Google DeepMind 發佈 Gemini 4 Carbon，登上 Artificial Analysis Intelligence Index 榜首

Google Deepmind 在 Argon 推出僅兩週後，便發布 Gemini 4 Carbon；新模型在 Artificial Analysis Intelligence Index 中登上榜首。

Carbon 在最近更新至 5.0 版的 Artificial Analysis Intelligence Index中取得 59 分，前代模型 Argon則以 50 分落後。除了代理式任務和編程方面的整體提升，Google 亦強調，Carbon 的能力涵蓋網絡防禦的整個生命週期，從偵測和驗證漏洞，到修補漏洞。

Carbon 在 AA Index 總排名領先，但在 Claude Code 的代理式編碼方面仍略遜於 Opus 5.5。| 圖片：AA

為多日編碼工作階段而設

Google Deepmind 表示，Carbon 是為「難度高得多、需要長時間投入的工程問題」而設，這些問題需要持續運作的代理式工作流程。Google 聲稱，內部團隊曾連續多日運行模型；期間模型能自行克服瓶頸，並處理複雜的多步驟任務，例如在大型程式碼庫和底層軟件中進行根本原因分析，以及修正細微錯誤。

Google 亦表示，根據用戶回饋，模型在科學推理、多模態理解和全棧網頁開發方面都有所提升。網頁開發的輸出和產物質素更高，令 Carbon 在WebDev Arena上升了 89 Elo 分，目前以 1,769 分排名第四。

在 Google 自選的基準測試中，Gemini 4 Carbon 在 16 項測試中的 15 項排名第一，尤其在長上下文和安全任務方面大幅領先其他模型。| 圖片：Google Deepmind

在 Gray Swan 的間接提示注入基準測試中，Google 表示，Carbon 將攻擊成功率由 Argon 的 0.7% 降至 0.0%，成功阻擋所有受測的操縱嘗試。這不代表提示注入問題已經解決，但這項測試似乎已達到飽和。

獨立評測印證 Google 的數據

據 Artificial Analysis 表示，Carbon 在最高推理層級（「high」）領先 Intelligence Index v5，主要是因為它在複雜推理、知識檢索和科學任務方面得分最高，並在該指數 9 項個別評測中的 4 項排名第一。

在 Antigravity 的代理式編碼評測中，Carbon 仍比使用 Opus 5.5 的 Claude Code 低 3 分，儘管與 Argon 相比，分數已由 53 升至 59。在 AA-Briefcase 的代理式知識工作評測中，Carbon（high）比 Argon（high，1,483 Elo）高 126 分，達到 1,609 Elo；其中簡報質素提升 293 Elo 分至 1,598，分析質素提升 120 Elo 分至 1,671。它仍落後於 Kimi K3.1 Pro（1,678 Elo）、Muse Wonder（max，1,659 Elo）和 Grok 4.7（xhigh，1,638 Elo）。

與 Argon 相比，答案準確率由 48% 升至 58%，而幻覺率則由 4% 升至 11%。雖然幻覺率較高，但在排名中仍是第二低。Claude Opus 5.5（max）和 GPT-6 Astra（max）的幻覺率均為 50%。

評測平台 Vals AI給 Carbon 排名第二，準確率為 70.36%，僅次於 Claude Sonnet 5.5（70.85%），並領先 Claude Opus 5.5（70.18%）和排名第四的 Argon（69.24%）；這些模型的成本均較低。

在 Vals Index v2.2 中，Gemini 4 Carbon 的準確率為 70.36%，排名介乎 Claude Sonnet 5.5（70.85%）和 Claude Opus 5.5（70.18%）之間。每項測試收費 $10.51，運行時間略少於 48 分鐘，速度比 Anthropic 的兩款模型更快，成本亦更低。| 圖片：Vals AI

在 Vals.ai 上，Carbon 亦在 Finance Index 和 Legal Research 基準測試中均排名第一。在法律研究方面，Vals AI 記錄到的引用來源約多出 45 percent、工具呼叫更頻繁，回應亦比 Argon 更長。

