新智元报道
新智元报道
刚刚，谷歌甩出全新前沿王炸模型Gemini 4 Carbon，一口气把全球第一抢了回来！
在谷歌官方公布的14项核心基准大表中，Carbon一口气拿下了12项第一。
在权威第三方Artificial Analysis最新v5.0全球智能指数榜上，Carbon以59分登顶全球第一，全面碾压 Opus 5.5和GPT-6 Astra！
Arena社区盲测同步放榜，它一举拿下文本总榜1528分全球第一、Agent总榜全球第二。
大V们赞叹：「谷歌实现了年度最伟大的绝地反击！」
有人直言：或许是谷歌已经实现了RSI，所以Carbon才如此出色？
遗憾的是，目前Gemini 4 Carbon还没有向所有人开放，只允许「国家级安全防御者」使用。
据悉，谷歌内部团队已经看到，Carbon在复杂代码库里连续不断跑上好几天，自己死磕bug、打补丁。
另外，在Chrome浏览器安全团队的实测中，它生成高质量漏洞补丁的表现，直接比另一家前沿大模型强出10倍以上！
令人欣慰的是，Carbon 将维持和 Argon 相同的引入期价格：
每 100 万 token 输入：2 美元
每 100 万 token 输出：10 美元
相比于 GPT-6 Astra 和 Opus 5.5，这个价格堪称「白菜价」！但引入期到什么时候结束，目前谷歌还没定。
现在，网上已经充满了惊艳的实测Demo。
有人说，这次看到谷歌重回榜首，简直惊讶得说不出话来。
有人直言：Carbon比所有大模型生成的3D城市都更精美自然。
有测评博主表示，被Carbon做出的黑洞震撼到了。
以下是一个测评合集。
评测博主Lumina让它一次性写出一个带完整光影交互的3D体素风中式宝塔场景。
同一提示词放进四宫格对比，差距很明显。
左上角的Argon塔身单薄粗糙，而右上角的Carbon在多层重檐比例、水面倒影质感与庭院造景层次上全面跃升，完成度直接追平Claude Opus 5.5。
到了经典的SVG鹈鹕骑自行车测试，Carbon把前端工程细节卷出了新高度。
它不仅画出细节满满的鹈鹕，还在做出了支持20到100 RPM无级变速的运动学踏频滑块。
点开右下角的「CAD工程蓝图检视」按钮，整个画面会瞬间切换成深蓝色的X光机械骨骼解剖图，把鹈鹕腿部关节连杆和齿轮传动比标得清清楚楚。
社区开发者Raphi-2Code也晒出了孔雀开屏动态演示。
多位实测者不约而同地提到，Carbon思考耗时比Argon长了2到4倍，但再也不敷衍了。
Arena能力评测负责人Peter Gostev更是直言：「Carbon比Argon强太多了，我真希望他们当初干脆跳过Argon直接发这一版。」
此前，在OpenAI和Anthropic两家面前，谷歌长期被人唱衰。
但这次 Gemini 4 Carbon 的诞生，直接把质疑声撕得粉碎。
Carbon在17 项测试中， 狂揽 15 项第一。
首先，它展现了综合智力的碾压。
在 AA Index v5.0测试中，Carbon 拿下 59 分，超越 Opus 5.5 和 GPT-6 Astra。在 Vals Index v2.2 中，它同样以 70.4% 的成绩拿到第一。
其次，它表现出长文本与逻辑的无敌组合。
在 GraphWalks（256k 到 1M 超长上下文）测试中，Carbon 跑出了惊人的 96.2%！作为对比，GPT-6 Astra 只有 71.8%，Opus 5.5 只有 66.8%。
这意味着在处理海量信息、跨文档寻找逻辑关联时，Carbon 几乎是零失误。
另外，它还是个理科霸主。
在科学和数学领域的 RiemannBench 测试中，Carbon 以 80.0% 的成绩断层领先，远超竞争对手。
在终端操作与多步编程Terminal-Bench 4.0冲到65.2%，科研终端评测Terminal-Bench-Science拉升至64.8%上，它也双双拿下全球第一。
在模拟长周期自主经营的Vending-Bench 2中，Carbon的得分是Claude Opus 5.5的1.8倍。
当然，具体工程任务的较量仍在继续，例如在FrontierSWE 2 和OSWorld-2.1离线子集上，GPT-6 Astra与Claude Opus 5.5仍各自保有一席优势。
在Arena Agent榜单上，Carbon直接跃升至全球第2，把Sonnet 5.5 Max、GPT-6 Astra Max全部甩在身后。
其中，在衡量用户中途改需求或提出异议时模型能否听懂人话、及时掉头的可引导性指标上，Carbon以+18.6%高居全场第一。
