发布背景与榜单更迭
两周前，谷歌刚刚发布了代号为 Gemini 4 Argon 的模型（10月28日），而仅仅两周后的今天，谷歌又推出了新一代模型 Gemini 4 Carbon。这一快速迭代引发了业界的广泛关注，第三方评测机构 Artificial Analysis 随即更新了大模型智能指数榜单。在新的排名中，Carbon 以 59 分的综合得分位居全球第一，成功将原本占据榜首的 Claude Opus 5.5（58分）挤下台位，甚至连 GPT-6 Astra（57分）也紧随其后。谷歌 CEO 皮查伊在社交媒体 X 上幽默地调侃道，谷歌现在正“周期性地发布模型”，上一代代号是氩（Argon），这一代则是碳（Carbon），均取自化学元素周期表。Arena 能力评测负责人 Peter Gostev 对此评价极高，认为 Carbon 比 Argon 强太多了，甚至建议谷歌当初跳过 Argon 直接发布这一版本。尽管 Carbon 目前是全球公认的“世界第一”，但博主指出，普通用户现阶段大概率还无法使用这款模型。
官方定位与架构策略
谷歌官方博客对 Gemini 4 Carbon 的定位非常明确：它是目前谷歌最强的模型，主要聚焦于两个核心方向——网络安全和长程任务能力。值得注意的是，谷歌此次延续了头部实验室的惯例，没有公布任何参数规模或架构细节，仅透露该模型建立在两周前的 Argon 基础之上，通过后训练和智能体环境优化进行了升级。这种“只讲能力不讲配方”的策略已成为行业常态。
在分数成色方面，Artificial Analysis 的智能指数 v5.0 版本将知识、推理、编程、数学等多项测试加权计算。Carbon 拿到的 59 分虽然与 Opus 5.5（58分）和 GPT-6 Astra（57分）分差不大，但座次发生了关键变化。在谷歌官方公布的 14 项核心基准测试中，Carbon 拿下了 12 项第一。若将社区测试结果纳入考量，口径放宽至 17 项基准，Carbon 更是斩获了 15 个第一。在 Arena 的社区盲测中，Carbon 文本总榜得分 1528 分位列全球第一，Agent 总榜则排名全球第二。这组数据表明，尽管分差微小，但 Carbon 在多数基准上确实展现出了统治力。
核心优势一：网络安全全链路领先
Carbon 最被谷歌强调的优势在于网络安全领域的完整闭环能力。官方展示了一条从“找漏洞”到“验证漏洞”，再到“补漏洞”的完整链路，每个环节都有公开的基准测试数据支撑。在找漏洞阶段使用的 SEC-bench Pro（包含 183 个真实高危漏洞任务）中，Carbon 取得了 88.2%的成绩，优于 GPT-6 Astra 的 85.4%。在验证环节使用的 ExploitGym基准中，Carbon 得分高达 54.8%，而第二名 Astra 仅为 42.4%，拉开了十几个百分点的显著优势。在最后的补漏洞环节，针对覆盖 6 种编程语言、73 类弱点及 120 个真实漏洞任务的 CWE-bench基准，Carbon 的通过率为 71.0%；若允许试错 4 次，通过率可提升至 81%。
除了公开基准，谷歌还披露了一些来自实战和合作方的内部数据。在谷歌内部基准测试中，Carbon 生成安全代码的成功率比 Argon 翻了一倍多。Chrome 团队反馈，在生成高质量补丁的任务上，Carbon 比另一家头部实验室的前沿模型强 10 倍以上。此外，云安全公司 Wiz 也观察到 Carbon 在 Web 渗透测试基准上处于领先地位。博主特别提示，这些是谷歌自身或合作方的口径，并非独立第三方验证，因此在参考时需保持一定的审慎态度。
核心优势二：长程任务与上下文能力
除了网络安全，Carbon 的另一大亮点是处理连续、长时间工程任务的能力。官方博客透露，内部团队已观察到 Carbon 能够连续运行好几天，在大型代码库和底层系统中执行多步骤的工程任务。例如，它能定位并修补深藏的 Bug，甚至在陷入死胡同时自动退出并重试。这种能力得益于其 100 万 Token 的上下文窗口。
