Gemini 4 Carbon 评测：智能登顶，编程仍差 Opus 5.5 三分
10 月 28 日，Google DeepMind 放出了 Gemini 4 Carbon。距离上一代 Gemini 4 Argon 正式开放，只隔了整整两周。
在 Gemini 4 系列里，Argon 已经是一款「能用」的旗舰了，但它有个明显的位置：跑分上跟 GPT-6 Astra 打平，编程和数学却被 Claude Opus 5.5 压了一头。Carbon 就是冲着这个缺口来的——它把火力集中在长程编程、智能体工作流和网络安全三件事上，然后在分发方式上做了一件很不寻常的事：先把模型交给安全专家，普通开发者排在后面。
这篇文章不复述新闻稿，而是把官方公告、Artificial Analysis 与 Vals AI 的独立实测、以及发布前泄露的内部风声放在一起看：Carbon 强在哪、代价是什么、现在能不能用上、以及什么场景值得你等它。
一句话结论：Gemini 4 Carbon 强在工程与安全，但编程没赢过 Opus 5.5
- 综合智能：Artificial Analysis 智能指数 v5 拿到 59 分，从 Argon 的 50 分一跃到榜首，是这一轮最硬的进步。
- 编程 Agent：Coding Agent 指数 59，仍然落后 Claude Opus 5.5 的 62。Carbon 补上了差距，但没跨过去。
- 成本：每个任务实际花费约 $7.76，比 Opus 5.5 max 的 $10.04 便宜约 23%，输出 token 还少 29%。性价比这条路走通了。
- 代价：幻觉率从 Argon 的 4% 涨到 11%，金融、法律类任务耗时翻倍甚至更久。
- 现在能用吗：暂时不能。首发只面向安全专家和 Fairwind 计划的合作方，普通 API 与 Gemini App 要再等。
1）两周连发两代，Google 在追什么
先把时间线理清楚，因为这两周的信息量其实很大：
- 10 月 1 日前后：Gemini 4 Argon 开始向少量测试者开放。
- 10 月 10 日：Business Insider 曝出 Google 内部在测三个 Gemini 4 变体——Argon、Barium、Carbon。有员工说 Carbon 在内部编程平台 Jetski 上的表现「像 Anthropic 的 Opus 5.5」，但也补了一句「还需要更多测试」。
- 10 月 13 日：Argon 通过 API、Gemini App 和 Antigravity 全球开放。
- 10 月 28 日：Carbon 发布。
这个节奏说明一件事：Argon 不是终点，而是一次「先占位、再补强」的发布。Argon 首发时被独立评测认为与 GPT-6 Astra 大致持平，但数学和软件工程明显落后于 Opus 5.5 和 Meta Muse Wonder Full。两周后拿出的 Carbon，正是针对这些短板的定向升级。
值得注意的是，Carbon 并不是 Argon 的小版本号更新。Google 给它的定位写得很明确：面向「更难、更长程的工程问题」和「跨天级别的自主开发工作流」，覆盖根因分析、大型代码库里的隐蔽 bug 修复、底层软件、科学推理、多模态理解和全栈 Web 开发。这是一份很具体的野心清单。
2）跑分拆解：智能涨了 9 分，编程只追近没反超
Carbon 的分数单看很漂亮，但把各家榜单拆开看，故事会复杂一些。
| 评测项 | Gemini 4 Carbon | Gemini 4 Argon | 对照 |
|---|---|---|---|
| Artificial Analysis 智能指数 v5 | 59（第 1） | 50 | — |
| Coding Agent 指数 | 59 | 50 | Claude Opus 5.5：62 |
| AA-Briefcase 智能体知识工作（Elo） | 1,609（+126） | 1,483 | Kimi K3.1 Pro：1,678 |
