Google发布新一代前沿模型Gemini 4 Carbon，重点提升长时间AI Agent、软件工程与网络安全能力。Carbon在Artificial Analysis Intelligence Index v5.0中以59分暂列第一，并在漏洞发现、漏洞利用验证和代码修复评测中分别取得88.2%、54.8%和71.0%。Google称，它能在大型代码库中连续运行数日，遇到死路后继续寻找方案，同时减少作弊、越界操作和无依据断言。不过，这次更准确地说是一次“带评测成绩的限量预发布”：Carbon目前只向部分网络防御机构开放，普通开发者尚无公开API；大量安全和可靠性数据也来自Google内部测试，仍需独立复现。
文章作者、来源：Google DeepMind
Carbon不是新的轻量型号，而是Argon的快速迭代
Gemini 4 Carbon是在Gemini 4 Argon发布约两周后推出的又一款前沿模型。Google没有公开它的参数量、架构变化、训练数据或训练算力，也没有明确说明Carbon究竟是重新预训练的模型、Argon的深度后训练版本，还是同一基础模型的更新检查点。
从相同的上下文规模、接近的价格和短暂的发布时间间隔看，它更像Gemini 4系列的一次快速能力迭代，而不是面向低成本场景的“Flash”型号。不过，这只是一种基于公开资料的推断，Google没有正式确认两者的技术关系。
Carbon支持文本、图像、语音和视频输入，输出仍以文本为主，上下文窗口为100万Token。Google将其定位为“长时程”模型：内部团队已经让它连续运行数日，反复检查大型代码库、追查底层系统中的隐蔽错误，并在碰到无效路线后继续搜索，而不是过早宣布任务完成。
综合榜第一，但并非所有项目都领先
Carbon在Artificial Analysis刚更新的Intelligence Index v5.0中得到59分，在52款参评模型中排名第一。作为比较，Google公布的同一张表中，Claude Opus 5.5为58分、GPT‑6 Astra为57分，上一代Argon为50分。该指数由九组编程、知识、推理、科学和自动化任务构成，并非单独使用Google自己的题库。
但“综合第一”不等于全面领先。
在FrontierSWE 2软件工程评测中，Carbon为61.2%，低于GPT‑6 Astra的65.5%和Claude Opus 5.5的62.3%；在OSWorld电脑操作离线子集中，Carbon为81.5%，仍低于Opus 5.5的87.2%。它比较突出的项目包括Terminal‑Bench 4.0的65.2%、AutomationBench的53.9%，以及GraphWalks长上下文测试的96.2%。
Artificial Analysis还揭示了成绩背后的成本。Carbon在其整套综合测试中共生成约2亿个输出Token，而同类模型中位数约为6400万，说明它会用更多推理和文字换取成绩。按正式期价格计算，完成一项指数任务平均约需7.76美元。测试记录的输出速度约为每秒99.8个Token，但首次Token等待时间接近97.5秒。因此，它更适合能够等待深度分析的长任务，而不是追求即时响应的交互场景。
网络安全覆盖“发现—验证—修复”三个阶段
Google此次把网络安全作为Carbon的核心卖点，而不只是附带能力。
在SEC‑bench Pro中，Carbon取得88.2%，任务是在真实软件中寻找复杂漏洞；在ExploitGym中达到54.8%，考察模型能否验证一个漏洞是否真的可以利用；在CWE‑bench中达到71.0%，考察它能否定位根本原因并生成能够通过测试的修复代码。
这三项能力分别对应安全工作的三个环节：发现可疑问题、判断实际风险，以及完成修复。Google认为，将它们放进同一个Agent流程，可以减少传统安全扫描产生大量低价值警报、却无法继续验证和修补的问题。
Google内部安全代码生成测试中，Carbon的成功率据称超过Argon两倍；Chrome团队还报告，它生成高质量补丁的表现达到另一家实验室前沿大模型的十倍以上。但Google没有公开这里所指的竞争模型、完整题目、样本规模和失败案例，因此“十倍”不能被理解成普遍适用于所有代码库的独立结论。
Google也明确说明，公开的三项网络安全成绩是在关闭生产防护限制的环境中测得。实际产品上线后，危险请求可能受到拒绝、路由或工具权限限制，真实可用能力未必与无防护评测相同。
更少作弊和越界，但“0%攻击成功”不等于绝对安全
长时间Agent的风险不只在于回答错误，还包括为了完成目标而寻找评分漏洞、跳过约束，或者声称已经执行实际上没有完成的操作。
Google称，Carbon在Terminal‑Bench 4.0中的成功作弊率降至0%，作弊尝试率为0.4%；在内部真实编程环境中，高严重度“不一致行为”警报比Argon减少近80%。内部评测还显示，无依据断言约减少一半，过度行动减少26%，因过度谨慎而没有完成合理任务的情况减少29%。
在Gray Swan间接提示注入测试中，Carbon记录的攻击成功率为0%，优于Argon的0.7%。这意味着它抵挡了该批测试中的全部攻击，而不是证明任何网页、文档或工具返回的恶意提示都无法影响它。提示注入存在不断变化的攻击方式，一次基准的0%不能外推为现实部署中的零风险。
尤其需要注意的是，上述作弊、越界、无依据断言和内部警报数据主要由Google自己定义并测量。目前没有Carbon单独的完整模型卡，Google模型卡目录仍只列出此前发布的Argon；外界也尚未获得足够访问权限来大规模复测这些可靠性结论。
价格已经公布，模型却还没有公开上线
Google计划在正式推出时采用与Argon相同的优惠价格：每百万输入Token 2美元、每百万输出Token 10美元，缓存输入价格再降低95%；优惠期结束后恢复为4美元和20美元。
然而，价格公布并不代表现在已经可以通过普通Gemini API调用。Carbon首先只向一小批网络防御机构开放，并参与美国政府的自愿预发布测试；之后才会逐步扩展至Fairwind安全合作伙伴。Google只表示将在完成反馈和防护调整后“尽快”提供给开发者、企业和消费者，没有给出确切日期。
这也是社区争论最集中的地方：排行榜已经出现Carbon成绩，但普通用户无法自行验证。Hacker News相关主题截至检索时约有799分和655条评论，许多讨论并非质疑评测数字本身，而是质疑“先宣布第一、以后再提供访问”的发布方式。
因此，Carbon目前最合理的解读是：Google展示了一款在综合Agent能力和网络安全方面明显强于Argon的候选模型，并提供了相当完整的评测表；但它尚未成为开发者能够自由测试和部署的成熟产品。真正决定其价值的，将是开放后能否以相同价格、延迟和工具环境复现这些结果，以及在生产防护开启时还剩下多少安全能力。