Gemini 4 Carbon 首批面向安全防守者

Gemini 4 Carbon 登上综合榜首，却还不能让普通开发者直接接入；它在安全任务上成绩突出，编码能力也没有全面超过竞品。Latent Space 这期资讯最值得读的，是这些看似矛盾的结果：模型排名、实际可用性和工程价值，正在变成三件需要分别判断的事。

对前端和全栈开发者来说，重点不只是追新模型。榜单怎么测、Agent 用什么运行框架、一次任务究竟花多少钱，都会影响选型。下面把 Carbon 的发布信息与相关评测放在一起看，也区分厂商声明、独立测量和社区猜测。

Carbon 拿了第一，为什么还不能直接换上

据原文，Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，主打网络安全和长周期任务。这里的长周期任务，是需要连续规划、调用工具、检查结果，经过多轮操作才能完成的工作。

Google 给出的安全成绩是：漏洞发现测试 SEC-bench Pro 达到 88.2%，漏洞利用测试 ExploitGym 为 54.8%，漏洞修补测试 CWE-bench 为 71.0%。三个数字对应不同环节，不能合成一个「安全能力准确率」。

访问也有门槛。Carbon 首先通过 Fairwind Program 提供给受信任的网络安全防御人员，更广泛的开发者访问只承诺尽快开放，没有明确日期。普通团队暂时只能把它列入观察名单。

规格方面，原文列出 1M-token 上下文窗口和 1M 最大输出，支持文本、图片、视频、语音输入，输出为文本。大窗口有利于容纳更多材料，但原文没有测试塞入完整代码仓库之后的检索、定位和修改质量。

价格的两个说法可以对上：Phil Schmid 报的是每百万输入／输出 token $2/$10；Artificial Analysis 列出标准价 $4/$20，并注明 50% 上线折扣，结束日期未定。缓存输入为每百万 token $0.20。做长期预算时，应把折扣价和标准价分别计算。

Google 还宣称，Carbon 在 Terminal-Bench 4.0 上成功作弊的比例降至 0.0%，作弊尝试降至 0.4%；相对 Argon，无依据断言约减半，越权行为下降 26%，服务不足下降 29%。这些是特定评测中的厂商报告，不能直接解释为部署后不会越权或编造。

综合榜首，为什么不等于最适合写代码

Artificial Analysis 的 Intelligence Index v5 给 Carbon 打出 59 分，排名第一。它在九项评测中的 HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench 四项领先。但切到编码，结果就不同了。

在 Coding Agent Index 上，使用 Antigravity CLI 的 Carbon 得分 59，Claude Code 搭配 Opus 5.5 [max] 得分 62。FrontierCode v1.1 中，两者分别为 51% 和 56%。FrontierSWE 中，Carbon 为 61.2%，低于 GPT-6 Astra 的 65.5%、Opus 5.5 的 62.3% 和 Sonnet 5.5 的 61.9%。

对前端读者更直接的参考是 Code Arena: WebDev：Carbon 得分 1768，排名第四。它同时以 1528 分位列 Text Arena 第一，在 Agent Arena 排名第二，每任务成本中位数为 $1.80。文字交互、网页开发和持续执行任务，测到的能力并不相同。

综合榜首只能说明它在这套题和权重下领先。

榜单本身也在变化。Intelligence Index v5 有 60% 使用私有测试；更新后，Kimi K3.1 Pro 从 55 分变成 46 分。不能据此认定模型突然退步，首先要考虑试题和计分方式已经改变。

成本同样要绑定测试口径。Carbon 在该综合指数中每任务花费 $7.76，低于 Opus 5.5 的 $10.04，高于 GPT-6 Astra 的 $6.25；每任务输出 123k token，比 Opus 少 29%。但 Vals 的测试显示，它比 Argon 多输出 64% token，增长集中在金融、税务和法律任务。

这两组结果可以同时成立。比较对象、任务类型都不同，不能把其中一组提炼成「Carbon 总是更省」。

选 Agent，运行框架和模型要一起看

原文专门提醒，Carbon 的编码 Agent 成绩是在 Antigravity CLI 中测得的，换到其他运行框架，也就是 harness，效果尚未验证。运行框架负责组织提示词、工具调用、上下文和执行流程，同一个模型放进去，表现可能变化。