而单次任务1.80美元的成本，比第一的Opus 5.5 Max低了整整72%。
在Text Arena文本总榜上，Carbon以1528分登顶全球第一；
在 WebDev Arena排行榜上，Carbon 一举飙升 89 个 Elo 积分，杀入全球前四。
如果说跑分只是开胃菜，那么 Gemini 4 Carbon 在网络安全和超长周期代理任务上的表现，才是真正让业界震撼的地方。
谷歌官方博客中用了一个非常特别的描述：「我们的内部团队看到 Carbon 连续运行了数天，在遇到死胡同后能够自己寻找新路径，以解决大型代码库和底层系统中最隐蔽的 bug。」
连续运行数天！自己寻找路径！这完全是一个高度自主的数字员工了。
在网络安全的攻防测试中，谷歌晒出了三个极具代表性的数据，完美对应了安全团队处理漏洞的「找、测、修」三大核心步骤。
第一关，找漏洞：SEC-bench Pro 狂砍 88.2%
在收录了183个JavaScript引擎真实高危漏洞任务的SEC-bench Pro测试中，Carbon拿到88.2%排名第一，压过GPT-6 Astra（85.4%）与Argon（83.4%）。
第二个，测漏洞：ExploitGym 拿下 54.8% 新高
横跨Linux内核与Chrome V8引擎的ExploitGym，要求模型在真实环境里写出利用脚本验证风险。
安全团队正是靠这一步来决定哪些漏洞需要立刻修复。在这个硬核红队测试中，Claude Opus 5.5 只有可怜的 34.5%，GPT-6 Astra 也才 42.4%，而 Carbon 飙升至 54.8%！
第三关，修漏洞：CWE-bench 达到 71.0%
然而，安全问题看似解决了，人也进不去了。CWE-bench就是要挡住这种伪修复：在覆盖6大语言、73类弱点的120个真实漏洞任务中，原来的攻击必须失效，原有的功能测试也得100%通过。
在这套严苛标准下，Carbon首次尝试通过率达到71.0%（Pass@4达81%），再度拿下第一。
在谷歌内部产线测试里，Carbon生成安全代码的成功率比Argon翻了2倍以上；Chrome核心团队更实测反馈，它生成高质量漏洞补丁的表现比另一家前沿实验室的大模型强出10倍以上。
这就是为什么它被誉为「史上最强网络安全模型」。它一个人，干了一个顶级安全防御团队的活儿。
试想一下，如果 Carbon 的这种「找漏洞、写攻击代码」的能力落入黑客手里，那将是一场灾难。
谷歌深知这一点，将Carbon打造为 「史上最对齐、最听话的模型」，为它加上了前所未有的「金钟罩」。
0% 的提示词注入成功率！
面对网页与文件里暗藏恶意指令的Gray Swan间接提示注入测试，在连续15次尝试诱导下，Carbon直接交出0.0%攻击成功率的零失守纪录。
这意味着，无论黑客用多么狡猾的语言陷阱、多么复杂的逻辑套娃去诱导，Carbon 都无动于衷。
拒绝作弊，终结幻觉
开发者最怕的就是，AI为了交差偷偷抄近路，明明失败了却报一句「大功告成」。
两周前Every团队在测试Argon时就抓了个现行，在38次测试运行中，Argon有17次把必做的代码审查步骤打开又关上，一眼没看代码就假装审查完了。
这次Carbon专门针对「偷懒与耍小聪明」做了大整顿。在Terminal-Bench 4.0专项检查中，Carbon的成功作弊率被压到0.0%，尝试作弊率也降至0.4%。
在谷歌内部真实编程环境中，Carbon触发的高危失调警报骤降近80%，无根据瞎编断言砍半，越界操作与服务缩水率也分别下降26%和29%。
极致的坦诚与透明
在考察知识诚实度的AA-Omniscience评测里，Claude Opus 5.5 Max与GPT-6 Astra Max遇到拿不准的问题时，仍有约50%的概率强行瞎猜，而Carbon把幻觉瞎猜率控制在了11.4%。
答案是：现在你用不上，甚至大部分企业也用不上。
正因为它太强大，尤其是它那逆天的「挖掘漏洞」能力，谷歌采取了「保守」的发布策略。
当初 Argon 发布时，至少 Google AI Pro 订阅用户和付费 API 开发者还能第一时间尝鲜。但 Carbon 不同。
本周，Carbon 仅仅对「一小部分受信任的网络安全防御者」开放，也就是Fairwind上的名单。
普通用户、独立开发者都被挡在门外。
短短两周，谷歌就用 Carbon 刷新了 Argon 刚刚建立的认知。
这种恐怖的迭代速度，让 OpenAI 和 Anthropic 感受到压力。
接下来，看另外两家的了。
参考资料：
