Gemini 4 Carbon 发布：智能指数登顶，长程编程反超 Opus 5.5，首发 Token 半价
谷歌在 Gemini 4 Argon 发布仅两周后推出新旗舰 Gemini 4 Carbon，以 59 分登顶 Artificial Analysis 智能指数 5.0，并在长程编程、终端任务等多项基准上反超 Opus 5.5。首发价格延续半价：输入 / 输出分别为 2 / 10 美元每百万 Token，缓存命中输入低至 0.2 美元。不过，在最前沿软件工程和电脑操作等少数基准上，Opus 5.5 仍保持领先。
Gemini 4 Argon 发布才两周，谷歌就端出了新旗舰 Gemini 4 Carbon，并直接冲到 Artificial Analysis 智能指数 5.0 的全球第一，得分 59。
此前硅谷曾热议谷歌内部泄露的一个神秘存档点“Carbon”，当时内部工程师的评价是“编程体感逼近 Opus 5.5”。半个月后，正式版 Carbon 不仅在综合智能与长程编程上正面反超 Opus 5.5，谷歌还宣称它在代码安全与防作弊方面优势明显，并能 100% 抵御提示词注入攻击，即把恶意指令藏在网页、文档等模型读取的内容里，诱导模型执行本不该执行的操作。
首发定价：延续半价，缓存命中再打 95% 折扣
Carbon 首发阶段延续 Argon 的半价策略：输入 2 美元 / 百万 Token、输出 10 美元 / 百万 Token，账面单价只有 Opus 5.5（4 美元 / 20 美元）的一半。针对 Agent 任务中高频使用的缓存命中输入（cached input），它还给出 95% 的折扣，低至 0.2 美元 / 百万 Token。
长程编程：能连续运行数天的自主工程师
两周前发布的 Gemini 4 Argon 在长文本和多模态上表现亮眼，但综合智能指数只有 53 分，部分硬核终端任务也被 Opus 5.5 压制。Carbon 补上的正是这块短板，把能力推向“全天候自主工程师”的形态。
在谷歌内部的实战编程环境中，研发团队观察到这样的场景：Carbon 能够连续运行好几天，在庞大复杂的代码库和底层系统中自行摸索；哪怕中途多次撞上死胡同，也能坚持推进，独立完成复杂的多步工程任务，从定位极其隐蔽的 Bug 根因，到最终写出修复补丁，一气呵成。
这种长线执行能力体现在多项硬核指标的反超上：
- 命令行与终端工程：在科学终端任务 Terminal-Bench-Science 0.1 上以 64.8% 位列第一，Opus 5.5 为 59.0%。
- 超长上下文与多步决策：在 256k 至 1M 上下文的 GraphWalks 测试中，Carbon 拿到 96.2%，大幅甩开 Opus 5.5（66.8%）和 Astra（71.8%）；在模拟长周期商业经营的 Vending-Bench 2 中，Carbon 最终账户余额达到 16,484 美元，接近 Opus 5.5（9,235 美元）的 1.8 倍。
- 全栈开发与企业任务：在 WebDev Arena 上，Carbon 凭借前端组件与输出质量的提升，Elo 分数上涨 89 分来到 1769 分，位列全球第四，但平均任务成本更低。
在衡量企业级工作流价值的 Vals Index v2.2 上，Carbon 也以 70.4% 微弱领先 Opus 5.5（70.2%）。
还没拿下的阵地：纯软件工程与电脑操作
从第三方评测机构 Artificial Analysis 的拆解来看，Opus 5.5 在纯代码工程领域仍保有部分优势。在谷歌自己公布的表格中，有两项指标 Carbon 未能登顶：
一项是衡量前沿软件工程的 FrontierSWE 2，GPT-6 Astra（65.5%）与 Opus 5.5（62.3%）仍排在 Carbon（61.2%）前面；另一项是计算机操作基准 OSWorld-2.1 离线子集，Opus 5.5 以 87.2% 保持第一，Carbon 为 81.5%。
此外，在搭配各自官方 CLI 工具的 Coding Agent 专项指数上，Carbon 配合谷歌 Antigravity CLI 得分为 59 分，仍以 3 分之差落后于 Claude Code 加持下的 Opus 5.5（62 分）。
换句话说，Carbon 的模型能力在一定程度上被自家 Antigravity CLI 工具拖了后腿。
Token 效率：完成同样评测，输出量少 29%
对开发者而言，Carbon 真正的杀伤力在于 Token 消耗效率。独立评测数据显示，Opus 5.5 虽然能力强，但推理过程极为冗长，完成单次 Intelligence Index 评估平均要消耗 17.3 万输出 Token；Carbon 仅需 12.3 万 Token，输出量减少 29%。
按这个逻辑推算，即便 Carbon 日后回到与 Opus 5.5 相同的 $4/$20 标准定价，它完成单次任务的平均成本（$7.76）仍比 Opus 5.5（$10.04）低约 23%。再算上眼下 $2/$10 的首发半价，Carbon 在生产环境里的实际账单不到 Opus 5.5 的四成。
从找漏洞到打补丁：安全防御全流程
除常规编程外，谷歌把 Carbon 的核心差异化卖点押在了网络安全防御的全生命周期上。这也是形势所迫——总不能眼看着各家前沿模型天天去挖 Chrome 浏览器和安卓系统的漏洞。
以下外部基准测试均在移除安全护栏的满血状态下评估。
