谷歌发布 Carbon 模型，先向安全企业开放

Google 发布 Gemini 4 Carbon，把卖点集中在代码、长时间代理任务和网络安全上。按 Google 的说法，它既能更好地发现漏洞、生成安全代码，也能持续数天处理复杂工程任务。但目前只有少数网络防御公司能用，普通开发者还无法直接验证这些能力。

这条消息值得关注的，是模型的竞争指标开始从「答对一道题」扩展到「持续完成一项工程」。不过，榜单第一、内部测试和日常开发体验之间，还有几道需要验证的关口。

三个榜单第一，分别说明了什么

据原文，Carbon 在 Artificial Analysis Intelligence Index (v5.0) 上排名第一，Claude Opus 5.5 和 GPT-6 Astra 位列其后。它相比 Google 本月早些时候发布的 Argon，也有进一步提升。

网络安全是这次发布的重点。Carbon 在两个专项基准中同样排名第一：

• SEC-bench Pro 衡量模型发现真实世界漏洞的能力。
• ExploitGym 衡量模型把漏洞转化为利用手段的能力。

这两个指标不能混为一谈。发现代码存在问题，与证明问题可以被利用，是不同的工作。后者有助于判断漏洞的实际影响，但单凭这个排名，也不能推导出模型一定能写出更安全的业务代码。

Google 同时宣称 Carbon 在漏洞发现和安全代码生成方面取得了显著进步。原文没有给出具体分数、领先幅度，也没有展示安全代码生成的对照案例。

榜单支持了能力提升的方向，但还不足以估算它能替团队节省多少工作。

能连续运行数天，比一次答对更接近工程任务

Google 表示，其内部团队已经看到 Carbon 连续运行数天，在遇到死路后继续尝试，完成复杂的多步骤工程任务。

这里的关键是「遇到死路后继续」。真实工程里，第一次方案经常行不通：定位错了、修改引出新问题、测试结果推翻原有判断。模型能否根据反馈调整路径，比单次输出写得漂亮更重要。

Google 还称，Carbon 更少走捷径，更能抵抗提示词注入（prompt injection），也更善于与用户协作。提示词注入指的是外部内容夹带指令，诱导模型偏离用户原本的任务。对于需要读取代码、文档和工具结果的代理，这类干扰会直接影响任务执行。

但这些仍主要是 Google 的陈述。原文没有交代连续运行任务的数量、完成率、人工介入次数或资源消耗。「跑了数天」展示了持续执行能力，却不能单独证明效率更高。

在可信度方面，Google 称 Carbon 相比 Argon，将「缺乏依据的断言」约减半。这个指标值得关注，只是原文没有说明如何判定断言缺乏依据，也没有提供原始比例，不能把它理解成模型已经可靠到无需核验。

我的判断

我更看重「减少无依据断言」和「遇到阻碍后继续推进」这两个方向。开发者交给代理的任务越长，越需要它如实报告进度、承认失败，并用可检查的结果证明完成情况。

不过，这篇报道提供的是榜单排名、厂商宣称和内部观察，没有给出可复现的工程对照。它也不是作者亲自测试后的体验报告。

相比普通代码生成助手，Carbon 强调了安全与长期执行；相比现有安全扫描和人工审查流程，原文没有给出足以判断替代价值的数据。现在就说它能接管安全审计，依据不足。

接入条件也很现实：目前 Carbon 仅向部分网络安全防御公司开放，后续将扩展到 Fairwind Program 的其他合作伙伴，原文没有给出普遍开放的时间表。

定价方面，Google 公布的初始价格与 Argon 相同：每百万输入 tokens 为 $2，每百万输出 tokens 为 $10。这只是 token 单价。没有任务消耗数据，就无法计算一次持续数天的工程任务到底要花多少钱。

能拿来做什么

• 如果团队之后获得接入资格，可以选择一项已有验收标准的代码修复任务，记录完成率、人工介入次数和总消耗，用结果判断长任务能力是否有用。
• 如果关注漏洞发现，可以拿已确认的问题做对照，分别检查模型能否发现漏洞、解释触发条件并提出可验证的修复，避免把不同能力混成一个评分。
• 在日常 AI 编程中，可以把「无依据断言」列入验收项：模型声称修改完成、测试通过或漏洞修复时，都要求提供对应的代码变化和执行结果。