DeepMind 公布 Gemini 4 Carbon

Gemini 4 Carbon 想解决的，是让 AI 持续处理复杂工程任务，同时减少瞎编、越界和钻测试空子的行为。Google DeepMind 给出的重点证据，集中在长时间编程、安全漏洞修复和执行可靠性上。

按这份公告，Carbon 的能力提升相当明显，但普通开发者还不能立即用上。读这篇最有价值的地方，是分清哪些成绩来自公开基准，哪些来自内部观察，以及这些数字距离日常项目还有多远。

能连续工作几天，究竟解决什么问题

作者把 Carbon 定位为适合长周期任务的模型。这里的长周期，不只是上下文能装多少代码，而是任务走进死胡同后，模型还能调整路径，继续定位问题、修改代码并验证结果。

他们团队观察到，Carbon 可以运行数天，处理大型代码库和底层系统里的隐蔽缺陷，包括追查根因、跨多步完成修复。这类任务的难点是维持目标和约束：前面发现的线索不能丢，后面的修改也不能偏离最初的问题。

但公告没有交代这些任务的数量、人工介入程度、运行成本和最终成功率。它证明了团队见过这样的案例，还不足以证明普通项目交给它就能稳定完成。

基准成绩提供了另一组参照：Carbon 在更新后的 Artificial Analysis Intelligence Index v5.0 中以 59 分排名第 1；WebDev Arena 成绩提升了 89 elo，以 1768 分排名第 4。后者更贴近前端读者，说明网页开发产物在该评测中的表现有所改善。

不过，页面产物质量和工程维护能力仍需分别考察。公告提到全栈 Web 开发、多模态理解和科学任务的改进，没有给出每个领域的完整成绩，不能把一个榜单上的提升推广到所有开发场景。

安全能力的重点，是把发现、验证和修复串起来

Carbon 的安全成绩覆盖了漏洞处理的三个环节：

• 在 SEC-bench Pro 上达到 88.2%，考察发现真实软件漏洞的能力。
• 在 ExploitGym 上达到 54.8%，考察通过利用验证漏洞风险的能力。
• 在 Collinear 的 CWE-bench 上达到 71.0%，考察针对漏洞根因生成修复的能力。

这三个数字对应不同问题。发现可疑代码之后，还要确认漏洞能否被利用，才能判断修复优先级；补丁则需要消除根因，不能只让某个测试用例通过。

安全工程需要的是一条能闭环的处理链，单独找出更多可疑点还不够。

这里有个关键条件：上述外部基准是在未启用防护机制的情况下评测的。因此，这些成绩不能直接当作最终开放产品的表现。启用防护之后，模型会接受哪些任务、拒绝哪些操作，原文没有给出对应数据。

内部证据也很抢眼。作者称，Carbon 生成安全代码的成功率超过 Argon 的 2 倍；Chrome 团队报告，它生成高质量补丁的表现超过另一家实验室某大型前沿模型的 10 倍；Wiz 则观察到它在 Web 渗透测试基准中领先，这也是 Scan for Good 项目需要的能力。

这些结果可以作为方向信号，但还不能直接横向比较。尤其是「超过 10 倍」，公告没有说明对手型号、样本规模、质量标准和评测设置，读者无法判断差距来自哪些任务。

比写得更快更重要的，是少作弊、少瞎编、少越界

Carbon 沿用了 Argon 的多层安全体系，包括模型训练、实时滥用防御、提示注入抵抗和思维链监控。公告还强调，模型需要在复杂或高压任务下保持正确行为。

对日常 AI 编程而言，下面几组结果比笼统的「更聪明」更有参考价值。

第一组是减少钻空子。Carbon 在 Terminal-Bench 4.0 上的成功作弊率降至 0.0%，作弊尝试率降至 0.4%，同时整体准确率提高。在内部真实编程环境里，高严重程度的不对齐告警减少了接近 80%。这里的不对齐，可以理解为模型行为偏离了用户目标或项目约束。

第二组是减少无依据的断言。内部测试中，Carbon 相比 Argon 将这类陈述减少约一半。作者描述的目标行为很具体：把方法限制写进交付物；遇到无法完成的操作，明确列出还缺什么，而不是编造证据。

第三组是执行边界。Carbon 的越界行为减少 26%，服务不足行为减少 29%。对应到编程任务，就是既要防止擅自扩大修改范围，也要减少任务没做完就停下的情况。遇到信息含糊或来源冲突时，它应先检索相关材料，并向用户指出分歧。

最后是间接提示注入。在 Gray Swan 的 Indirect Prompt Injection（IPI）Benchmark 中，Argon 的攻击成功率为 0.7%，Carbon 为 0.0%。提示注入常见于模型读取外部内容时，其中夹带的指令诱导它偏离原任务。

0.0% 表示它抵御了这轮评测里的全部攻击，不能据此认定现实攻击已经被解决。

我的判断

这份公告说得对的一点，是把模型质量拆到了工程行为上。能否持续推进、承认缺少证据、遵守修改边界，比单看代码生成速度更接近团队实际需要。

但证据的透明度不一致。外部基准至少给出了名称和成绩；内部的安全代码、补丁质量、不对齐告警等指标，缺少完整方法和对照细节。运行数天的案例也没有可复现过程。它们目前属于厂商内部报告，不能替代团队自己的验证。

相较于把流程全部交给模型，保留代码审查、自动化检查和操作权限限制，仍然更容易明确责任边界。Carbon 的这些改进若能在实际产品中复现，会降低协作成本，但公告没有证明现有工程检查可以被省掉。

可用性也要看清：Carbon 建立在两周前发布的 Gemini 4 Argon 之上，但本次采取分阶段开放。作者表示正在参与美国政府自愿性质的发布前测试，本周先向部分网络防御人员开放，再通过 Fairwind Program 扩展到其他可信合作伙伴。面向开发者、企业和消费者的具体日期没有公布。

价格计划与 Argon 的首发价相同：每百万输入 tokens 为 $2，每百万输出 tokens 为 $10，缓存输入 tokens 相比普通输入价格优惠 95%。这是公布的定价，不能据此推断普通开发者现在已经能调用。

能拿来做什么

• 评估前端或全栈编程模型时，把页面效果和工程完成度分开检查。WebDev Arena 成绩可以帮助筛选，但依赖是否可用、修改是否符合约束、验证是否完成，仍要在项目中确认。
• 给 AI 安排跨文件修复任务时，要求交付物写清根因、修改依据、验证结果和未完成项。这样更容易识别无依据的结论，也便于人工接手。
• 对 Node 或 Web 项目的安全修复，分别检查漏洞发现、风险验证和根因修复。不要把模型标记的可疑点直接当成已确认漏洞，也不要把生成补丁直接当成修复完成。
• 等获得 Carbon 访问权限后，用团队已有任务进行对照，记录成功率、人工介入和 token 成本。原文没有提供足够数据，无法提前判断它是否值得替换现用模型。