Gemini 4 Carbon发布，首批限安全专家

Gemini 4 Argon 发布仅两周，Google DeepMind 又推出了 Carbon。按原文给出的评测，它的综合能力、长任务执行和安全能力都有提升，价格则维持不变。但综合榜第一，并不等于写代码最好，也不代表普通开发者已经能用上。

对前端和全栈开发者，这条消息值得看的不是迭代速度，而是三个问题：模型能否连续处理复杂工程任务，能力提升有没有换来更高的时间成本，以及这些成绩究竟经过了谁的验证。

综合第一，为什么还不能直接认定编程最强

Carbon 在 Artificial Analysis Intelligence Index v5，也就是新版 5.0 综合指数中拿到 59 分，高于 Argon 的 50 分。但综合指数包含推理、知识检索和科学任务，不能直接当作编程成绩。

Artificial Analysis 的独立评测显示，Carbon 在最高推理档位 high 下，拿下九项子评测中的四项第一。到了智能体编程，运行在 Antigravity 中的 Carbon 得到 59 分，仍低于 Claude Code 搭配 Claude Opus 5.5 的 62 分。这里比较的是模型与工具环境组成的系统，结果也会受工具调用、上下文管理和执行流程影响。

原文有一处口径不一致：开头把 Argon 的 Coding Agent Index 写成 50 分，后文却说编程成绩从 53 分升到 59 分，没有解释差异。

综合榜领先，可以证明能力覆盖面更强，不能替代你自己的工程验收。

Google 对 Carbon 的定位是持续多天的自主开发。按其说法，内部团队让模型连续运行数天，模型能够自行走出失败路径，完成大型代码库和底层软件中的根因分析、隐蔽缺陷修复。这比一次生成多少代码更接近真实工程，但原文没有给出任务清单、成功率和人工介入次数，暂时只能视为厂商报告。

Web 开发的提升也比较明确：Carbon 比 Argon 高出 89 Elo，排名第四。不过原文前后分别写了 1,769 和 1,768 分；后一个口径下，它仅落后 Claude Sonnet 5.5（xHigh，1,770 分）两分，Argon 则排第十一。这个小差距不足以单独决定选型。

单价没涨，完成任务却未必更快

Carbon 的首发价格与 Argon 相同：每百万 input tokens 为 $2，output tokens 为 $10，缓存输入优惠 95%。但 Artificial Analysis 的成本计算采用常规标价，即输入 $4、输出 $20、缓存输入 $0.20，没有计入持续到 2026 年底的 50% 首发折扣。

按这一评测口径，Carbon 每任务成本为 $7.76，接近 Argon 的 $7.68，比 Claude Opus 5.5（max）的 $10.04 低约 23%，约为 GPT-6 Astra（max，$6.25）的 1.2 倍。Carbon 平均每任务输出 123,000 tokens，比 Opus 的 173,000 少 29%。

另一套 Vals Index v2.2 中，Carbon 以 70.36% 准确率排第二，位于 Claude Sonnet 5.5 的 70.85% 和 Claude Opus 5.5 的 70.18% 之间，Argon 为 69.24%。Carbon 每次测试花费 $10.51，运行不足 48 分钟，比这两个 Anthropic 模型便宜且快。

但与 Argon 相比，部分任务明显变慢。Finance 和 Tax Agent 任务耗时超过两倍，Legal Research 平均每任务超过 50 分钟。Carbon 生成的推理 tokens 是 Argon 的 2.3 倍，输出 tokens 多 64%；法律研究引用来源约多 45%，工具调用也更频繁。它的输出量仍不到 Sonnet 5.5 和 Opus 5.5 的一半。

因此，「更快」必须说明和谁比、做什么任务。Carbon 在 Vals 的 Finance Index 和 Legal Research 中领先，背后也可能伴随更长的搜索与推理过程。

