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，这款新模型登上了 Artificial Analysis Intelligence Index 的榜首。

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全面提升外，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 Index 总榜上领先，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“更困难、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。据 Google 称，内部团队让该模型连续运行了多天，在此期间它能够自行走出死胡同，并处理复杂、多步骤的任务，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使 Carbon 在WebDev Arena 上提升了 89 Elo 分，以 1,769 分位列第四。

在 Google 自己的基准测试选择中，Gemini 4 Carbon 在 16 项测试中的 15 项中排名第一，尤其在长上下文和安全任务中拉开了与对手的差距。| 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，它阻止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 的数据，Carbon 在其最高推理层级（“high”）上领跑 Intelligence Index v5，主要得益于在复杂推理、知识检索和科学任务中的最高分，在该指数的九项单项评估中拿下四项第一。

在 Antigravity 上的智能体编程中，Carbon 仍落后于使用 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% 攀升至 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 排在第二位，准确率为 70.36%，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。每次测试费用为 10.51 美元，运行时间略低于 48 分钟，比两个 Anthropic 模型都更便宜、更快速。| 图片：Vals AI

在Vals.ai上，Carbon还在Finance Index和Legal Research基准测试中双双领先。在法律研究方面，Vals AI记录的引用来源比Argon多约45%，工具调用更频繁，回答也更长。

但Finance和Tax Agent基准测试中的任务耗时是Argon的两倍多，而在Legal Research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Text Arena，略微超过Argon（1,520分）。在Agent Arena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，净提升为16.2%，可引导性得分最高（+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)在Agent Arena中排在第二位，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Code Arena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测试

在多项安全测试中，Google在没有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的ExploitGym上，该模型达到54.8%。Carbon还在CWE-Bench上编写修复程序方面保持大幅领先的第一名位置。

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。据报道，在内部基准测试中，Carbon生成安全代码的频率是Argon的两倍多；在Google Chrome团队的测试中，它在编写安全补丁方面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，并参与了美国政府的发布前测试流程，理由是Carbon具备先进的安全能力。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 Program，访问权限将扩大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的发布 introductory 价格与Argon相同：每百万输入token 2美元，每百万输出token 10美元，缓存输入token在常规输入价格基础上享受95%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，接近帕累托曲线的顶部，同时也超越了价格更高的 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。它平均每个任务输出 123,000 个 token，比 Anthropic 的模型（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。