Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周

Google Deepmind 在 Argon 发布仅两周后就推出了 Gemini 4 Carbon，新模型登顶 Artificial Analysis Intelligence Index。

Carbon 在最近更新的 5.0 版 Artificial Analysis Intelligence Index 上获得 59 分，而前代 Argon 以 50 分落后。除了在智能体任务和编程方面的整体提升外，Google 还强调了其覆盖完整网络防御生命周期的能力，从检测和验证漏洞到修补漏洞。

Carbon 在 AA 总指数上领先，但在 Claude Code 的智能体编程方面仍略逊于 Opus 5.5。| 图片：AA

为多日编程会话而打造

Google Deepmind 表示，Carbon 是为“困难得多、长周期的工程问题”而设计的，这类问题需要持续的智能体工作流。Google 称，内部团队曾让该模型连续运行数天，在此期间它能自行走出死胡同，并处理复杂多步骤任务，例如大型代码库和底层软件中的根因分析和细微 bug 修复。

Google 还报告称，基于用户反馈，该模型在科学推理、多模态理解和全栈 Web 开发方面有所改进。Web 开发中更高质量的输出和产物推动 Carbon 在 WebDev Arena 上提升 89 Elo 分，以 1,769 分位列第四。

在 Google 自己选定的基准测试中，Gemini 4 Carbon 在 16 项测试中的 15 项拿下第一，尤其在长上下文和安全任务上明显拉开差距。| 图片：Google Deepmind

在 Gray Swan 的间接提示注入基准测试中，Carbon 将攻击成功率从 Argon 的 0.7% 降至 0.0%，据 Google 称拦截了所有测试过的操纵尝试。这并不意味着提示注入问题已经解决，但该测试似乎已经饱和。

独立评估印证了 Google 的数据

根据 Artificial Analysis，Carbon 在其最高推理档位（“high”）下领跑 Intelligence Index v5，主要得益于在复杂推理、知识检索和科学任务上的最高分，在该指数九项单项评估中的四项排名第一。

在 Antigravity 上的智能体编程中，Carbon 仍落后于搭配 Opus 5.5 的 Claude Code 三分，尽管相比 Argon 已从 53 分跃升至 59 分。在 AA-Briefcase 上的智能体知识工作中，Carbon（high）比 Argon（high，1,483 Elo）提升 126 分，达到 1,609 Elo，这得益于演示质量（+293 Elo 至 1,598）和分析质量（+120 Elo 至 1,671）。它仍落后于 Kimi K3.1 Pro（1,678 Elo）、Muse Wonder（max，1,659 Elo）和 Grok 4.7（xhigh，1,638 Elo）。

与 Argon 相比，答案准确率从 48% 升至 58%，而幻觉率从 4% 升至 11%。这一数字更高，但仍是排名中第二低的。Claude Opus 5.5（max）和 GPT-6 Astra（max）均为 50%。

评估平台 Vals AI 将 Carbon 以 70.36% 的准确率排在第二位，落后于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%），Argon 以 69.24% 位列第四，且成本均更低。

在 Vals Index v2.2 中，Gemini 4 Carbon 以 70.36% 的准确率位于 Claude Sonnet 5.5（70.85%）和 Claude Opus 5.5（70.18%）之间。每次测试成本 10.51 美元、运行时间略低于 48 分钟，比两个 Anthropic 模型都更便宜、更快。| 图片：Vals AI

在 Vals.ai 上，Carbon 同时在金融指数和法律研究基准中领先。在法律研究中，Vals AI 记录到 Carbon 引用的来源比 Argon 多约 45%，工具调用更频繁，回答也更长。

但金融与税务智能体基准中的任务耗时是 Argon 的两倍以上，而在法律研究中，Carbon 平均每个任务耗时超过 50 分钟。该模型生成的推理 token 数量是 Argon 的 2.3 倍，输出 token 多 64%，不过这仍不到 Sonnet 5.5 和 Opus 5.5 输出 token 数的一半。

在 Arena.ai 上，Gemini 4 Carbon（High）以 1,528 分领跑文本竞技场，略微超过 Argon（1,520）。在智能体竞技场中，该模型在超过 21,900 次真实会话中排名第二，领先于 GPT-6 Astra 和 Fable-5.1，净提升 16.2%，并取得最高的可操控性得分（+18.6%）。其中位任务成本为 1.80 美元，比排名第一的 Claude Opus 5.5（Max）低 72%。

Arena.ai 将 Gemini 4 Carbon（High）列为智能体竞技场第二名，净提升 +16.2%，落后于 Claude Opus 5.5（Max，+21.1%），领先于 GPT-6 Astra（Max，+13.4%）。 | 图片：Arena

在代码竞技场的 WebDev 类别中，Carbon 达到 1,768 分（领先第十一名的 Argon 89 分），总排名第四，仅落后 Claude Sonnet 5.5（xHigh，1,770）两分。这使其在全部三个领域中都位于帕累托曲线上。

Carbon 在无护栏情况下领跑安全基准

在多项安全测试中，Google 在未启用安全护栏的情况下运行了该模型。在衡量真实世界软件中自主漏洞发现的 SEC-bench Pro 上，Carbon 得分 88.2%，领先所有受测模型。在测试系统能否将发现的漏洞转化为可用利用程序的 ExploitGym 上，该模型达到 54.8%。Carbon 还在 CWE-Bench 上编写修复方面保持大幅第一。

在 SEC-bench Pro（88.2%）、CWE-bench（71.0%）和 ExploitGym（运行十小时条件下为 54.8%）上，Gemini 4 Carbon 均领先于 GPT-6 Astra 和前代 Argon。 | 图片：Google Deepmind

Google 还引用了无法独立验证的内部结果。据称，在内部基准上，Carbon 生成安全代码的频率是 Argon 的两倍以上；在 Google Chrome 团队的测试中，其编写安全补丁的表现比某未具名竞争对手的前沿模型好十倍以上。

安全专家优先获得访问权限

Google 正在逐步推出该模型，并因其先进的安全能力而参与美国政府的发布前测试流程。部分网络安全专家从本周起优先获得访问权限。此后，通过 Google Deepmind 的 Fairwind 计划，访问权限将扩展到更多受信任的合作伙伴。

该公司计划在收集更多反馈并调整安全护栏后，通过其产品界面向开发者、企业和消费者开放该模型。

Gemini 4 Carbon 以与 Argon 相同的 introductory 价格发布：每百万输入 token 2 美元，每百万输出 token 10 美元，缓存输入 token 可享受常规输入价格 95% 的折扣。

在与 Argon 几乎相同的单任务成本下（$7.76 对 $7.68），Gemini 4 Carbon 提升了九分达到 59，逼近帕累托曲线的顶部，同时也超过了更昂贵的 Claude Opus 5.5（$10.04）。 | 图片：Artificial Analysis

在 Artificial Analysis Intelligence Index 中，Carbon 的单任务成本为 $7.76，比 Claude Opus 5.5（max，$10.04）低约 23%，比 GPT-6 Astra（max，$6.25）高约 1.2 倍。它平均每任务输出 123,000 个 token，比 Anthropic 模型（173,000 个 token）少 29%，并且几乎正好落在 Argon 的价格点（$7.68）上。

Artificial Analysis 的计算基于每百万输入 token $4、每百万输出 token $20 的常规标价（缓存输入 token 另加 $0.20），忽略了当前持续到 2026 年底的 50% introductory 折扣。