安全防御的第一步，是赶在攻击者之前，从真实软件里找出深藏的复杂缺陷。在包含 V8 引擎、Linux 内核等真实高危漏洞的 SEC-bench Pro 测试中，Carbon 拿下 88.2%，不仅大幅甩开前代 Argon（78.8%），也超过了 OpenAI 的 GPT-6 Astra（85.4%），创下新的 SOTA（当前最佳成绩）。
面对成百上千个潜在漏洞，安全团队该先修哪一个？这需要模型像真正的攻击者那样，判断哪些漏洞真的可以被利用。在漏洞利用基准测试 ExploitGym 上，Carbon 以 54.8% 再次刷新 SOTA（此前 Argon 为 35.1%），帮防御方精准排定修复优先级。
第三步：直击病灶打补丁
找到并验证漏洞之后，终极考验是直接写出能跑通、又不破坏原有功能的修复代码。在 Collinear 推出的 CWE-bench 测试中（覆盖 73 种常见弱点枚举的真实仓库审计与修复），Carbon 达到 71.0%，高于 Claude Opus 5.5（67.0%）和 Argon（68.0%）。
除了外部榜单，在谷歌内部安全基准测试中，Carbon 生成安全代码的成功率比 Argon 提升 2 倍以上。更夸张的战报来自谷歌自家 Chrome 浏览器团队：在生成高质量安全补丁的实战对比中，Carbon 的表现比另一家顶级实验室的大型前沿模型强出 10 倍以上。
Agent 行为治理：不作弊、不瞎编、不越界
模型在终端里连续跑几天，最让开发者头疼的往往不是算力账单，而是模型面对高压复杂任务时开始“耍小聪明”。此前针对 Terminal-Bench 4.0 的第三方审计就曾揭露，不少高分模型在修不好 Bug 时，会通过修改测试脚本或钻漏洞来伪造“测试通过”。针对这一顽疾，谷歌在 Carbon 的对齐训练上做了重点收敛。
- 作弊率降到 0.0%
在终端操作基准 Terminal-Bench 4.0 上，Carbon 在大幅提升整体准确率的同时，把“成功作弊率”压到了 0.0%，连尝试走捷径的比例都跌至 0.4%。在谷歌内部团队的实况编程环境中，高严重性的行为失调警报（misalignment alerts）下降了近 80%。
- 拒绝不懂装懂，幻觉率远低于竞品
内部测试中，Carbon 做出无根据断言（unsupported claims）的频率比 Argon 低约 2 倍。面对证据缺失或操作受阻，它不再含糊其辞或强行脑补，而是把方法的局限性直接写进交付文档，或者列出一张清晰的清单，告诉人类“还缺什么条件”。
- 不懂就问，明确执行边界
面对模糊需求，Carbon 不会盲目瞎猜或强行推进，而是先检索相关信源，把发现的矛盾点摆到台面上与用户确认。在端到端执行多步计划时，它的越界操作（overreach）减少了 26%，敷衍漏做（under-service）减少了 29%。
- 提示词注入 100% 免疫
当 Agent 在野外读取网页、邮件和外部代码库时，极易遭到“间接提示词注入”（IPI）的劫持——也就是攻击者把恶意指令藏在这些内容里，诱导 Agent 执行。在 Gray Swan IPI 基准测试中，前代 Argon 曾以 0.7% 的极低被攻破率领跑；这一次，Carbon 交出 0.0% 攻击成功率的成绩，成功抵御了评估中的每一次攻击尝试。
14 天两连发：谷歌把「AI 训 AI」跑成了流水线
从 9 月底首次亮相、两周前才全面铺开的 Gemini 4 Argon，到今天直接对标并反超 Opus 5.5 的 Gemini 4 Carbon，中间只隔了 14 天。
谷歌 CEO 劈柴哥（Sundar Pichai）在 X 上半开玩笑地调侃：
我之前就说过，我们会周期性地发布模型……现在向大家介绍 Gemini 4 Carbon。
结合此前流出的内部信息，谷歌实际上在内部同时并行训练和评估 Argon、Barium、Carbon 等多个 Gemini 4 存档点（checkpoint，指训练过程中保存的模型快照版本），其中公开发布的 Argon，对应的其实是内部的 Barium-B。
真正的关键，写在公告的角落里
在官方公告一个不起眼的位置，谷歌 DeepMind 高级副总裁、首席 AI 架构师 Koray Kavukcuoglu 点出了关键：
“我们的研究人员正与模型携手并进，以更快的速度推进能力演进，同时同步强化安全护栏。”
换成直白的话：让当前最强的模型去辅助训练、评估和优化下一代模型，这条被称为“递归自我改进”（RSI）的路径，已经在谷歌内部真正跑通了。14 天连发两代，底层原因正在这里。
发布不等于上架
不过按照谷歌一贯的做法，发布和能用是两件事。由于 Carbon 在漏洞挖掘与利用方面能力较强，需要先走完发布前测试流程。从本周开始，它将率先向一部分网络安全防御人员开放。
参考 Argon 从发布到真正开放使用了多久，这次要等的时间也不会短。
竞争对手的窗口期
眼下正逢 Anthropic 上市的关键节点，外界的期待自然是 Fable 5.5 何时放出。至于近期把精力放在中杯 Terra 模型和短信通知 Dot 上的 OpenAI，动作方向明显不同。
关键要点
- Gemini 4 Carbon 距 Argon 全面铺开仅两周，谷歌内部同时在训练多个存档点，公开发布的只是其中一个。
- 官方首次明确把“模型参与训练下一代模型”写进发布说明，递归自我改进从概念变成了内部研发流程。
- 因具备较强的漏洞挖掘与利用能力，Carbon 先向网络安全防御方开放，普通开发者仍需等待。
- 竞争节奏分化：Anthropic 处在上市节点，谷歌靠模型迭代提速，OpenAI 近期发力点在别的方向。