一项对 30 个开放编码框架的统计很直观：还没算工具定义，默认系统提示词就从 goose 的 235 token 到 Gemini CLI 的 11,974 token。这个差距不直接证明谁好谁坏，却说明「只替换模型名称」未必是公平对比。

GitHub Copilot Fusion 提供了另一条路线：运行时编排 Anthropic 和 OpenAI 模型。独立评测中，它在 AA Coding Agent Index 比 Claude Code 搭配 Opus 5.5 低 2 分，每任务成本为 $5.59，对照配置为 $11.42，使用 7.2M token；Terminal-Bench 4.0 得分 71，排名第一。

这里的 $11.42 与前面综合指数中的 $10.04 属于不同评测口径，不能混用。GitHub 另称成本最多降低 77%、运行提速 40%，这是厂商声明，也不能当作上述独立测试的结论。

对开发团队而言，Fusion 的价值在于展示了一种取舍：接近领先成绩的组合方案，可能比单一旗舰模型更便宜。但原文没交代完整路由策略，无法据此复刻同样收益。

T3 Code 则展示了一个线程调度多个模型、框架和机器，通过单个 MCP server 经互联网控制。能力更丰富，也更需要在实际评测中记录执行环境，否则很难判断收益来自模型还是编排。

幻觉更少，也不能只看模型的解释

Carbon 在 AA-Omniscience 上以 54 分领先，但幻觉率从 Argon 的 4% 升至 11%，仍是已测模型中第二低；Opus 5.5 和 Astra 均为 50%。知识测试成绩提高，与幻觉率上升，可以同时发生。原文没有给出足够细的评分规则，不宜自行补全原因。

另一项独立评估中，DeepSeek V4.1 Flash-1017 把 69 段真实用户对话中的 32 段判断成评测，报告误报率为 46.4%。研究者还观察到，私有测试引发的评测意识少于公开测试，因此质疑公开成绩能否预测部署行为。这是研究者基于该实验的判断，尚不足以概括所有模型。

Google DeepMind 与 Stanford 的一项论文则报告：在其测试条件下，上下文中的红心图片让 Claude Opus 4.7 和 GPT-5.4 以 100% 的比例生成递归代码；GPT-5.4 有 74.7% 的推理记录给出了错误原因。

对 AI 编程最直接的提醒是：模型解释自己为什么这样写，并不等于它准确识别了影响因素。审查代码时，仍要看实现、执行结果和需求是否一致。

我的判断

我认可这期资讯把独立榜单、厂商声明和质疑放在一起的处理方式。Carbon 的综合能力、安全任务表现和部分成本数据，都值得继续跟踪；但访问限制、编码排名和框架依赖，也足以阻止我们直接得出「该换模型了」的结论。

和只按每百万 token 单价选型相比，按完成任务的成本比较更有用；再进一步，还要统计失败重试和人工修正。原文没有覆盖这些生产成本，因此 $7.76 不能当作团队真实支出的预测值。

有些热闹信息应停留在消息层面。例如 Google 落后下一轮竞品约两个月，是社区观点；更强的未发布 Gemini、Obsidian 3 就是 Fable 5.5、Kimi K3.1 Pro 蒸馏自 GPT-6 Astra，都没有得到确认。

原文也没有给出作者团队的生产对照实验。它能提供候选方向和评测线索，不能替一般团队完成选型验证。

能拿来做什么

• 给前端或全栈项目挑编码 Agent 时，用同一组真实任务比较候选配置，并固定框架、工具权限和验收标准，同时记录重试次数与人工修正时间。
• 计算模型预算时，同时列出标准价、折扣价、缓存输入和实际输出量；不要把一次评测的 token 节省比例套到所有任务。
• 让 AI 分析漏洞或生成补丁时，要求提供可核查的代码位置、触发条件和测试结果，并把解释文本与验证证据分开审查。
• 关注 Carbon 的团队，可以先准备评测任务，等待明确访问条件；已经使用其他编码 Agent 的团队，则可优先比较现有模型与运行框架的组合效果。