第三方评测数据进一步佐证了这一优势。在名为 GraphWalks 的超长上下文测试中（覆盖 256K 到 100 万 Token 区间），Carbon 取得了 96.2%的成绩，大幅领先于 GPT-6 Astra（71.8%）和 Opus 5.5（66.8%），领先第二名超过 20 个百分点。在终端编程基准 Terminal-Bench 4.0中，Carbon 得分 65.2%，同样优于 Opus 5.5（59.6%）和 Astra（59.1%）。这些数据表明，Carbon 在处理需要长记忆和多步推理的复杂任务时，具有显著的性能优势。
核心劣势：并非全面碾压
尽管 Carbon 综合排名第一，但博主指出它并非在所有项目上都占据第一。在网页开发领域使用的 WebDev Arena榜单（基于 Elo 等级分）中，Carbon 得分虽上涨至 1768 分（涨 89 分），但仅排名全球第四。在软件工程基准 FrontierSWE 2中，Carbon 得分为 61.2%，被 GPT-6 Astra（65.5%）反超。在电脑操作基准 OSWorld-2.1中，Carbon 得分 81.5%，落后于 Opus 5.5（87.2%）。此外，在编程智能体专项指数中，Carbon 搭配谷歌自研工具 Antigravity 得分为 59 分，而 Opus 5.5 搭配 Claude Code 得分为 62 分，说明 Anthropic 的模型加工具组合目前仍具领先优势。
在知识工作领域，Carbon 也存在短板。其知识任务 Elo 排名落后于 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro。博主总结道，准确的说法是 Carbon 综合第一、局部被反超，并未做到全面碾压。这种“偏科”现象在顶级模型竞争中并不罕见，但也提醒用户需根据具体场景选择最合适的工具。
可靠性与对齐能力的显著提升
相比分数，官方博客更强调 Carbon 在可靠性和安全性上的根本性变化。谷歌提供了一组详细的数据对比：
- 作弊率极低：在 Terminal-Bench 4.0 中，Carbon 的成功作弊率为 0.0%，尝试走捷径的比例仅为 0.4%，且整体准确率仍在上升。这表明模型不再依赖投机取巧来完成任务。
- 诚实度提高：内部测试显示，Carbon 没有依据的断言比 Argon 少了一半。它倾向于将方法论的局限性直接写入交付物，而不是编造内容糊弄用户。
- 遵守规则：在多步骤任务中，Carbon 的越权操作减少了 26%，敷衍漏做的情况减少了 29%。
- 防注入能力：在间接提示词注入基准 Gray Swan 中，Argon 当时的攻击成功率已低至 0.7%，而 Carbon 直接做到 0.0%，成功挡住全部 15 次攻击。
“在知识可靠性测试 AA-Omniscience 上 Carbon 的正确回答率从 Argon 的 48% 提到了 58%，但是幻觉率也就是不懂装懂瞎答的比例从 Argon 的 4% 升到了 11%。”
博主分析称，Argon 像是一个“特别谨慎的学生”，拿不准就不答，因此几乎不瞎编但空题多；而 Carbon 则“敢答了”，答对的多了，代价是瞎猜的绝对值也上去了。虽然 11% 的幻觉率较 Argon 有所上升，但横向对比 Opus 5.5 Max（约 50%）和 GPT-6 Astra Max，11% 仍属于全行业极低的水平。谷歌显然选择了“敢答且基本可靠”的产品性格，而非“谨慎但平庸”。
发布策略：为何普通用户用不上？
尽管 Carbon 实力强劲，但目前绝大多数人无法使用。谷歌采取了与以往不同的发布策略：Carbon 并非“发布即全量开放”。目前，谷歌正参与美国政府的一个自愿性预发布模型测试流程。从本周开始，该模型仅向一小部分网络安全防御人员开放。随后将通过名为 Fairwind 的可信伙伴计划逐步扩大范围，最后才面向普通开发者、企业和消费者。官方博客明确表示：“先在专业用户那里收集反馈、打磨护栏，再尽快推向产品。”