Arena.ai 提供了另一种观察：超过 21,900 次真实会话中，Carbon 在 Agent Arena 排第二，净改善指标为 +16.2%，可引导性指标最高，为 +18.6%；任务成本中位数 $1.80，比第一名 Opus 5.5（Max）低 72%。这些结果支持它有成本竞争力，却不能和其他平台的每任务费用直接混算。

安全能力进步很大，开放范围却仍有限

Google 自选的 16 项测试中，Carbon 拿下 15 项第一，长上下文和安全任务尤其突出。

安全评测覆盖发现漏洞、生成可用利用程序和编写修复补丁：SEC-bench Pro 为 88.2%，CWE-Bench 为 71.0%，ExploitGym 在十小时运行条件下达到 54.8%。按原文，这些成绩领先被测的 GPT-6 Astra 和 Argon。

关键前提是，Google 在若干安全测试中移除了安全护栏。这有助于测试能力上限，但不代表正式开放版本会执行同样的操作，也不能据此推断日常开发中的安全效果。

Google 还给出两组内部结果：生成安全代码的频率超过 Argon 两倍；Chrome 团队测试中，编写安全补丁的表现超过某个未具名竞品前沿模型十倍。由于缺少公开任务和可复核过程，这些数字无法独立验证。

间接提示注入方面，Gray Swan 测试中的攻击成功率从 Argon 的 0.7% 降到 0.0%。间接提示注入就是把恶意指令藏进模型读取的网页、文件或工具结果，让它偏离原任务。0.0% 说明这一批测试没有攻击成功，不代表所有攻击都被解决，也可能说明测试集已经难以区分更强的防御能力。

Carbon 因此采取分阶段开放：参与美国政府的自愿发布前测试，报道所称的「本周」先向选定安全专家提供访问，再通过 Fairwind Program 扩展给可信伙伴。面向开发者、企业和消费者的开放，还要等待反馈与护栏调整。原文没有给出具体日期，也没有提供 API 接入方式。

我的判断

Carbon 最有说服力的地方，是多个外部平台都观察到了提升，而不是只有 Google 自选测试表现好。但「全面进步」需要拆开理解：编程仍落后 Opus 5.5，Web 开发排第四，AA-Briefcase 知识工作也没有登顶。

在 AA-Briefcase 中，Carbon 从 Argon 的 1,483 Elo 升至 1,609，增加 126；展示质量增加 293 至 1,598，分析质量增加 120 至 1,671。它仍落后 Kimi K3.1 Pro（1,678）、Muse Wonder（max，1,659）和 Grok 4.7（xhigh，1,638）。提升幅度和最终名次，是两回事。

另一个不能忽略的变化是：答案准确率从 48% 升到 58%，幻觉率也从 4% 升到 11%。后者虽然仍是该榜第二低，低于 Claude Opus 5.5（max）和 GPT-6 Astra（max）各自的 50%，却说明能力增强没有自动消除错误输出。原文没有充分解释这些指标的统计口径，不能把 11% 当成任意业务中的出错概率。

我会把 Carbon 视为值得进入候选名单的模型，而不是可以省掉评审的工程代理。

和继续使用现有模型相比，切换是否划算，取决于任务成功率、等待时间和人工返工量。原文没有普通团队的完整迁移对照；多天自主开发是否能稳定减少人工投入，目前仍缺少证据。

能拿来做什么

• 等 Carbon 获得可用访问后，用真实仓库里的根因定位、跨文件缺陷修复和全栈功能任务做对照，统一工具权限与验收标准，再判断是否替换现有模型。
• 前端团队评估 Web 开发能力时，把页面效果、交互正确性和代码可维护性一起验收。WebDev Arena 第四名可以作为试用理由，不能替代项目要求。
• 为长任务记录总 tokens、总耗时、重试次数和人工修改量，并区分首发价与常规价。每百万 tokens 的价格相同，不保证每次需求的交付成本相同。
• 涉及依赖漏洞或安全补丁时，用测试和代码审查验证模型输出；处理网页、文件与工具结果时，继续保留权限边界，不能因为某项提示注入测试达到 0.0% 就放开限制。