DeepMind 宣布 Gemini 4 Carbon 上线

Gemini 4 Carbon 的定位很明确：把更难、更长、需要反复验证的任务交给它，日常编程和知识工作继续用 Gemini 4 Argon。Google DeepMind 给出的理由，是 Carbon 能投入更多 token 做探索、推理和检查，并在多个任务型评测中兼顾准确率与成本。

对前端和全栈开发者，值得关注的是 Google Antigravity 预览的 /swarm：一次提示启动多个代理，分工设计、实现、审计。不过，演示能跑起来、榜单成绩领先，距离普通团队稳定交付，仍有几道需要验证的关口。

Carbon 更强，为什么日常任务仍推荐 Argon

按发布稿的说法，Argon 仍适合大多数软件工程和知识工作。Carbon 面向复杂的多步编码、调试，以及没有固定答案的科学研究。它会使用更多 token，拉长探索和验证过程。

这是一种按任务难度分配计算资源的思路。修改一个按钮样式，与追查跨多个子系统的故障，需要的推理预算不同。Carbon 的价值要在后者体现，不能只看它能否完成前者。

价格也要分开看。Carbon 的 API 入门价格与 Argon 相同：每百万输入 token 为 $2，每百万输出 token 为 $10。但一次任务消耗多少 token、重试多少轮，才决定最终账单。

每 token 同价，不等于每个任务同价。

Google 宣称，Carbon 在 CursorBench 4.0、Perplexity 的 WANDR、Zapier 的 AutomationBench 上排名第一，单任务成本不到下一个最佳外部模型的一半。在与 Artificial Analysis 合作推出的 Multimodal Knowledge Agent（MKA）评测中，它排名第二，平均单任务成本不到第一名的六分之一。

这些结果支持「复杂任务可能更划算」的判断，但不能直接推成所有编码任务都更省钱。发布稿没有展开各项评测的任务分布、运行配置和成本计算口径。

入口方面，付费开发者可以通过 AI Studio、Android Studio 使用 Gemini API；企业可通过 Gemini for business 等入口接入。Google AI Ultra 订阅用户则开始在 Google Antigravity、Gemini app 和 Search 的 AI Mode 中获得访问权限。具体额度和地区范围，原文没有说清。

/swarm 的重点，是把实现和验证拆开

Carbon 的编码能力，与 Google Antigravity 的 /swarm 工作流绑定得很紧：一个提示启动一组代理，用户可以实时观察协作过程。Carbon 可以负责架构设计、协调和审计，速度更快的轻量模型承担其他工作；代理在并行隔离工作区中执行，再由专门挑错的验证代理检查改动。

对工程团队，这比「同时开几个聊天窗口」更有意义。多代理只有把职责、工作区和验收边界分清，才有机会减少互相覆盖代码、重复实现和遗漏检查的问题。

原文强调的适用任务包括多包迁移、跨子系统根因调查和复杂架构重构。做 Web 应用时，Carbon 会执行构建与验证循环、处理错误，并同时检查代码和渲染后的 UI。对于前端，最后一项尤其关键：构建通过，只能说明代码满足了部分约束，不能证明页面布局、交互和视觉结果符合要求。

展示案例也很具体。一组代理从 7 份公开规划 PDF、206 个提取出的工程图视图出发，经过 10 轮隔夜循环，构建了包含 906K 个三角形的 Google Platform 37 办公楼 Three.js 模型。另一个商店改版案例只用了两次提示，提出 5 个美术方向，并用 Nano Banana 2.1 生成商品图片。

这里要分清两个尺度：提示次数少，不代表计算过程短，也不代表人工验收成本低。10 轮隔夜循环恰好说明，这类系统的长处是持续推进复杂任务，而不是瞬间完成。

游戏与场景案例还串起了 Blender、Three.js、WebGL shaders、Web Audio、Lyria，以及 Omni 和 Nano Banana 参考素材。它们展示的是整条工具链协作的上限。普通团队能否复现，还取决于素材、工具权限和运行环境，不能全部归功于模型本身。

安全和科研成绩，该怎样读才不容易误判

Carbon for cyber 经 Fairwind Program 提供，Google 称它在漏洞发现、利用验证和修补三个环节，分别领先 SEC-bench Pro、ExploitGym、CWE-bench v1。

在 Google 自己的 Project Fortify 内部评测中，Carbon 的扫描召回率达到 100%，分诊精确率为 95%；开源仓库测试中，召回率相对 Argon 提升超过 25%。召回率衡量漏掉多少问题，精确率衡量报出的问题有多少是真的。两者需要一起看，单独追求「一个都不漏」可能增加人工排查负担。

这些是有明确范围的测试结果。原文没有给出内部样本规模，也没有提供足够信息证明它能在任意仓库达到同样表现。Wiz 扫描两家主要 SaaS 提供商、不到两小时发现 0-day 的案例，同样不能外推成普遍耗时。

科研部分也要区分成果和潜力。AlphaProof Code 使用 Carbon 与其他模型，将 Signal 加密协议底层实际代码的安全目标转成数学定理，并生成数百万行 Lean 证明代码，在数周内证明关键安全性质。这不等于整个 Signal 系统已被完整证明安全。

蛋白质结构研究中，Carbon 在 CASP17 盲测集的 7 个低同源蛋白质家族上，平均找到了 40 倍的同源序列。它改善的是上游检索，为 AlphaFold 3 等结构预测模型提供更多信息，无须重新训练；不能把这个数字理解为预测准确率提高 40 倍。Google 也明确表示，更广泛的评测仍在进行。

安全防护数据同样有边界。Carbon 在 Gray Swan IPI 上的间接提示注入攻击成功率为 0%，但 Google 承认，更复杂攻击分布下仍有改进空间。375 项代理诚实性任务的通过率从 Argon 的 70% 升至 92%，其中拒绝补造缺失实验数据的比例为 98%，指出方法缺陷的比例为 68%。

某个评测中的零成功攻击，不能替代真实工作流里的权限控制。

我的判断

我认可它把模型选择落到任务复杂度和验证成本上。对于跨模块迁移、难复现故障、需要查看渲染结果的前端任务，持续运行并检查结果，比单次生成速度更接近实际需求。

但这仍是一份厂商发布稿。部分成绩来自外部评测，部分来自 Google 内部测试和合作方反馈，证据强度不同。MKA 还是 Google 与 Artificial Analysis 合作推出的新评测，需要结合任务设计理解其代表性。

与单代理按步骤执行相比，多代理增加了并行能力，也增加协调、上下文传递和合并成本。原文没有提供同一任务下两种方式的完整对照，不能据此认定 /swarm 总是更快、更便宜。精美的 Three.js 演示也没有回答代码可维护性、浏览器兼容性和后续修改成本。

对一般团队，我更倾向于先验证 Carbon 能否减少复杂任务的失败与返工，再决定是否扩大使用范围。

能拿来做什么

• 把跨包升级、跨前后端故障定位等任务作为候选，比较 Carbon 与现有方案的完成率、总费用和人工返工时间，再决定模型分工。
• 做前端页面时，把构建通过、关键交互可用、渲染结果符合要求分别列为验收条件，让代理提供对应检查结果。
• 尝试多代理迁移时，为每个代理划定包或模块范围，并单独安排集成审查，先验证协作收益能否覆盖合并成本。
• 让代理读取网页、PDF 或仓库内容时，继续限制凭据访问、命令执行和写入范围，不把提示注入评测成绩当成放宽权限的依据。