Gemini 4 Carbon 发布，重回巅峰

谷歌最近这更新速度，是不是有点太快了？

两周前，Gemini 4 Argon 刚刚向更多用户开放。很多人可能还没来得及把它摸透，谷歌又推出了一个更强的模型：Gemini 4 Carbon。

就在今天凌晨，Google DeepMind 正式发布 Gemini 4 Carbon，称它是谷歌目前最强的模型。

Carbon 是“碳”，Argon 是“氩”，从氩到碳，谷歌这次相当于带着大家重温了一遍元素周期表。

而且这次一出手，就冲上了榜首。

在第三方评测机构 Artificial Analysis（下文简称 AA）的智能指数上，Carbon 拿到 59 分，排在 Claude Opus 5.5（58 分）和 GPT-6 Astra（57 分）前面。

而这次模型发布，官方也是主打两件事：网络安全防御和长时间处理复杂工程任务。

不过先说清楚：Carbon 现在还用不上。这周只有一小部分网络安全防御者能用，开发者和普通用户都还得等。

重回巅峰有多难？谷歌上一次坐到这个位置，还是今年 2 月。

◽谷歌重回综合榜首

今年 2 月，Gemini 3.1 Pro Preview 登上 AA 智能指数第一。AA 当时的原话是：谷歌再次成为 AI 领域的领导者。

之后，谷歌的旗舰模型就断了档。

谷歌 CEO 劈柴（Sundar Pichai）说好 6 月发布 Gemini 3.5 Pro，结果一拖再拖。到了 9 月 30 日，谷歌发言人向路透社确认：3.5 Pro 不发了。

10 月 13 日，谷歌宣布 Gemini 4 Argon，这一次也是因为谷歌一直不断的“追赶” Anthropic 和 OpenAI，才让它重新回到了前三家实验室。

15 天后，也就是今天，Carbon 来了。这一次直接重回巅峰。

这个巅峰，是在 AA 刚改版的新榜单上拿下的。

AA 智能指数可以把它理解成大模型的综合排名：AA 用同一套题，把写代码、做科研、知识问答、办公智能体等 9 项测试挨个跑一遍，合成一个总分。

其实在昨天 AA 刚把智能指数升级到 v5.0。那个时候新榜单前五名全是 Anthropic 和 OpenAI 的模型。Opus 5.5 以 58 分排第一，Argon 50 分，排在它们后面。

结果一天之后，第一就换人了：Carbon，59 分。超过了Claude Opus 5.5（58 分）和 GPT-6 Astra（57 分）。

好家伙，榜单前脚刚改版，后脚就被谷歌拿下了。

连马斯克都转发了劈柴的官宣帖，只评了一个词：Impressive（令人印象深刻）。

当然谷歌自己的成绩单同样好看。官方列了 17 项对比，Carbon 拿下 15 项第一。

只有两个榜单成绩不是SOTA。

一项是软件工程测试 FrontierSWE 2，输给了 GPT-6 Astra（65.5% 对 61.2%）；另一项是电脑操作测试 OSWorld-2.1 的离线子集，输给了 Opus 5.5（87.2% 对 81.5%）。

总榜讲完了。但谷歌这次真正想让我们看的，其实是网络安全防御和长时间处理复杂工程任务。

◽网络安全三项全拿第一

想象一个场景：一家医院的系统里藏着一个漏洞。守系统的人要做三件事：先把漏洞找出来，再确认它能不能被攻击者利用，如果真能被利用，最后需要它补上。

谷歌把这套操作叫作“网络安全防御全流程”，而 Carbon 在每一步都有成绩。

先看发现漏洞这一步。SEC-bench Pro 把模型放进真实软件里，看它能不能自己挖出藏得很深的漏洞。Carbon 拿到 88.2%，Argon 是 83.4%，GPT-6 Astra 是 85.4%。

接着是验证漏洞是不是能被攻击者利用。这一步的作用是确认漏洞该不该优先修补。

ExploitGym 测的就是这个。Carbon 拿到 54.8%，Argon 和 Astra 都只有 42% 左右，Opus 5.5 是 34.5%。

这一步进步最大，比 Opus 5.5 整整高出 20 个百分点！！

最后是修复漏洞。CWE-bench 考的是能不能从根上修好，直接写出能用的修复代码。Carbon 是 71.0%，Argon 和 Astra 都是 68%，Opus 5.5 是 67%。

在谷歌公布的对比里，这三项 Carbon 都是第一。

谷歌还报了内部数字。一是写安全代码的成功率是 Argon 的 2 倍多；二是 Chrome 团队说，生成高质量补丁时，Carbon 比“另一家实验室的大型前沿模型”强 10 倍以上。

至于是哪一家，谷歌没说。

会找漏洞，还会修复漏洞，听起来已经很有用了。但真到了大型工程里，问题往往还没这么简单：有些 bug 一路追下去，可能要花上好几天。

那 Carbon 能坚持多久？

◽专门为长程复杂任务打造

谷歌给的答案是：好几天。

这也是接下来Carbon的第二优势了，连干好几天复杂工程任务。

谷歌称，Carbon 就是朝着这种长时间、多步骤工程任务打造的。

谷歌表示，内部团队已经观察到 Carbon 持续运行数日，处理大型代码库和底层系统中的复杂任务，包括追查那些不容易发现的 bug 的根因，以及尝试修复它们。

DeepMind 的帖子也直接说明了：Carbon 能连着干好几天，不卡壳，也不走捷径。

成绩上，在终端里做工程任务的 Terminal-Bench 4.0 上，Carbon 是 65.2%，比 Argon 的 57.1% 高了 8 个百分点。

但让 AI 连着干几天，最怕的其实不是它慢，而是它糊弄。

这次谷歌专门晒了这方面的数据。在 Terminal-Bench 4.0 上，Carbon 钻测试空子、成功作弊的比例降到了 0，连尝试作弊的比例也只有 0.4%。

在谷歌内部的真实编码环境里，高严重度的“不对齐”警报少了将近 80%。不对齐就是模型干的事和人想要的对不上。

没有依据的说法，也比 Argon 少了一半左右。证据不够时，Carbon 会把缺口直接写进交付物，或者列清楚还差什么，不编一个出来。

问题来了：这么好用的模型，什么时候轮到我们？

◽模型发布得飞快，轮到我们用却还得等等

答案是：先等着。

谷歌给 Carbon 排了一条长队。这周先给一小部分网络安全防御者，接着通过 Fairwind 计划一点点放给更多可信伙伴，开发者、企业和普通用户排在最后，时间是“尽快”。

至于“尽快”是多快，官方没给日期。

这个节奏，谷歌自己也不避讳。官博原话说，这次发布采取“deliberate”的方式。这个词可以翻成“审慎的”，也可以翻成“故意的”。

谷歌CEO 劈柴也在发文最后提前安抚了一句：so hang tight!（稍安勿躁！）

虽然暂时还没轮到我们用，谷歌已经先把价格公布了。

推广价是每百万 token 输入 2 美元、输出 10 美元，缓存命中的输入再便宜 95%，和 Argon 一模一样。推广期过后，涨到 4 美元 和 20 美元。

从 Argon 扩大开放，到 Carbon 发布，中间只隔了 15 天。谷歌这次，确实来势汹汹。