谷歌发布Gemini 4 Carbon：网络安全与工程能力跃升的闭源旗舰模型

谷歌今日宣布了其最新且最智能的前沿人工智能模型： Gemini 4 Carbon 该模型承诺在网络安全和复杂软件工程领域实现性能提升，同时其初始代币价格与上一代旗舰模型Argon保持一致。根据谷歌内部测试及第三方测试结果，Carbon在绝大多数企业级基准测试中均位居全球第一。

然而，谷歌最初仅向其精选的网络安全防御者开放访问权限，这些人员隶属于其精心策划的“Fairwind计划”，大多数开发者和企业仍需等待更广泛的发布。谷歌表示，广泛发布将在“收集反馈并迭代优化防护机制”后“尽快”进行。

独立评估机构 Artificial Analysis 在其Intelligence Index v5.0榜单中，将采用高推理能力的Carbon列为榜首，得分为59分，领先于Claude Opus 5.5（58分）、GPT-6 Astra（57分）和Argon（50分）。

此外，在谷歌发布的 公告所涵盖的17项基准测试中，Carbon在其中15项中取得最高分；不过OpenAI在一项软件工程测试中仍保持优势，Anthropic则在一项计算机使用评估中领先。

谷歌表示，Carbon将以每百万输入代币2美元、每百万输出代币10美元的价格上市，对缓存输入代币提供95%折扣。

上述价格为临时定价：脚注注明后续价格将分别为每百万输入代币4美元、每百万输出代币20美元。谷歌在其发布博客文章中并未说明Carbon的 introductory 期何时结束。

独立测试还揭示了权衡取舍：Carbon在编程和知识型工作方面相较Argon大幅提升，但在多项专业任务上落后于若干竞争对手，并且在一项事实性知识测试中，其幻觉率高于Argon。

对企业而言，此次发布意味着谷歌在其公开测试中呈现了一款更强的模型，但其广告宣传的每代币价格相较于Argon并未上涨。目前它尚不能作为一款普遍可用的替代模型。Argon已于 10月13日更广泛地开放，仍是客户可通过现有公开服务进行评估的模型。

Carbon沿袭了Argon的发布路径，但侧重点不同

发布时间点要求区分Argon的发布声明与其公开上线时间。谷歌 于9月30日首次推出Argon，最初通过Fairwind计划向经批准的网络安全合作伙伴开放访问权限，随后于10月13日展开更广泛的发布。Carbon则在此扩展之后15天到来。

Argon已面向高要求的工程任务、专业研究及安全任务。谷歌曾描述其代理可协助内存优化及C/C++向Rust迁移，敏感代码变更须经测试及人工审核。网络安全亦为核心：Argon被设计用于发现漏洞、验证其严重性并生成修复方案。

因此，Carbon与Argon之间的主要区别在于谷歌所宣称的在这些既有领域——尤其是持续性工程工作、利用测试及代理可靠性——上的改进。谷歌尚未发布技术报告，也未说明Gemini 4 Argon是否采用了新模型架构，亦未披露参数量。

谷歌在由Google DeepMind高级副总裁兼谷歌首席AI架构师Koray Kavukcuoglu撰写的公告中写道：“在内部，我们的团队已观察到Carbon连续运行数日。”该公司描述该模型可在大型代码库中持续尝试多种方法，诊断错误并开发补丁，即使此前尝试均未成功。

Argon的 模型文档 已明确指出其共享上下文容量超过100万代币（含输入与输出），且支持超出默认65,536代币输出限制的扩展生成。

它支持文本、图像、视频、音频及PDF输入，并生成文本；同时在预览阶段支持函数调用、代码执行、结构化响应及计算机交互。

这些规格确立了Argon当前为开发者所提供的能力。Carbon的公告未提供等效的API规格说明，因此尚无法确认这些限制及所支持功能是否完全延续不变。

与此同时， 谷歌于10月13日的公告使Argon可通过其API获取，并将其引入付费消费者产品。其单独发布的 开发者上线通知 还指明可通过AI Studio和Android Studio获得访问权限。Carbon的公告则承诺将进行受控扩展，但未指明可比的公共端点或按产品划分的发布时间表。

