谷歌两周夺回全球第一：Gemini 4 Carbon评测

谷歌发布新一代旗舰模型 Gemini 4 Carbon，距离上一代 Argon 仅过去两周。CEO 哈萨比斯用「闪电般的速度」形容这次迭代。第三方评测机构 Artificial Analysis 的智能指数 V5.0 上，Carbon 以 59 分登顶全球第一，把刚丢掉两周的王座又抢了回来。

成绩单：微弱优势登顶，但第一就是第一

Carbon 在 Artificial Analysis 智能指数 V5.0 上拿到 59 分，领先第二名 Cloud Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分。前三名只差 2 分，竞争胶着程度可见一斑。谷歌自家公布的 14 项核心基准中，Carbon 拿下 12 项第一。社区盲测 Arena 上，文本总榜以 1528 分位列全球第一，Agent 总榜则排在第二。

这里需要保持清醒：官方榜单和自家基准要兼听则明。Arena 的 Agent 总榜它并非全项称王，只是第二。但综合来看，谷歌确实把王座抢了回来。

Artificial Analysis 智能指数是由独立评测机构 Artificial Analysis 维护的模型能力综合评分体系，它把多个公开基准（推理、代码、数学、知识问答等）的成绩加权聚合为单一分数，并按版本迭代（如文中的 V5.0）。由于它不依赖厂商自报数据、且对各家模型使用同一套题面和评分口径，常被业界当作横向比较的参考坐标。但需注意：指数权重由机构自行设定，不同版本之间分数不可直接跨版对比，且 1-2 分的差距往往落在评测噪声范围内，因此「登顶」更适合理解为处于第一梯队而非绝对领先。

Arena（LMArena） 是采用匿名两两对战、由真实用户投票决定排名的众包评测平台，分文本、Agent 等榜单，以 Elo 类评分体系计分。它的优势是贴近真实使用偏好、难以被针对性刷分，缺点是投票者构成偏向爱好者群体，且对工具调用、长程任务等能力覆盖有限。文中「文本总榜第一、Agent 总榜第二」的差异，正说明该模型在开放式对话上更受青睐，而在多步工具编排上仍有对手。

核心差异化：把网络安全做成得分项

这一代真正的差异化是网络安全。Carbon 把安全防御的整条链路做成了三个 SOTA：

• 找漏洞：SEC Bench Pro 基准拿 88.2%，超过 GPT-6 Astra 的 85.4% 和 Argon 的 83.4%，任务是让模型自主挖掘藏在真实软件里的复杂漏洞。
• 验证漏洞：Exploit Gym 拿 54.8%，大幅领先第二名的 42.4%，判断漏洞到底能不能被实际利用，帮安全团队排修补优先级。
• 修漏洞：CWE Bench 拿 71%，能把验证过的漏洞直接写成可运行的修复代码。

不止跑分。内部测试里，它生成安全代码的成功率比 Argon 翻了一倍还多；Argon 安全团队实测其写高质量漏洞补丁的水平比别家前沿模型好出十倍以上。安全第一次从 AI 的扣分项变成了得分项。

文中三个基准分别对应漏洞生命周期的不同环节，理解其定位有助于判断分数的含义。SEC Bench Pro 属于漏洞发现类基准，题目来自真实开源与商业软件中已修复的历史漏洞，要求模型在给定代码库中自主定位问题点，考察的是跨文件代码理解与污点追踪能力。Exploit Gym 聚焦可利用性判定，即给定一个疑似漏洞，判断它在真实条件下能否被触发和利用——这是安全团队决定修复优先级的关键一步，误报率高会淹没人力。CWE Bench 则对标 CWE（Common Weakness Enumeration，通用缺陷枚举）分类体系，要求模型针对特定缺陷类型产出可编译、可通过回归测试的修复补丁，评测通常同时看功能正确性与是否引入新问题。三者串联，恰好覆盖「发现—确认—修复」的完整闭环，这也是谷歌强调「整条链路 SOTA」而非单点跑分的原因。

长程任务：为连跑数天的 Agent 而生

Carbon 是为那种难度高、要连续跑好几天的智能体工作流设计的。谷歌内部团队观察到，它能连跑数天，遇到瓶颈不卡死也不走捷径，自己把失败路径一条条试过去，最后在大型代码库和底层系统里定位到漏洞根因并写出补丁。