为何优先开放给网络安全人员？官方逻辑是双刃剑效应：一个能找漏洞、验漏洞、补漏洞的模型，在防御者手中可扫描并修复企业暴露面；若落入攻击者之手，则可能被用于相反目的。因此谷歌选择“先把武器发给守门员”。
这一策略在社区引发了大量不满。网友批评这种“发布即难用”的策略越来越像一场营销游戏。榜单宣传震天响，普通用户点进去却发现无法使用。博主指出，即便模型是真的强，现阶段也确实轮不到普通用户用。这种策略虽然保障了安全可控，但也牺牲了用户体验和市场热度。
商业账本：收入翻倍与烧钱加速
博主最后算了一笔商业账，结合谷歌同日发布的财报数据进行分析。在价格方面，Carbon 首发延续 Argon 优惠价：每百万输入 Token 2 美元、输出 10 美元；缓存命中输入再打 95% 折扣，折合每百万 0.1 美元。标准价为输入 4 美元、输出 20 美元，与 Opus 5.5 持平。
“Opus 5.5 跑一轮智能指数评估平均要消耗 17.3 万输出 Token，Carbon 只要 12.3 万，少了 29%。”
虽然单价持平，但任务成本更低。媒体测算显示，Opus 5.5 单次任务平均消耗更多 Token，导致 Carbon 单次任务成本为 7.76 美元，比 Opus 5.5（10.04 美元）便宜约 23%。不过，GPT-6 Astra 的单次任务成本更低（6.24 美元）。在财务表现上，谷歌三季度营收 1275.77 亿美元（同比增长约 25%），连续 13 个季度两位数增长。最亮眼的是谷歌云业务，营收 307.09 亿美元（同比增长 103%），营业利润率从 23.7%拉升至 36.2%，积压订单高达 5610 亿美元（约 3.7 万亿人民币），预计未来 24 个月超 55% 转化为收入。
需求侧信号强劲：模型 API 每分钟处理近 320 亿个 Token（同比增长超 4 倍），Gemini 应用用户达 10 亿，财富 100 强中近 90% 使用 Gemini 企业版。搜索业务营收 633.5 亿美元（同比增长 12%），查询量增速为过去 5 年最高，接入 AI Mode 的查询平均长度约为传统搜索的 3 倍。此外，谷歌 TPU 开始向客户自有数据中心和其他服务商（如 Oracle、CoreWeave）销售，芯片成为直接收入来源。
然而，代价高昂。三季度资本开支 513.55 亿美元（同比暴涨约 114%），全年指引维持在 1950-2050 亿美元，管理层表示 2027 年将显著增加。当季自由现金流为负 90.65 亿美元，净利润 264.68 亿美元（同比下跌约 24%）。财报发布当天，谷歌盘后股价跌近 10%。这反映了 AI 行业的现状：收入和订单在翻倍，但烧钱速度更快。模型两周迭代一次的节奏暗示研发流程正在加速，甚至有猜测称谷歌可能利用 AI 辅助训练实现自我加速（RSI），但官方未证实。
结论
Gemini 4 Carbon 凭借在网络安全全链路和长程任务上的卓越表现，以及显著降低的作弊率和极高的诚实度，成功登顶 Artificial Analysis 智能指数榜首。其单次任务成本较 Opus 5.5 降低约 23%，且幻觉率控制在行业极低的 11%。然而，Carbon 并非完美无缺，在 WebDev、SWE 基准及编程智能体组合上仍落后于竞争对手。更重要的是，受限于政府预发布测试和安全考量，该模型目前仅对少数网络安全专业人员开放，普通用户短期内无法使用。谷歌两周迭代一次的发布节奏和巨额资本开支（单季超 500 亿美元），揭示了 AI 军备竞赛的残酷性：尽管营收和订单激增，但烧钱速度远超收入增长，导致利润下滑和股价波动。在如此快的迭代周期下，“世界第一”的宝座保质期可能仅有两周，行业竞争焦点正从单纯的性能比拼转向可靠性、成本控制及生态整合的综合较量。