前Windsurf首席执行官、现任谷歌Anitgravity负责人Varun Mohan以X平台账号 @_mohansolo发帖称：“……人们已在Antigravity内部使用Carbon解决他们最困难的任务，反响极佳。”

他表示，访问权限将先通过Fairwind计划扩大，再实现Antigravity的全面可用，并援引Carbon在漏洞发现与修补方面的功能。他的帖子提供了产品落地路径，但未给出发布日期。

价格相同，但截止期限与总成本仍不同

目前，Carbon提议的定价与Argon的introductory价及后续价格一致：

最后一行的区别至关重要。谷歌的 Argon开发者指南 明确指出其更高费率将于12月1日生效。Carbon目前尚无明确截止日期。

以一项示例性工作负载为例：使用1000万个未缓存输入token和100万个计费输出token，按公布的入门费率计算，token账单为30美元；按后续费率计算则为60美元。该计算未包含其他费用，并假设token消耗量保持不变。

相同的单位价格并不意味着完成一项任务的成本相同。Carbon的发布材料未提供进行成本对比所需的token消耗量、重试次数或执行时间，因而无法将其每项成功任务的成本与Argon进行比较。

Argon的文档使这一区别具体化：其输出费用包含推理token，且其低、中、高三级推理设置会影响token消耗量和响应时间。谷歌在启用 grounding 功能时，还会对关联的内部工具指令和函数定义所使用的token计费；若采用 Google Search grounding，则另需单独支付查询费用。

Carbon提供的95%缓存输入折扣力度很大，但公告并未说明其缓存机制。Argon指南描述了自动缓存，并明确指出不支持显式创建的缓存。开发者目前尚不能假定Carbon的实现方式将与之完全相同。

现有证据仅支持一个狭义的定价结论：谷歌正以匹配的token费率宣传更优的基准测试性能。它尚未公布足够的运行数据，以证实工程或安全工作完成后的实际支出更低。

基准测试提升范围广泛，但优势幅度各异

谷歌的对比显示，Carbon在全部17项已报告指标中均优于Argon。其中数项最大百分点增幅涉及长时间推理、安全测试及科学计算任务。

下表复现了谷歌发布图表中的部分得分。除AA指数外，各项差异均以百分点表示；AA指数的差异以指数点表示。

GraphWalks（Google报告的上下文长度跨度为256,000至100万个token）显示出与所列竞品之间尤为显著的差距：Carbon得分为96.2%，而Astra为71.8%，Opus为66.8%。该结果衡量的是在指定评估任务上的表现，并不独立证明Carbon生产环境API的调用限制。

软件工程领域的结果则不够一致。Carbon的SWE-sweep得分超过Argon的两倍，但其9.6%的结果仅比Astra的9.5%高出0.1个百分点。在FrontierSWE 2上，Carbon的61.2%落后于Astra的65.5%和Opus的62.3%。

计算机使用能力也呈现分化结果。Carbon在所展示的Agents’ Last Exam得分中领先，但Opus在OSWorld离线子集上达到87.2%，高于Carbon的81.5%。

在业务工作流方面，AutomationBench显示Carbon相较Argon仅有小幅提升（从51.3%升至53.9%），但仍保持对所展示的Astra和Opus结果的较大优势。Vals Index的结果则更为接近：Carbon的70.4%仅略高于Opus的70.2%。

其他报告的提升还包括图表解读、蓝图相似性及数学能力。在Vending-Bench 2上，Carbon最终银行余额为16,484美元，高于Argon的13,718美元和Astra的15,515美元。该结果属于基准测试结果，并非客户实际营收证据。

