Google DeepMind 发布 Gemini 4 Carbon，登顶 Artificial Analysis 智能指数

Google Deepmind 在发布 Argon 仅两周后推出 Gemini 4 Carbon，新模型登顶 Artificial Analysis 智能指数。

Carbon 在 Artificial Analysis 智能指数最近更新的 5.0 版本中取得 59 分，而前代 Argon 则以 50 分落后。除了在智能体任务和编程方面的整体提升，Google 还强调了涵盖网络防御全生命周期的能力，从检测和验证漏洞到修补漏洞。

Carbon 在 AA 指数总体排名第一，但在 Claude Code 的智能体编程方面仍略逊于 Opus 5.5。 | 图片来源：AA

专为多天编程会话打造

Google Deepmind 表示，Carbon 是为那些需要持续智能体工作流的“更困难、长周期工程问题”而设计的。Google 声称，内部团队连续多天运行该模型，在此期间它自行走出死胡同，并处理了大型代码库和底层软件中的根本原因分析和细微 bug 修复等复杂的多步骤任务。

Google 还报告称，根据用户反馈，该模型在科学推理、多模态理解和全栈 Web 开发方面有所改进。Web 开发方面更高质量的输出和成果使 Carbon 在 WebDev Arena 上的 Elo 分数提升了 89 分，目前以 1,769 分位列第四。

在 Google 自选的基准测试中，Gemini 4 Carbon 在 16 项测试中有 15 项夺得第一，尤其在长上下文和安全任务方面遥遥领先。 | 图片来源：Google Deepmind

在 Gray Swan 的间接提示注入基准测试中，Carbon 将攻击成功率从 Argon 的 0.7% 降至 0.0%，据 Google 称它挡下了所有被测试的操纵尝试。这并不意味着提示注入已被解决，但该测试似乎已达到饱和。

独立评估印证了 Google 的数据

据 Artificial Analysis 称，Carbon 在其最高推理档位（"high"）下领先智能指数 v5，主要得益于在复杂推理、知识检索和科学任务中的最高分，在该指数的九项独立评估中有四项位居第一。

在 Antigravity 上的智能体编程中，Carbon 虽然相比 Argon 从 53 分跃升至 59 分，但仍落后搭载 Opus 5.5 的 Claude Code 三分。在 AA-Briefcase 的智能体知识工作中，Carbon（high）相比 Argon（high，1,483 Elo）提升 126 分，达到 1,609 Elo，主要得益于演示质量（+293 Elo 至 1,598）和分析质量（+120 Elo 至 1,671）。它仍落后于 Kimi K3.1 Pro（1,678 Elo）、Muse Wonder（max，1,659 Elo）和 Grok 4.7（xhigh，1,638 Elo）。

相比 Argon，答案准确率从 48% 提升至 58%，而幻觉率则从 4% 上升至 11%。虽然有所上升，但在排名中仍是第二低。Claude Opus 5.5（max）和 GPT-6 Astra（max）均为 50%。

评估平台 Vals AI 将 Carbon 以 70.36% 的准确率排在第二位，落后于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%）和排名第四的 Argon（69.24%），且成本更低。

在 Vals 指数 v2.2 中，Gemini 4 Carbon 以 70.36% 的准确率排在 Claude Sonnet 5.5（70.85%）和 Claude Opus 5.5（70.18%）之间。每次测试成本为 10.51 美元，运行时间不到 48 分钟，比两款 Anthropic 模型都更便宜、更快。 | 图片来源：Vals AI

在 Vals.ai 上，Carbon 在 Finance Index 和 Legal Research 两项基准测试中也都位居榜首。在法律研究方面，Vals AI 记录到其引用来源数量比 Argon 多出约 45%，工具调用更频繁，响应也更长。

