,以及根據 CAD 圖紙和 X 光片製作可演奏的古鋼琴模型。
網頁及 UI 工作。Carbon 會反覆進行建置和驗證、從錯誤中恢復,並檢查程式碼和呈現出來的 UI。它在 WebDev Arena 排名 #4,得分 1768,上升 89 Elo 分。
知識工作。Google 表示,Carbon 在 CursorBench 4.0、Perplexity 的 WANDR 和 Zapier 的 AutomationBench 均排名 #1,每項任務的成本不到次佳外部模型的一半。它在 Artificial Analysis 新推出的 Multimodal Knowledge Agent 基準測試中亦排名 #2,平均每項任務的成本不到頂尖模型的六分之一。在 Artificial Analysis Intelligence Index v5.0 中,Carbon 得分 59,排名 #1。請留意比較口徑:計算的是每項任務的成本,而非每個 token 的成本。Carbon 使用的 token 較多,因此就帳單而言,關鍵在於每項任務的成本。
科學。藥物毒性公司 Axiom Bio 表示,Carbon 找出了團隊此前未曾發現的毒性機制,並正將生產環境分析轉移至 Carbon 和 Argon。Google 研究人員使用 Carbon 配合名為 AlphaProof Code 的代理式框架,協助以 Lean 正式驗證構成 Signal 加密協定基礎的程式碼。Google 表示,這項工作耗時數週,而專家團隊則需數年。在蛋白質結構研究中,Carbon 在七個低同源性 CASP17 家族中,平均找出的同源物多 40 倍;不過 Google 指出,更廣泛的基準測試仍在進行中。
這件事的重要性比表面看來更大
層級劃分一目瞭然。Argon 適用於 90% 的情況,Carbon 則用於較難的 10%;現在,你需要在程式碼中作出這項路由決策。合理的做法是預設使用 Argon,遇到失敗或複雜度訊號時再升級。以下是這個構想的示意(這是我的做法,並非 Google 的):
def pick_model(task):
hard = (
task.spans_many_packages
or task.needs_root_cause_analysis
or task.previous_attempt_failed
)
return "gemini-4-carbon" if hard else "gemini-4-argon"
誠實正成為以基準測試衡量的產品功能。「98% 的情況下拒絕補填缺失資料」這類數字,將會是買家開始要求提供的資料。這與 OpenAI 公佈的 GPT-6 Cyber 阻礙事項回報數據相符。兩家實驗室都將模型在壓力下的行為,與能力並列為首要指標。
前沿網絡安全模型正逐漸採用受限發布方式。同一個月內推出的兩個模型,都設有供經驗證的防禦者使用的受限級別。OpenAI 使用 Daybreak Red,Google 使用 Fairwind。Anthropic 的 Project Glasswing 也為其能力最強的 Mythos 級模型採取類似做法。這種模式是讓攻擊能力最強的版本維持受限,同時廣泛推出設有防護措施的版本。
長時間尺度的可靠性才是真正的前沿。最受矚目的基準測試成績,遠不及「連續運行數日,遇上死路仍持續推進」這樣的説法重要。這種表現能否在 Google 的環境以外維持,仍是未解之問,也是你應該在自己的程式碼庫上測試的地方。
供應情況與使用權限
- 開發者:在 Google AI Studio 和 Android Studio 使用 Gemini API 的付費級別。Ultra 訂閲用戶亦可使用 Antigravity 和 AI Studio。
- 企業:透過 API、模型下拉選單、Antigravity 或 CodeMender 使用 Gemini for business。Carbon 自 2026年11月10日起已在 Google Cloud 的 Agent Platform 正式供應。
- 一般用戶:Google AI Ultra 訂閲用戶可在 Gemini app 和 Search 的 AI Mode 使用。
- 科學家:免費的六個月計劃,參加者可透過 Antigravity 的最高用量級別使用 Argon 和 Carbon,並按批次逐步加入。
- 網絡安全防衞者:申請加入 Fairwind,以使用用於網絡安全的 Carbon。
定價:每百萬個輸入 token 收費 $2,每百萬個輸出 token 收費 $10;此入門價格適用至 2026年11月30日,其後價格分別為 $4 和 $20。快取輸入 token 按輸入費率提供 95% 折扣。入門價格的期限很短,因此現在就以自己的工作負載進行基準測試。由於 Carbon 的設計是使用比 Argon 更多的 token,預算時不應只看每個 token 的價格。執行自己的任務,並量度每項已完成任務的成本。
尚未公開的資料包括架構、參數數量、訓練數據,以及對主要基準測試結果的獨立重現。Google 提供了模型卡及安全與保安報告的連結,但我無法開啟其中的詳情。
Google 在同一週推出模型和准入機制。如今,競賽焦點在於誰能證明長時間運行的 Agent 能按預期運作,而非誰能聲稱自己的基準測試成績最高。
追蹤我們,閲讀更多關於 MCP、代理式 AI 及 AI 基礎設施的深入報道。
來源:DEV Community · dev.to