不過，Finance and Tax Agent 基準測試中的任務耗時是 Argon 的兩倍以上；在 Legal Research 中，Carbon 平均每項任務耗時超過 50 分鐘。該模型生成的推理 token 是 Argon 的 2.3 倍，輸出 token 則多出 64 percent，但仍不到 Sonnet 5.5 和 Opus 5.5 輸出 token 數量的一半。

在 Arena.ai 上，Gemini 4 Carbon (High) 以 1,528 分領先 Text Arena，略勝 Argon (1,520)。在 Agent Arena 中，該模型在超過 21,900 個真實工作階段中排名第二，領先 GPT-6 Astra 和 Fable-5.1，淨改善率達 16.2 percent，可操控性評分更是最高（+18.6 percent）。其每項任務的中位成本為 $1.80，比排名第一的 Claude Opus 5.5 (Max) 低 72 percent。

Arena.ai 將 Gemini 4 Carbon (High) 列為 Agent Arena 第二名，淨改善率為 +16.2 percent，排名落後於 Claude Opus 5.5 (Max, +21.1 percent)，領先 GPT-6 Astra (Max, +13.4 percent)。 | 圖片：Arena

在 Code Arena 的 WebDev 類別中，Carbon 得分 1,768（比排名第十一的 Argon 高 89 分），總排名第四，只比 Claude Sonnet 5.5 (xHigh, 1,770) 低兩分。這使它在全部三個領域中均位於帕累托曲線上。

Carbon 在沒有安全防護機制的情況下，於安全基準測試中領先

Google 在幾項安全測試中沒有為模型啟用安全防護機制。在衡量模型於真實軟件中自主發現漏洞能力的 SEC-bench Pro 上，Carbon 得分 88.2 percent，領先所有受測模型。在測試系統能否將發現的漏洞轉化為可用漏洞利用程式的 ExploitGym 上，該模型得分 54.8 percent。Carbon 在 CWE-Bench 修復程式撰寫測試中亦大幅排名第一。

在 SEC-bench Pro（88.2 percent）、CWE-bench（71.0 percent）和 ExploitGym（執行時間十小時時為 54.8 percent）上，Gemini 4 Carbon 均領先 GPT-6 Astra 和前代模型 Argon。 | 圖片：Google Deepmind

Google 亦引用了無法獨立核實的內部測試結果。據稱，在內部基準測試中，Carbon 產生安全程式碼的頻率是 Argon 的兩倍以上；而在 Google Chrome 團隊進行的測試中，Carbon 撰寫安全修補程式的表現比某間未具名競爭對手的前沿模型高出十倍以上。

安全專家率先取得使用權

Google 正逐步推出該模型，並以 Carbon 的先進安全能力為由，參與美國政府的預發佈測試流程。選定的網絡安全專家由本週起率先取得使用權。透過 Google Deepmind 的 Fairwind Program，其後將向更多可信賴的合作夥伴開放使用權。

公司計劃在收集更多意見並調整安全防護機制後，透過旗下產品介面向開發者、企業和消費者開放該模型。

Gemini 4 Carbon 推出時的價格與 Argon 相同：每百萬個輸入 token 收費 $2，每百萬個輸出 token 收費 $10；快取輸入 token 則可享一般輸入價格 95 percent 的折扣。

在每項任務成本幾乎與 Argon 相同（$7.76 對 $7.68）的情況下，Gemini 4 Carbon 上升 9 分至 59，逼近帕累托曲線頂端，亦超越價格較高的 Claude Opus 5.5（$10.04）。| 圖片：Artificial Analysis

Carbon 在 Artificial Analysis Intelligence Index 中，每項任務成本為 $7.76，較 Claude Opus 5.5（max，$10.04）低約 23%，價格約為 GPT-6 Astra（max，$6.25）的 1.2 倍。它平均每項任務輸出 123,000 個 token，較 Anthropic 的模型（173,000 個 token）少 29%，價格則幾乎與 Argon 相同（$7.68）。

Artificial Analysis 的計算採用常規牌價：每百萬個輸入 token 收費 $4，每百萬個輸出 token 收費 $20（快取輸入 token 另收 $0.20），並不計入目前適用、持續至 2026 年底的 50% 首發折扣。