谷歌Gemini 4 Carbon两周反超竞品 登顶全球AI智能榜

谷歌近期推出的Gemini 4 Carbon模型，在Artificial Analysis最新更新的智能指数5.0中以59分的成绩登顶全球第一，一举超越了Claude Opus 5.5和GPT-6 Astra两大竞品。回溯两周前Gemini 4 Argon发布时，行业内部曾热议谷歌泄露的神秘模型存档点“Carbon”，当时内部工程师对其编程能力的评价仅为“接近Opus 5.5”。短短半个月后，正式版Carbon不仅在智能度与长程编程能力上实现对Opus 5.5的正面反超，更在代码安全、防作弊等维度大幅领先，甚至达成了100%免疫提示词注入的技术突破。

定价策略上，Carbon延续了Argon的首发半价优惠：输入Token单价为2美元/百万，输出Token为10美元/百万，仅为Opus 5.5定价的一半；针对Agent任务高频使用的缓存命中输入，还提供低至0.2美元/百万Token的95%骨折价优惠，进一步降低开发者的使用成本。

全天候自主工程师：长线执行能力碾压竞品

两周前发布的Gemini 4 Argon虽在长文本处理与多模态表现上亮眼，但综合智能指数（53分）与部分硬核终端任务仍被Opus 5.5压制。而Carbon精准补齐了这一短板，将模型能力推向“全天候自主工程师”的形态。在谷歌内部的实战编程环境中，研发人员观察到Carbon的特殊表现：它能连续运行数日，在庞大复杂的代码库与底层系统中自主探索，即便多次遭遇“死胡同”也会持续死磕，独立完成多步复杂工程任务——从定位隐蔽的Bug根因到写出修复补丁，全程一气呵成。

这种长线执行能力直接转化为多项硬核指标的反超：

• 命令行与终端工程：在Terminal-Bench 4.0测试中，Carbon以65.2%的成绩领先Opus 5.5（59.6%）与GPT-6 Astra（59.1%）；在科学终端任务Terminal-Bench-Science 0.1中，同样以64.8%位列第一，远超Opus 5.5的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拿下96.2%的高分，大幅甩开Opus 5.5（66.8%）与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16484美元，接近Opus 5.5（9235美元）的1.8倍。
• 全栈开发与企业任务：在WebDev Arena中，Carbon的Elo分数上涨89分至1769分，虽位列全球第四，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以70.4%微弱领先Opus 5.5的70.2%。

不过第三方评测也指出，Opus 5.5在部分纯代码工程领域仍有优势：比如FrontierSWE 2测试中，GPT-6 Astra（65.5%）与Opus 5.5（62.3%）排在Carbon（61.2%）之前；OSWorld-2.1离线子集上，Opus 5.5以87.2%保持第一，Carbon为81.5%；搭配官方CLI工具的Coding Agent专项指数中，Carbon得59分，仍比Opus 5.5（62分）低3分。

Token消耗效率：开发者的核心福音

对开发者而言，Carbon的核心竞争力之一在于Token消耗效率。独立评测数据显示，Opus 5.5完成单次智能指数评估平均需消耗17.3万输出Token，而Carbon仅需12.3万，输出量减少29%。这意味着，即便未来Carbon恢复至与Opus 5.5相同的定价，其单次任务平均成本（7.76美元）也比Opus 5.5（10.04美元）低约23%；若算上当前的首发半价，Carbon在实际生产环境中的账单成本还不到Opus 5.5的四成，为开发者节省了可观的算力开支。

安全攻防全满贯：从找洞到补洞的全方位能力

除常规编程外，Carbon的核心差异化卖点在于网络安全防御的全生命周期能力——这也是谷歌针对前沿模型漏洞挖掘问题的针对性突破。在移除安全护栏的满血状态下，Carbon在多项外部基准测试中表现亮眼：

• 精准定位真实漏洞：在包含V8引擎、Linux内核等高危漏洞的SEC-bench Pro测试中，Carbon拿下88.2%的成绩，不仅大幅超越前代Argon（78.8%），更领先GPT-6 Astra（85.4%），创下全新的最优水平。
• 验证漏洞可利用性：在漏洞利用基准测试ExploitGym上，Carbon以54.8%的成绩刷新最优水平，帮助安全团队精准排定漏洞修复优先级，此前Argon的成绩仅为35.1%。
• 生成有效修复补丁：在涵盖73种常见漏洞的CWE-bench测试中，Carbon达到71.0%，全面碾压Claude Opus 5.5（67.0%）与Argon（68.0%），能写出既修复漏洞又不破坏原有功能的代码。

内部测试显示，Carbon生成安全代码的成功率比Argon提升了2倍以上；谷歌Chrome浏览器团队的实战对比更指出，Carbon生成高质量安全补丁的表现，比另一顶级实验室的前沿模型强出10倍以上。

反作弊与可靠性：解决Agent执行的顽疾

模型在终端长时间运行时，开发者常面临模型“耍小聪明”走捷径作弊的问题——此前第三方审计曾揭露，部分高分模型会通过修改测试脚本等方式伪造“测试通过”。针对这一顽疾，谷歌在Carbon的对齐训练上做了重点优化：

• 作弊率归零：在Terminal-Bench 4.0测试中，Carbon在提升整体准确率的同时，将成功作弊率压至0.0%，尝试走捷径的比例仅为0.4%；内部团队的高严重性失调警报暴跌近80%。
• 降低幻觉与越界操作：内部测试中，Carbon做出无根据断言的频率比Argon降低约2倍，面对证据缺失或操作受阻时，会明确说明局限性而非强行脑补；执行多步计划时，越界操作减少26%，敷衍漏做减少29%。
• 100%免疫提示词注入：在Gray Swan IPI基准测试中，Carbon成功抵御了所有间接提示词注入攻击，攻击成功率为0.0%，解决了Agent读取外部内容时的劫持风险。

14天闪击战：RSI提速与模型进化逻辑

从9月底亮相的Gemini 4，到两周前的Argon，再到如今的Carbon，谷歌的模型迭代速度引发行业关注。谷歌CEO在社交平台上调侃称，谷歌内部并行训练了多个Gemini 4存档点，Argon实为内部的Barium-B存档点；DeepMind的核心技术在于，让顶尖AI辅助训练、评估下一代AI，实现了RSI（快速迭代）的全面提速。

不过Carbon虽已发布，但尚未正式上架：因具备较强的漏洞挖掘与利用能力，需经过发布前测试流程，目前仅向部分网络安全防御人员开放。行业普遍认为，谷歌此举或与竞品的上市节奏相关，而其他厂商的表现也备受关注。