自主型组织初创公司 Andon Labs 称该结果使Google在Vending-Bench 2上时隔一年重返榜首。其图表追踪了约一个模拟年度内的余额变化，Carbon最终领先于Astra、Argon和Opus。评测方还将以下语句归因于Carbon：“我的首要目标是最大化利润并彻底消灭竞争对手。”

Artificial Analysis将其指数描述为 九项独立开展的评估的综合结果。其最新发布的图表确认Carbon位居第一，并标注该模型尚无公开可用的API。

这一领先优势基于一套经修订的测试套件，旨在降低饱和度及减少对公开问题的暴露。Artificial Analysis表示，v5版本中60%的测试采用私有测试题或隐藏答案。该版本新增FrontierCode 2.0和Terminal-Bench-Science，以HLE-Diamond替代HLE，并修订AA-Omniscience和CritPt。Omniscience更新移除了饱和及已公开的问题，补充了替代题目，并修正了存在问题的条目。Carbon的领先优势及其与Argon的对比均基于此修订版本；不应将其与旧版指数得分混为一谈。

Google的图表亦未提供任何不确定性估计。其最窄的分差无法确立某家公司特定工作负载下的决定性优势，尽管更广泛的比较表明其相较Argon取得了显著进步。

独立测试将编码能力进步与知识工作能力局限区分开来

Artificial Analysis报告 Carbon 在 Antigravity CLI 上运行其 Coding Agent Index 时获得单独的 59 分，比 Argon 的 53 分高出 6 分。Claude Code 搭配 Opus 5.5 以 62 分位居榜首。所展示的图表亦将 Claude Code 搭配 Sonnet 5.5 和 Muse Code 搭配 Muse Wonder Full 均列为 59 分，因此 Carbon 并非唯一获得该四舍五入分数的模型。

该代理指数评估模型在编码工具内部运行时的表现，而非衡量与通用 Intelligence Index 相同的一组能力。其三个组成部分分别为 FrontierCode v1.1、Terminal-Bench 4.0 和 SWE-Atlas-QnA-AA。

Artificial Analysis 将 Carbon 在前两项指标中均排在第二位，得分分别为 51% 和 64%。其 SWE-Atlas-QnA-AA 得分为 64%，落后于 Muse Code 搭配 Muse Wonder Full 的 69%。64% 的 Terminal-Bench 得分来自 Antigravity CLI 评估；谷歌单独进行的模型对比报告则显示为 65.2%。各项结果应保留在其原始评估语境中。

知识型工作呈现出更需审慎解读的图景。Carbon 在 AA-Briefcase 上达到 1,609 Elo，较 Argon 在高推理（high reasoning）层级上高出 126 分。但根据评测方数据，Carbon 仍低于 Grok 4.7 在超高推理（xhigh reasoning）层级上的 1,638 分、Muse Wonder 在最高层级（max）上的 1,659 分，以及 Kimi K3.1 Pro 的 1,678 分。

演示质量（Presentation quality）贡献了最大幅度的报告提升：Carbon 提升 293 Elo 至 1,598。分析质量（Analytical quality）提升 120 Elo 至 1,671。这些结果表明 Carbon 相较于 Argon 有所进步，但并未确立其在该项评测所覆盖的专业工作领域中的领导地位。

网络安全提供了最清晰的聚焦点——同时也附带一项评测警示。

谷歌围绕三个阶段组织 Carbon 的安全评测结果：发现漏洞、验证该漏洞是否可被利用，以及生成修复补丁。

在上述评测中，Carbon 相较于 Argon 最大的提升出现在 ExploitGym 上，得分从 42.0% 升至 54.8%。在 SEC-bench Pro 上，报告结果从 83.4% 提升至 88.2%。CWE-bench 则从 68.0% 提升至 71.0%。

这些区分在操作层面至关重要。仅发现可疑代码本身并不足以确立一个可被利用的缺陷；而成功演示一次利用行为，也不足以证明所提议的修复方案有效。谷歌将 Carbon 的结果呈现为分别对应上述各独立步骤的证据。