| Vals Index v2.2 | 70.36%（第 2） | 69.24%（第 4） | Claude Sonnet 5.5：70.85% |
| 答案准确率 | 58% | 48% | — |
| 幻觉率 | 11% | 4% | 仍为榜单第二低 |
| 每任务成本 | $7.76 | $7.68 | Opus 5.5 max：$10.04 |
| 每任务输出 token | 约 123,000 | — | Opus 5.5：173,000 |
| WebDev Arena | 1,768（第 4，+89） | 1,679 | Claude Sonnet 5.5 xHigh：1,770 |
| Gray Swan 间接提示注入攻击成功率 | 0.0% | 0.7% | — |
几个值得单独拎出来说的点：
智能指数的 9 分是真进步。从 50 到 59，在 v5 这个已经比较拥挤的榜上属于跳级，而且它不是靠单一维度拉起来的——Carbon 在指数下的九项评测里领跑四项，强项集中在复杂推理、知识检索和科学任务。
但编程这道坎还是没过去。Coding Agent 指数 59 对 Opus 5.5 的 62，差了 3 分。这个差距不算大，考虑到 Carbon 每任务成本低 23%、输出 token 少 29%，在实际项目里的「单位预算产出」很可能反超。但如果你的标准是「一次就写对最难的那部分代码」，Opus 5.5 目前仍在前头。发布前那条「Carbon 感觉像 Opus 5.5」的内部传闻，最终被数据修正成了「接近但未超越」。
幻觉率是这一代最该警惕的地方。从 4% 涨到 11%，接近三倍。Google 和 Artificial Analysis 都强调 11% 仍是该榜单第二低，这话没错，但方向不对——你在得到一个更聪明、更愿意长链条推理的模型的同时，也拿到了一个更爱「自信地编」的模型。用在法律、金融、医疗这类不容错的场景，必须保留人工复核。
3）真正的差异化：它大概是目前最会「写安全代码」的模型
如果只看通用跑分，Carbon 只是「又一款很强的旗舰」。但它在一个方向的领先幅度，大到值得单独讨论：网络安全。
官方公布的安全类成绩包括：SEC-bench Pro 88.2%、ExploitGym 十小时运行时 54.8%、CWE-bench 71.0%，其中写补丁这一项是大幅领先。Google 还给出了几个内部数据：Carbon 生成安全代码的频率是 Argon 的两倍以上；Chrome 团队实测它写安全补丁的能力，比某家竞争对手的旗舰模型强十倍以上；内部编程环境里的高危失准告警下降近 80%。
这类「自家团队实测」的数字需要打折看，毕竟没有第三方复现。但有两个来自外部的旁证：一是 Artificial Analysis 的独立测试里，Carbon 在安全相关任务上的优势确实明显；二是 Gray Swan 的间接提示注入基准，攻击成功率从 Argon 的 0.7% 降到 0.0%，也就是这一轮测试里所有操纵尝试都被挡下了。
需要冷静的是，the-decoder 在报道里提醒了一句：0.0% 不代表提示注入被解决了，只说明这个测试已经饱和——难度不够了，挡得住是 baseline，不是护城河。同理，Google 也承认外部网络安全基准是「在没有安全护栏的情况下」评测的，真实产品里的表现会和跑分有差异。
4）价格：入门价没涨，但账单可能涨
Carbon 沿用了 Argon 的入门定价，这一点相当克制：
| 计费项（每百万 token） | 入门价 | 入门期结束后 |
|---|---|---|
| 输入 | $2.00 | $4.00 |
| 输出 | $10.00 | $20.00 |
| 缓存命中输入 | $0.10 | $0.20 |
但单价便宜不等于总账便宜，这里有两个坑：
第一，它话变多了。Vals AI 的测试显示，Carbon 产生的推理 token 是 Argon 的 2.3 倍，输出 token 多 64%。即便单价比上一代没涨，同样的任务你可能会付出更多。好消息是相比 Anthropic 那两款旗舰，它的输出 token 仍然不到一半。