但 Finance 和 Tax Agent 基准测试中的任务耗时是 Argon 的两倍多，而在 Legal Research 中，Carbon 平均每项任务耗时超过 50 分钟。该模型生成的推理 token 数量是 Argon 的 2.3 倍，输出 token 多 64%，不过仍不到 Sonnet 5.5 和 Opus 5.5 输出 token 数量的一半。

在 Arena.ai 上，Gemini 4 Carbon (High) 以 1,528 分登顶 Text Arena，略微超过 Argon（1,520 分）。在 Agent Arena 中，该模型在超过 21,900 场真实会话中排名第二，领先于 GPT-6 Astra 和 Fable-5.1，净提升 16.2%，并拥有最高的可控性得分（+18.6%）。其中位数任务成本为 1.80 美元，比第一名的 Claude Opus 5.5 (Max) 低 72%。

Arena.ai 将 Gemini 4 Carbon (High) 在 Agent Arena 中排在第二位，净提升 +16.2%，落后于 Claude Opus 5.5 (Max，+21.1%)，领先于 GPT-6 Astra (Max，+13.4%)。| 图片来源：Arena

在 Code Arena 的 WebDev 类别中，Carbon 达到 1,768 分（比排名第十一的 Argon 高 89 分），总排名第四，仅比 Claude Sonnet 5.5 (xHigh，1,770 分) 低两分。这使其在全部三个学科中都处于 Pareto 曲线之上。

Carbon 在无护栏的安全基准测试中领先

在多项安全测试中，Google 在没有安全护栏的情况下运行该模型。在衡量真实软件中自主漏洞发现的 SEC-bench Pro 上，Carbon 得分 88.2%，领先所有受测模型。在测试系统能否将发现的漏洞转化为可用漏洞利用的 ExploitGym 上，该模型达到 54.8%。Carbon 在 CWE-Bench 修复编写上也以巨大优势排名第一。

在 SEC-bench Pro（88.2%）、CWE-bench（71.0%）和 ExploitGym（运行十小时为 54.8%）上，Gemini 4 Carbon 均领先 GPT-6 Astra 及其前身 Argon。| 图片来源：Google Deepmind

Google 还引用了无法独立验证的内部结果。据称，在内部基准测试中，Carbon 生成安全代码的频率是 Argon 的两倍多；而在 Google Chrome 团队的测试中，它编写安全补丁的表现比某 unnamed 竞争对手的前沿模型好十倍以上。

安全专家优先获得访问权限

Google 正在逐步推出该模型，并以 Carbon 的高级安全能力为由，参与美国政府发布前测试流程。精选的网络安全专家从本周起优先获得访问权限。随后，通过 Google Deepmind 的 Fairwind Program，访问权限将扩展到更多可信合作伙伴。

该公司计划在收集更多反馈并调整安全护栏之后，通过其产品界面向开发者、企业和消费者开放该模型。

Gemini 4 Carbon 以与 Argon 相同的 introductory 价格发布：每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 可享受比常规输入价格低 95% 的折扣。

在每项任务成本与 Argon 几乎相同的情况下（7.76 美元 vs. 7.68 美元），Gemini 4 Carbon 的得分提升了九分，达到 59 分，逼近帕累托曲线的顶端，同时也超过了价格更贵的 Claude Opus 5.5（10.04 美元）。| 图片来源：Artificial Analysis

Carbon 在 Artificial Analysis 智能指数中每项任务的成本为 7.76 美元，比 Claude Opus 5.5（最高配置，10.04 美元）便宜约 23%，比 GPT-6 Astra（最高配置，6.25 美元）贵约 1.2 倍。它平均每项任务输出 123,000 个 token，比 Anthropic 的模型（173,000 个 token）少 29%，而且价格几乎与 Argon（7.68 美元）完全持平。

Artificial Analysis 的计算基于每百万输入 token 4 美元、每百万输出 token 20 美元（缓存输入 token 另加 0.20 美元）的常规标价，忽略了当前持续到 2026 年底为止的 50% introductory 折扣。