谷歌发布 Carbon，优先面向网络防御

Gemini 4 Carbon 的看点，是 Google 把长时间运行的编程代理和网络安全放到了同一张成绩单上：找漏洞、生成补丁、抵抗提示注入，还要能连续工作数天。但这些成绩大多由 Google 披露，普通开发者目前也无法直接调用。

对前端和全栈开发者来说，这篇资讯值得看的地方，是如何判断这些分数与自己的任务有没有关系，以及长任务的成本该怎么算。结论先放前面：值得跟踪，还不足以据此迁移现有工作流。

综合第一，为什么不等于最适合写前端

据原文，Google 于 2026-10-28 公布 Gemini 4 Carbon，称其为迄今最强的模型。它建立在两周前推出的 Gemini 4 Argon 之上，沿用 Argon 的安全体系，并增加面向复杂任务和高压场景的对齐训练。

Carbon 在 Artificial Analysis Intelligence Index v5.0 得到 59 分，排名第 1；可比模型的中位数为 38。Artificial Analysis 页面也列出了相同分数，这是原文中得到外部页面交叉印证的一项成绩。

但综合能力和网页开发能力不能直接画等号。

Google 报告 Carbon 在 WebDev Arena 达到 1,768 Elo，提升 89 分，排名第 4。对关注页面实现和全栈开发的人，这项结果比综合第一更贴近需求：它有进步，但没有拿到该榜单的领先位置。

Google 更强调的是长程代理能力，也就是让模型在多步任务中持续推进，而不只是回答一次问题。其内部团队称，Carbon 可以运行「数天」，遇到死胡同后继续尝试。不过原文没有给出这些任务的完成率、人工介入次数和总成本。能跑得久，与能稳定交付，仍是两件需要分别验证的事。

安全成绩很具体，测试边界也要一起看

Carbon 的网络安全成绩包括：在寻找漏洞的 SEC-bench Pro 上达到 88.2%，在 ExploitGym 上达到 54.8%，在修补漏洞的 CWE-bench 上达到 71.0%。这些数字由 Google 报告；Google 还说明，外部网络安全基准是在未启用防护限制的条件下评估的。

这里的前提会影响结果的用途。测试展示了模型在相应条件下的能力，但实际开放服务仍会有防护规则，不能默认上线后的行为与评测完全相同。

Chrome 团队另称，Carbon 的补丁生成表现比「另一家实验室的大型前沿模型」好超过 10 倍。原文没有交代对手名称、任务构成和具体统计口径，因此只能把它视作团队反馈，不能当作独立对照结论。

提示注入方面，Google 报告 Carbon 在 Gray Swan 的 Indirect Prompt Injection（IPI）基准上，攻击成功率为 0.0%，Argon 为 0.7%。这类攻击是把恶意指令藏进模型读取的外部内容，诱导它偏离原任务。原文没有说明由谁执行评估。

0.0% 说明这组评测中没有成功攻击，不能推出所有环境下都无法攻破。

Google 还报告了相对 Argon 的内部变化：安全代码成功率提升超过 2 倍，无依据断言约减少一半，内部实际编程中的高严重程度失准告警减少近 80%。在 Terminal-Bench 4.0 上，成功作弊率降至 0.0%，作弊尝试率为 0.4%。这些指标有参考价值，但原文没有提供足够细节，让一般团队复现这些内部收益。

长任务看缓存账单，接入却还没有时间表

Carbon 的 API 优惠价为每百万输入 tokens 2 美元、每百万输出 tokens 10 美元，与 Argon 的优惠价相同。优惠结束后，价格变为输入 4 美元、输出 20 美元，原文没有给出优惠结束日期。Artificial Analysis 已按后者标价。

缓存输入享受 95% 折扣，也就是按相应输入价格的 5% 计费。对于每一步都重复发送同一份仓库上下文的代理，这可能明显降低输入成本。不过折扣针对缓存输入，不能把整个任务账单都按这个比例缩减，输出费用仍需单独计算。

接入才是眼下的限制。Google 表示，从公告当周开始向一部分网络安全防御人员开放，再通过 Fairwind Program 逐步加入可信合作伙伴，同时继续收集反馈、调整防护措施。

普通开发者的全面开放日期没有公布，公告也没有提供 API model ID。Artificial Analysis 页面的 FAQ 与图表对 API 可用性的描述还存在冲突，因此原文建议暂按不可调用处理。Google 也表示正参与美国政府自愿性的模型发布前测试流程，但这不能用来推算开放时间。

我的判断

Carbon 值得关注的，是它把能力、可靠性和长任务放在一起评估。编程代理越能自主推进，错误断言、提示注入和投机完成评测的问题就越影响实际交付。

但目前的证据强弱不一。综合分数有外部页面印证，安全与内部可靠性数据主要来自 Google，「超过 10 倍」则缺少公开对照细节。不能把这些数字拼成一份已经证实的生产收益报告。

对前端团队，WebDev Arena 第 4 也提醒我们：选模型要看自己的任务。相较于等待 Carbon，继续使用当前可调用的模型，并保留更换空间，更容易获得可验证的结果。原文没有提供团队生产率或总成本的对照实验，这部分建议属于工程取舍，不是已经证明的收益。

能拿来做什么

• 把现有编程代理的模型 ID 放进配置，避免散落在业务代码里；Carbon 开放后，再替换配置进行评估。
• 保存一组真实的页面开发、全栈修改和漏洞修补任务，记录完成质量、人工介入和费用，用同一批任务比较候选模型。
• 检查长任务里仓库上下文的重复输入量，分别核算缓存输入、普通输入和输出成本，不只比较每百万 tokens 的标价。
• 如果代理会读取外部内容，把间接提示注入加入自己的测试集；厂商基准中的 0.0% 可以作为测试线索，不能替代项目验证。