Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周且智能指数登顶

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

Carbon 在最近更新的 Artificial Analysis Intelligence Index 5.0 版中获得 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普遍提升外，Google 还重点展示了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 总榜上领先，但在 Claude Code 的智能体编程中仍略逊于 Opus 5.5。| 图片来源：AA

为持续多日的编程会话而打造

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。Google 声称，内部团队连续多天运行该模型，期间它自行走出了死胡同，并处理了复杂的、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 还根据用户反馈报告了在科学推理、多模态理解和全栈网页开发方面的改进。网页开发中更高质量的输出和产物使 Carbon 在WebDev Arena 上提升了 89 个 Elo 分，目前以 1,769 分位居第四。

在 Google 自己选定的基准测试中，Gemini 4 Carbon 在 16 项测试中有 15 项排名第一，尤其在长上下文和安全任务方面遥遥领先于其他模型。| 图片来源：Google DeepMind

在 Gray Swan 的间接提示注入基准测试中，据 Google 称，Carbon 将攻击成功率从前代 Argon 的 0.7% 降到了 0.0%，挡下了所有测试中的操纵尝试。这并不意味着提示注入已被解决，但该测试似乎已经饱和。

独立评估印证了 Google 的数据

据 Artificial Analysis 称，Carbon 在其最高推理档位（"high"）下能领跑 Intelligence Index v5，主要得益于在复杂推理、知识检索和科学任务方面的最高分，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，尽管相比 Argon 从 53 分跃升至 59 分，Carbon 仍以三分之差落后于使用 Opus 5.5 的 Claude Code。在 AA-Briefcase 的智能体知识工作中，Carbon（high）比 Argon（high，1,483 Elo）提高了 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% 提升到 58%，但幻觉率从 4% 攀升至 11%。虽然更高，但在排名中仍属第二低。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%），领先于排名第三的 Claude Opus 5.5（70.18%）和排名第四的 Argon（69.24%），而其成本低于所有这些模型。

在 Vals Index v2.2 中，Gemini 4 Carbon 以 70.36% 的准确率排在 Claude Sonnet 5.5（70.85%）和 Claude Opus 5.5（70.18%）之间。每次测试成本为 10.51 美元，运行时间不到 48 分钟，比这两个 Anthropic 模型都更便宜、更快速。| 图片来源：Vals AI

在 Vals.ai 上，Carbon 在 Finance Index 和 Legal Research 基准测试中也均居首位。在法律研究方面，Vals AI 记录到 Carbon 引用的来源比 Argon 多出约 45%，工具调用更频繁，响应也更长。

但在 Finance 和 Tax Agent 基准测试中，任务耗时是 Argon 的两倍以上；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 多出 64%，不过这仍不到 Sonnet 5.5 和 Opus 5.5 输出 token 数量的一半。

在 Arena.ai 上，Gemini 4 Carbon (High) 以 1,528 分夺得 Text Arena 榜首，险胜 Argon（1,520 分）。在 Agent Arena 中，该模型在超过 21,900 个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%，可操控性得分最高（+18.6%）。其每任务成本中位数为 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 Agent Arena 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 Code Arena 的 WebDev 类别中，Carbon 拿到 1,768 分（比排名第十一的 Argon 高 89 分），总体排名第四，仅比 Claude Sonnet 5.5（xHigh，1,770 分）低 2 分。这使其在全部三个领域中都处于 Pareto 曲线之上。

Carbon 在无安全护栏的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。在衡量对真实软件进行自主漏洞发现能力的 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漏洞利用代码的 ExploitGym 上，该模型达到 54.8%。在 CWE-Bench 上编写修复方案方面，Carbon 也以明显优势位居第一。

在 SEC-bench Pro（88.2%）、CWE-bench（71.0%）和 ExploitGym（运行 10 小时后 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 编写安全代码的频率是 Argon 的两倍以上；而在 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。

安全专家率先获得访问权限

Google 正在逐步推出该模型，并以 Carbon 先进的安全能力为由，参与美国政府的发布前测试流程。从本周开始，入选的网络安全专家将率先获得访问权限。随后，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之后，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 相同的入门价发布：每百万输入 token 2 美元，每百万输出 token 10 美元，缓存输入 token 的价格比常规输入价格低 95%。

在每项任务成本与 Argon 几乎相同的情况下（$7.76 对 $7.68），Gemini 4 Carbon 攀升九分达到 59 分，接近帕累托曲线的顶端，还超越了更昂贵的 Claude Opus 5.5（$10.04）。| 图片来源：Artificial Analysis

在 Artificial Analysis 智能指数中，Carbon 每项任务的成本为 $7.76，比 Claude Opus 5.5（最高配置，$10.04）低约 23%，约为 GPT-6 Astra（最高配置，$6.25）的 1.2 倍。它每项任务平均输出 123,000 个 token，比 Anthropic 的模型（173,000 个 token）少 29%，价格几乎正好落在 Argon 的价位（$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 另收 $0.20），未计入目前持续到 2026 年底的 50% 上市优惠折扣。