Google DeepMind 发布 Gemini 4 Carbon 智能指数登顶

Google DeepMind 在 Argon 发布仅两周后推出 Gemini 4 Carbon，各项指标全面提升

核心要点

• 在 Gemini 4 Argon 发布仅两周后，Google DeepMind 推出了其下一代前沿模型 Gemini 4 Carbon。Carbon 在 Artificial Analysis Intelligence Index v5 中以 59 分位居榜首，较 Argon 的 50 分有所提升。
• Google 表示，Carbon 专为多日自主开发工作流而设计。它在 Artificial Analysis 的 Coding Agent Index（编码智能体指数）中迅速缩小差距（59 分 vs. Argon 的 50 分），但仍落后于 Claude Opus 5.5（62 分）。
• 鉴于其先进的网络安全能力，Carbon 正在接受美国政府的自愿预测试流程，初期将仅向选定的安全专家开放。定价与 Argon 保持一致。 Ask about this article… Search
  Google DeepMind 在 Argon 发布仅两周后便推出了 Gemini 4 Carbon，这款新模型在 Artificial Analysis Intelligence Index 中占据榜首位置。

Carbon 在 最近更新的 Artificial Analysis Intelligence Index 5.0 版本 中获得 59 分，而 前代产品 Argon 以 50 分紧随其后。除了智能体任务和编程方面的整体进步外，Google 还强调了其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 综合指数中领先，但在用于智能体编码的 Claude Code 方面仍略逊于 Opus 5.5。| Image: AA

专为多日编码会话打造

Google DeepMind 表示，他们为“更困难、长周期的工程问题”设计了 Carbon，这类问题需要持续的 Agent 工作流。据 Google 称，内部团队连续多天运行该模型，期间它自主处理死胡同，并完成了大型代码库和底层软件中的根因分析及细微 Bug 修复等复杂多步骤任务。

Google 还报告称，基于用户反馈，其在科学推理、多模态理解和全栈 Web 开发方面均有改进。Web 开发中更高质量的输出和产物使 Carbon 在 WebDev Arena 上提升了 89 Elo 分，目前以 1,769 分位居第四。

在 Google 自行选择的基准测试中，Gemini 4 Carbon 在 16 项测试中有 15 项位列第一，尤其在长上下文和安全任务上与竞争对手拉开差距。| 图片：Google DeepMind

在 Gray Swan 的间接提示注入基准测试中，Carbon 将攻击成功率从 Argon 的 0.7% 降至 0.0%，据 Google 称，这阻止了所有受测的操纵尝试。这并不意味着提示注入问题已彻底解决，但该测试似乎已达到饱和状态。

独立评估支持 Google 的数据

根据 Artificial Analysis，Carbon 在其最高推理层级（“high”）主要凭借在复杂推理、知识检索和科学任务中的顶尖得分领跑 Intelligence Index v5，在该指数的九项单独评估中有四项位列第一。

在 Antigravity 上的 Agent 编码任务中，尽管相比 Argon 从 53 分跃升至 59 分，Carbon 仍落后于搭载 Opus 5.5 的 Claude Code 三分。在 AA-Briefcase 上的 Agent 知识工作中，Carbon (high) 比 Argon (high, 1,483 Elo) 高出 126 分，达到 1,609 Elo，这主要得益于演示质量（提升 293 Elo 至 1,598）和分析质量（提升 120 Elo 至 1,671）。但它仍落后于 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% 提升至 58%，而幻觉率则从 4% 升至 11%。虽然这一数值有所上升，但在排名中仍位居第二低。Claude Opus 5.5 (max) 和 GPT-6 Astra (max) 的准确率均为 50%。

评估平台 Vals AI 将 Carbon 列为第二名，准确率为 70.36%，仅次于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%）以及排名第四的 Argon（69.24%），且成本更低。

在 Vals Index v2.2 中，Gemini 4 Carbon 以 70.36% 的准确率位列 Claude Sonnet 5.5（70.85%）和 Claude Opus 5.5（70.18%）之间。其单次测试成本为 10.51 美元，运行时间略低于 48 分钟，比这两款 Anthropic 模型更便宜、更快。| 图片：Vals AI