博主的实测很直观：同一个提示词写 3D 体塑风的中式宝塔四宫格，Argon 的塔身单薄粗糙，Carbon 在多层重檐的比例、水面倒影的质感、庭院造景的层次上全面跃升，完成度直接追平 Cloud 的 Opus 5.5。经典的 SVG 提壶器自行车测试，它卷出了带无级变速、踏平滑快的工程细节，骑行的运动学都做进去了。Web Dev Arena 前端榜单上涨了 89 个 ELO 分，以 1768 分排到第四。

一句话：这模型能给你打工，还不会半路跑路。

长程任务（long-horizon task） 指需要数十到数百步工具调用、跨越数小时乃至数天才能完成的智能体工作流，例如在大型代码库中做端到端缺陷修复、迁移整个构建系统。它与单轮问答的关键差别在于误差累积：每一步的小偏差都会在后续步骤放大，模型还必须自行维护任务状态、判断何时回溯、避免陷入死循环或走「改测试而非改代码」的捷径。业界常用 METR 的任务时长曲线、SWE-Lancer 等长周期基准来衡量这类能力。文中提到的「遇到瓶颈不卡死、逐条试错失败路径」，本质上是长程规划与自我纠错能力的体现，也是当前 Agent 从演示走向生产的主要瓶颈所在。

泼冷水：普通用户现在用不上

开放节奏是安全分级。Carbon 本周只向部分网络安全防御方开放，之后通过专项计划逐步扩大到可信合作方，谷歌还在参与美国政府针对发布前模型的自愿测试流程。面向开发者、企业和消费者的全面开放要等安全措施迭代完，没有时间表。

价格有迷惑性。入门期每百万 Token 输入 2 美元、输出 10 美元，跟 Argon 持平，看着便宜；但优惠期一过就恢复 4 美元和 20 美元，什么时候结束谷歌没说。唯一确定的是缓存输入有 95 折。

数据要打折听。连跑几天是谷歌内部团队的说法，第三方数据要保留一分怀疑。

发布范式变了：先给能防住它的人

谷歌在改发布范式。过去发旗舰是全网同步开卖，这回是安全分级开放：先给国家级的安全防御者，再给可信合作方，最后才是大众。逻辑很直白——模型越强，越要先交到能防住它的人手里。

再连上两周前 Argon 的节奏，谷歌进入了闪电迭代模式。官方有句话值得细品：「研究人员正在和模型一起工作，以更快的速度提升模型能力。」网友解读成疑似已经跑通递归自我改进，目前只是猜测、没有实证。但信号很明确：竞争已经从卷跑分，变成卷谁能安全地放出一个能自己干活的模型。

安全分级开放（staged / tiered release） 是前沿实验室近两年逐步成形的发布策略：不再一次性向公众开放权重或接口，而是按使用者的风险承受与防护能力分批放行，通常顺序为内部红队、政府或国家级安全机构、少数可信合作方，最后才是企业与大众。配套机制包括发布前自愿测试框架（如英国 AISI 与美国 CAISI 的预部署评估协议）、模型卡与系统卡披露、滥用监控等。其背后的判断是：模型能力越接近「可自主执行长程任务」，滥用与失控的下行风险越大，因此先交给有能力评估和防御的一方。代价是普通用户与开发者被延后，且开放时间表往往不透明，这也解释了文中「没有时间表」的表述。

三类人的行动指南

安全团队和基础架构同学：这就是为你们造的工具。盯紧谷歌的专项计划通道，找洞、验洞、修洞三段它都能顶上，优先把重复性高的排查任务交给它试点。

API 开发者：先别急。等它开放到 Gemini API 和 AI Studio 再接入，按 Argon 的惯例，届时入门价大概率同步。长上下文记得用缓冲 95 折，把账先算省。

普通用户：Gemini App 里继续用现役模型，Carbon 什么时候下放取决于安全测试进度。这几天想体验第一梯队，Opus 5.5 和 GPT-6 Astra 都还在线。

这一代模型的重点不是你我什么时候用上，而是能自主干活好几天的 Agent 真的开始进生产了。当模型开始连跑几天、自己挖漏洞、自己打补丁，AI 就从聊天工具变成了一个不知疲倦的同事。