此处附有一项重要条件：谷歌表示，外部网络安全评测是在“无防护措施（without guardrails）”条件下进行的。因此，该公告并未证实客户在其部署所附带的任何限制条件下将获得相同分数。

谷歌还补充了内部证据，报告称 Carbon 在生成安全代码方面的成功率超过 Argon 的两倍以上。谷歌还表示，Chrome 团队观察到，Carbon 在生成高质量补丁方面相较某竞争实验室模型具有超十倍的优势。该竞争对手未具名，且公告未提供支撑该对比所需的底层结果，因而无法独立评估该比较。

这些主张延续了谷歌此前已针对 Argon 强调的工作。Argon 早期发布材料即描述了漏洞发现与修复能力，并将其与工程用途并列。Carbon 报告的更强结果强化了这一既有重点；但并未确立网络安全能力始于本次发布。

可靠性改进伴随受限范围的发布。

谷歌另一项与 Argon 的主要对比涉及模型在完成任务过程中的行为表现。

该公司报告称，Carbon 在内部测试中大致 将不支持的断言减半。 该公司表示，在其内部编码环境中，严重对齐警报（severe alignment alerts）下降近 80%，而超出任务要求（exceeding the assignment）和未能提供足够协助（failing to provide enough assistance）的指标则分别下降 26% 和 29%。

独立的事实知识测试使这一可靠性叙事变得复杂。Artificial Analysis 给予 Carbon 最高的 AA-Omniscience 分数 54，比 Opus 5.5 在最高推理（max reasoning）层级上的分数高出 6 分。Carbon 正确回答了 58% 的问题，高于 Argon 的 48%，但其报告的幻觉率（hallucination rate）则从 4% 上升至 11%。评测方报告 Opus 5.5 和 Astra 在最高推理层级上的幻觉率均为 50%。

该 基准测试的方法论 将幻觉率定义为错误回答数除以错误回答、部分正确回答及未作答三者之总和。因此，11% 并不意味着所有回答中有 11% 属于捏造。整体指数奖励正确回答，惩罚错误回答，并允许不作答而不受惩罚。

因此，Carbon 在该综合指标中领先，但在其幻觉分项上表现却逊于 Argon。该发现源自不同于谷歌内部不支持断言测量的另一项评测；这两项结果并未确立事实可靠性在各类任务中呈现统一提升或退步。

在 Terminal-Bench 4.0 上，谷歌报告称成功作弊率为 0.0%，尝试作弊率为 0.4%。对于一款预期应切实完成任务、而非利用测试漏洞或虚假宣称任务已完成的智能体而言，这些是相关的重要区分。

谷歌还报告称，Carbon 在 Gray Swan 的间接提示注入（indirect prompt-injection）评测中攻击成功率为 0.0%，而 Argon 为 0.7%。该结果仅适用于所评测的攻击类型，并不能确立 Carbon 对在每个代码仓库、文档或网页中可能遭遇的所有恶意指令均具备免疫能力。

据谷歌称，Carbon 采用与 Argon 相同的广泛安全方法，结合训练、防滥用防御、抗注入指令能力以及对模型推理过程的监控。该公司表示，额外工作聚焦于复杂或高要求任务下的行为表现。

这些改进仍属公司自行报告的测量结果。此次发布并未确立外部客户遭遇相同故障的频率，或能否复现这些降幅。

谷歌表示，其正参与美国政府自愿开展的发布前测试流程，同时收集反馈并完善防护措施。公司计划先通过 Fairwind 扩大 Carbon 的访问权限，再面向更广泛受众推出。

这使得企业面临两款旗舰模型之间一项实际区别：Argon 具备已记录的公开访问权限、API 行为规范，以及一项已明确时间节点的定价过渡安排；而 Carbon 在谷歌各项对比中报告的结果更强，匹配所宣传的 token 速率，但初始用户群体更窄。其更广泛的发布日期、详尽的 API 规范说明以及促销价格截止期限均尚未公布。