在 Vals.ai 上，Carbon 还在金融指数和法律研究基准测试中均处于领先地位。在法律研究方面，Vals AI 记录显示，与 Argon 相比，Carbon 引用的来源数量增加了约 45%，工具调用频率更高，响应长度也更长。

然而，在金融与税务代理基准测试中，任务耗时是 Argon 的两倍以上；而在法律研究中，Carbon 的平均任务耗时超过 50 分钟。该模型生成的推理 token 数量是 Argon 的 2.3 倍，输出 token 数量多出 64%，尽管这仍不到 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 分夺得文本竞技场（Text Arena）榜首，略微超过 Argon（1,520 分）。在代理竞技场（Agent Arena）中，该模型在超过 21,900 次真实会话中排名第二，领先于 GPT-6 Astra 和 Fable-5.1，净提升幅度达 16.2%，并拥有最高的可控性得分（+18.6%）。其中位任务成本为 1.80 美元，比排名第一的 Claude Opus 5.5 (Max) 低 72%。

Arena.ai 将 Gemini 4 Carbon (High) 在代理竞技场中列为第二，净提升幅度为 +16.2%，落后于 Claude Opus 5.5 (Max, +21.1%)，但领先于 GPT-6 Astra (Max, +13.4%)。| 图片：Arena

在代码竞技场的 WebDev 类别中，Carbon 达到 1,768 分（比排名第 11 位的 Argon 高出 89 分），总体排名第四，仅比 Claude Sonnet 5.5 (xHigh, 1,770 分) 低 2 分。这使得它在所有三个学科领域均位于 帕累托曲线 之上。

Carbon 在无护栏情况下领跑安全基准测试

在多项安全测试中，谷歌运行该模型时未启用安全护栏。在衡量真实软件中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利用代码的 ExploitGym 上，该模型达到 54.8%。此外，在 CWE-Bench 编写修复方案 方面，Carbon 也保持着大幅度的第一优势。

在 SEC-bench Pro（88.2%）、CWE-bench（71.0%）以及 ExploitGym（运行十小时得分为 54.8%）上，Gemini 4 Carbon 均领先于 GPT-6 Astra 及其前身 Argon。| 图片：Google Deepmind

谷歌还引用了无法独立验证的内部结果。据称，在内部基准测试中，Carbon 生成安全代码的频率是 Argon 的两倍以上；而在谷歌 Chrome 团队的测试中，其在编写安全补丁方面的表现比某家未具名竞争对手的前沿模型高出十倍以上。

安全专家优先获得访问权限

谷歌正在逐步推出该模型，并鉴于 Carbon 的高级安全能力，参与了美国政府的预发布测试流程。从本周开始，选定的网络安全专家将率先获得访问权限。随后，通过 Google Deepmind 的 Fairwind 计划，访问权限将扩展至更多可信合作伙伴。

该公司计划在收集更多反馈并调整安全护栏后，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 的发布价格与 Argon 相同：每百万输入 token 收费 2 美元，每百万输出 token 收费 10 美元，缓存输入 token 可享受常规输入价格 95% 的折扣。

Gemini 4 Carbon 的单任务成本与 Argon 几乎持平（$7.76 vs. $7.68），但智能指数提升了九个百分点至 59，逼近帕累托曲线顶端，同时也超越了价格更高的 Claude Opus 5.5（$10.04）。| 图片：Artificial Analysis

在 Artificial Analysis 智能指数中，Carbon 的单任务成本为 $7.76，比 Claude Opus 5.5（max 模式，$10.04）低约 23%，约为 GPT-6 Astra（max 模式，$6.25）的 1.2 倍。其单任务平均输出 token 数为 123,000，比 Anthropic 模型（173,000 tokens）少 29%，且价格几乎与 Argon（$7.68）持平。

Artificial Analysis 的计算基于标准列表价：每百万输入 token $4，每百万输出 token $20（缓存输入 token 每百万 $0.20），未计入当前持续至 2026 年底的 50% 首发折扣。

AI News Without the Hype – Curated by Humans