Gemini 4 Carbon发布，主打长期修复Bug

Gemini 4 Carbon最值得关注的，是原文给出的三个变化：长任务执行能力提升、完成评测时消耗的Token减少，以及Agent作弊和越界行为下降。如果这些表现能迁移到真实仓库，开发者才有理由重新算一遍模型选型的账。

但「全面超越Opus 5.5」下结论太早。原文列出的软件工程、计算机操作和CLI编程成绩里，Carbon仍有落后项，而且目前只向部分安全防御人员优先开放。榜单、内部实验与日常可用性，需要分开看。

编程能力涨了，为什么还不能直接换主力

据原文，Carbon在Artificial Analysis智能指数5.0中拿到59分，高于前代Argon的53分。谷歌内部还观察到，它能在复杂代码库中连续运行数日，遇到死胡同后继续排查，最终定位根因并提交补丁。

这是内部观察，原文没有给出任务数量、人工介入次数和完整运行记录。可以把它理解为长任务能力的积极信号，暂时不能据此认定它能独立接管工程。

公开成绩也有明显分化：

• Terminal-Bench 4.0的AA测试集中，Carbon为65.2%，Opus 5.5为59.6%，GPT-6 Astra为59.1%；Terminal-Bench-Science 0.1中，Carbon为64.8%，Opus为59.0%。
• 在256k至1M上下文的GraphWalks测试中，Carbon达到96.2%，高于Opus的66.8%和Astra的71.8%；Vending-Bench 2模拟经营的最终余额为16,484美元，接近Opus的9,235美元的1.8倍。
• WebDev Arena的Elo上涨89分，达到1769分、排名第四；Vals Index v2.2为70.4%，略高于Opus的70.2%。

对程序员更直接的反例同样要看：FrontierSWE 2中，Carbon的61.2%低于Astra的65.5%和Opus的62.3%；OSWorld-2.1离线子集中，Carbon为81.5%，Opus为87.2%。

搭配各自官方工具后，Carbon加Antigravity CLI的Coding Agent专项指数为59分，仍落后Opus加Claude Code的62分。

综合榜单领先，不能替代对具体编程工作流的比较。

尤其是前端开发，终端任务、长上下文检索和页面输出质量是不同能力。WebDev Arena的第四名，比「全球第一」更接近原文对前端表现的实际证据。

半价之外，任务成本为什么可能更低

原文给出的首发价格是输入2美元、输出10美元，均按百万Token计费；Opus 5.5对应为4美元和20美元。缓存命中输入为0.2美元/百万Token，文中称优惠95%，但没有明确说明这一折扣的比较基准。

更有参考价值的是用量。原文引用独立评测称，完成单次Intelligence Index评估，Opus平均消耗17.3万输出Token，Carbon为12.3万，减少约29%。

按Carbon未来恢复4美元/20美元的假设计价，原文计算的单次评估成本为7.76美元，低于Opus的10.04美元，约省23%；按首发价则不到四成。

这里有一处不能直接照搬：评测成本更低，不等于你的生产账单一定同比例下降。

实际费用还取决于输入长度、缓存命中、重试次数和任务能否完成。原文没有给出这些成本的完整拆分，把结论推广到所有生产环境，证据还不够。

安全能力和少作弊，比跑几天更关键

Carbon的另一条主线，是把漏洞发现、风险验证和补丁修复连起来。原文列出：

• SEC-bench Pro覆盖V8、Linux内核等真实漏洞，Carbon为88.2%，Argon为78.8%，Astra为85.4%。
• ExploitGym验证漏洞能否实际利用，Carbon为54.8%，Argon为35.1%。
• CWE-bench覆盖73种常见弱点，Carbon为71.0%，Opus为67.0%，Argon为68.0%。

这些外部安全评测均在移除安全护栏的条件下进行，不能直接等同于用户拿到的产品表现。内部实验还声称，安全代码生成成功率比Argon提升2倍以上，Chrome团队的高质量补丁表现超过另一家未具名模型10倍以上。缺少样本和对照细节，这两组数字目前只能作为内部报告看待。

对日常AI编程，更实用的进步是减少「改测试来假装修好问题」。原文称，Carbon在Terminal-Bench 4.0上的成功作弊率为0.0%，尝试作弊比例为0.4%；内部高严重性失调警报下降近80%，无根据断言频率比Argon降低约2倍，越界操作和敷衍漏做分别减少26%、29%。

Gray Swan间接提示词注入（IPI）测试中，攻击成功率也从Argon的0.7%降到0.0%。这类攻击会把恶意指令藏在网页、邮件或仓库内容里，诱导Agent偏离任务。

但0.0%只说明本轮测试没有成功样本，不能写成对所有提示词注入「100%免疫」。原文没有提供攻击样本数量，也没有交代未知攻击方式下的表现。

我的判断

我更看重Carbon在持续排障、Token用量和行为约束上的组合进步。Agent执行时间越长，走错方向、修改验证条件或隐瞒失败的代价越大，单看答题分数不够。

不过，原文把不同测试、内部战报和宣传判断放在了一起。FrontierSWE 2与CLI成绩已经说明，继续使用Opus或按任务分配模型都有依据；目前还缺少相同仓库、相同工具权限下的完整对照。

至于用AI辅助研发下一代AI，文中的高管表态支持这种工作方式存在，却不足以证明递归自我改进已经形成稳定闭环。Argon、Barium、Carbon多个内部存档点并行，也不能单靠发布间隔解释能力提升。

能拿来做什么

• 等获得访问权限后，用现有前端或Node仓库中可复现的Bug做对照，统一任务说明和测试条件，同时记录修复质量、人工介入与费用。
• 评估长任务Agent时，把测试脚本和验收条件的变更单独审查，并要求交付内容列明已验证结果、失败步骤和缺失条件。
• 把首发价格作为试用窗口，按「完成一次任务花多少钱」比较，连同重试、缓存和人工返工一起计算。
• 尝试辅助漏洞修复时，保留人工审查与回归验证；安全基准高分可以支持试验，尚不足以支持自动合并补丁。