第二，它变慢了。金融与税务类 Agent 任务的耗时是 Argon 的两倍以上，法律检索平均每个任务超过 50 分钟。Vals 的整轮测试跑了将近 48 分钟，成本 $10.51。如果你的流程是同步等结果的，这个延迟需要提前设计好异步或批处理。
反过来，Arena.ai 的 Agent Arena 给了一个更有意思的数字：Carbon 的中位任务成本是 $1.80，比榜首 Opus 5.5 Max 低 72%。也就是说，在真实用户发起的、长度不一的智能体任务里，Carbon 的成本优势比实验室里的固定任务更明显。
5）怎么才能用上：分阶段开放，安全专家优先
这是 Carbon 最不寻常的地方。一款旗舰模型发布，正常情况下当天就该进 API 和 App，但 Carbon 没有。
- 首发当周：只开放给一部分网络安全防御者。
- 随后：通过 Google DeepMind 的 Fairwind 计划，逐步开放给受信任的合作方。
- 之后：在收集反馈、调整安全护栏后，再向开发者、企业和普通消费者开放，「尽早」但没有时间表。
- 额外一层：因为网络安全能力太强，Carbon 正在走美国政府那套「自愿预测试」流程。
官方的解释是，Carbon 的能力覆盖「完整网络防御生命周期」——发现漏洞、验证漏洞、写补丁。这套能力反过来就是攻击工具。所以 Google 选择先把它交到防守方手里，同时用训练层、实时滥用防御、抗提示注入和思维链监控四层护栏兜底。
对普通开发者来说，这意味着：现在还没有确定的开放日期。如果你正在评估下一季度的模型选型，Carbon 暂时只能作为「待观察项」，不能作为排期依据。等它进 API 之后再谈迁移才现实。
适合谁，怎么看
值得重点关注的场景：
- 安全相关的工程团队：漏洞扫描、补丁生成、代码审计。Carbon 在这个方向的领先幅度目前是断层式的，等它开放后值得第一批试用。
- 跑长程智能体、且对成本敏感的项目：跨小时的自动化开发、批量代码迁移。$1.80 的中位任务成本是实打实的优势。
- 需要处理超大代码库的重构：官方把「大型代码库里的隐蔽 bug 修复」列为核心目标场景，这通常正是上一代模型的软肋。
先别急着换的场景：
- 追求一次成型的硬核编程：Opus 5.5 的 Coding Agent 指数仍是 62，Carbon 59。差距不大但存在，尤其在需要极高正确率的场景。
- 法律、税务、金融的对外交付物：11% 的幻觉率加上动辄一小时的单任务耗时，这两个数字都不适合直接进生产。
- 需要立刻上线的项目：没有 API 访问权限，讨论迁移没有意义。
一个务实的判断是：Carbon 更像是 Google 在「工程与安全」这条细分赛道上的一次精准卡位，而不是全面超越。它把 Gemini 从「跟 GPT-6 Astra 打平」推进到了「综合智能第一」，但在 Anthropic 最擅长的地方，它选择了用三分之一的成本和更少的 token 去换一个「够接近」的结果——这是一个合理的产品决策，不是技术失败。
小结
- Gemini 4 Carbon 于 2026 年 10 月 28 日发布，距 Argon 全球开放仅两周，定位是长程工程与网络安全。
- Artificial Analysis 智能指数 v5 得 59 分登顶，比 Argon 高 9 分；Coding Agent 59 分仍落后 Opus 5.5 的 62 分。
- 每任务成本 $7.76、输出 token 少 29%，性价比优于 Opus 5.5；Arena.ai 实测中位任务成本仅 $1.80。
- 代价是幻觉率由 4% 升至 11%，金融/法律任务耗时翻倍以上。
- 出于网络安全能力过强，首发仅限安全专家与 Fairwind 合作方，普通 API 与 App 尚无时间表。
如果你正在用 Gemini 系列做开发，Carbon 值得放进观察名单；如果你更关心「现在该花多少钱买哪个模型」，那这一轮更该盯的是它开放 API 时的实际定价和真实任务表现，而不是榜单上的 59 分。
想第一时间试到这类新模型，又不想自己一个个开订阅，俱乐部有整合了主流大模型额度的拼车方案，可以按需选用。
