大家好，这里是最佳拍档，我是大飞。两周前，谷歌刚发了 Gemini 4 Argon；10月28日，谷歌又发了一个新模型叫 Gemini 4 Carbon。差不多同一时间，第三方评测机构 Artificial Analysis 更新了大模型智能指数榜单，Carbon 以59分排第一，把坐在这个位置上的 Claude Opus 5.5 挤了下去。就连谷歌 CEO 皮查伊自己都在 X 上调侃，说谷歌现在在周期性地发布模型：上一代的代号是氩（Argon），这一代的代号是碳（Carbon），都是化学元素。

Arena 能力评测负责人 Peter Gostev 是这么评价这两代的：“Carbon 比 Argon 强太多了，我真希望他们当初干脆跳过 Argon 直接发这一版。”今天这期视频，我们就来回答三个问题：第一，这个榜首的成色到底怎么样？第二，这次发布里比分数更重要的变化是什么？第三，为什么一个刚发布的“世界第一”你现在大概率还用不上。

谷歌官方博客给 Carbon 的定位很明确：就是谷歌最强的模型，主打两个方向——网络安全和长程任务能力。注意，官方没有公布参数规模，也没有公布架构细节，只说它建立在两周前的 Argon 之上，通过后训练和智能体环境优化往前推了一步。这个“只讲能力不讲配方”的做法，现在已经是头部实验室的标准动作了。

先看分数的成色。Artificial Analysis 的智能指数是把知识、推理、编程、数学一堆测试加权算出来的综合分。这次的版本是 v5.0，Carbon 拿到59分，Opus 5.5 是58分，GPT-6 Astra 是57分。分差不大，但是座次变了。在谷歌官方公布的14项核心基准里，Carbon 拿了12项第一；如果把社区测试也算上，口径放宽到17项，则拿了15个第一。Arena 的社区盲测中，Carbon 文本总榜1528分全球第一。

Agent 总榜全球第二。那它具体强在哪呢？我们大概可以拆成三块。第一块是这次最用力宣传的网络安全。谷歌给了一条完整的链路：先找漏洞，再验证漏洞能不能被利用，最后补漏洞。三个环节各有一个公开基准：找漏洞的是 SEC-bench Pro，用的是183个真实高危漏洞任务，Carbon 拿到88.2%，GPT-6 Astra 是85.4%。

验证环节的是 ExploitGym，Carbon 54.8%，第二名 Astra 是42.4%，拉开了十几个百分点。补漏洞的是 CWE-bench，覆盖6种编程语言、73类弱点、120个真实漏洞任务。Carbon 是71.0%，如果允许试4次，通过率能到81%。还有两个来自实战的数字：谷歌内部基准里 Carbon 生成安全代码的成功率比 Argon 翻了一倍多；Chrome 团队反馈，在生成高质量补丁这个任务上 Carbon 比另一家头部实验室的前沿模型强10倍以上。

云安全公司 Wiz 也观察到，它在 Web 渗透测试基准上领先。注意，这几个是谷歌自己或合作方的口径，不是独立第三方，听的时候要打个折扣。第二块是长程任务，也就是连续干活的能力。官方博客里说，内部团队已经看到 Carbon 连续运行好几天，在大型代码库和底层系统里做多步骤的工程任务。

比如定位并且修补那些藏得很深的 bug，走进死胡同了还能自己退出来接着试。支撑这个的是100万 Token 的上下文。第三方评测数据里有个叫 GraphWalks 的超长上下文测试，256K到100万 Token 的区间 Carbon 拿到了96.2%，GPT-6 Astra 是71.8%，Opus 5.5 是66.8%。领先第二名20多个百分点；终端编程的 Terminal-Bench 4.0，Carbon 拿到65.2%，Opus 5.5 是59.6%，Astra 是59.1%。

第三块要泼点冷水了，因为它不是所有项目都第一。网页开发的 WebDev Arena 这个榜单用的是 Elo 等级分，Carbon 这次涨了89分到1768分，排名全球第四。软件工程的 FrontierSWE 2 Carbon 是61.2%，GPT-6 Astra 是65.5%。反超了它？不，是被 GPT-6 Astra 反超（原文语境暗示被超越或持平对比，此处按原文逻辑：GPT-6 Astra 是65.5%，反超了它[指Carbon]）。电脑操作的 OSWorld-2.1 Carbon 是81.5%，Opus 5.5 是87.2%。

还有一个很实际的指标：编程智能体专项指数，Carbon 搭配谷歌自己的 Antigravity 工具拿到了59分；而 Opus 5.5 搭配 Claude Code 拿到62分。也就是说，模型本身很强，但“模型+工具”的组合 Anthropic 那套仍然领先。知识工作这块也有短板，Carbon 的知识任务 Elo 还排在 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro 后面。所以准确的说法是，综合第一，局部被反超，还做不到全面碾压。

接下来要讲的是官方博客里篇幅最重的部分：这次真正的变化不是分数，是可靠。谷歌给了一组对齐数据。第一，作弊：在 Terminal-Bench 4.0 里 Carbon 的成功作弊率压到了0.0%，尝试走捷径的比例只剩0.4%。而且整体准确率还在涨。第二，诚实：在内部测试里没有依据的断言比 Argon 少了一半；它会把方法论的局限直接写进交付物里，而不是编一个东西来糊弄你。

第三，守规矩：在多步骤任务里越权操作减少了26%，敷衍漏做减少了29%。第四，防注入：在间接提示词注入基准 Gray Swan 里 Argon 当时的攻击成功率已经低到0.7%，Carbon 直接做到0.0%。15次攻击全部挡住，谷歌内部实测里高严重性的对齐警报数量降了接近80%。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%。

我们可以这么来理解这个变化：Argon 是个特别谨慎的学生，拿不准就不答，所以几乎不瞎编，但很多题也空着；而 Carbon 敢答了，答对的多了，代价是瞎猜的绝对值也上去了。不过横向比11%这个幻觉率在全行业仍然算很低，Opus 5.5 Max 和 GPT-6 Astra Max 在这项上大约是50%。究竟是“谨慎但平庸”还是“敢答且基本可靠”，这是两种产品性格，没有标准的答案。

但谷歌这一代明显选了后者。然后是第三个问题：这么强的模型，为什么你现在用不上？因为这次的发布策略跟以前不一样。Carbon 不是发布即全量开放，谷歌正在参与美国政府一个自愿性的预发布模型测试流程。从这周开始只向一小部分网络安全防御人员开放，之后通过一个叫 Fairwind 的可信伙伴计划逐步扩大范围。最后才是普通开发者、企业和消费者，时间表也没给。

官方博客的原话是：先在专业用户那里收集反馈、打磨护栏，再尽快推向产品。那为什么偏偏是网络安全方向先开放？官方的逻辑是：一个找漏洞、验证漏洞、补漏洞都做到第一的模型，本身就是一把双刃剑。在防御者手里它能把一个企业的暴露面整个扫一遍修一遍；到了攻击者手里，同一份能力可以用在相反方向。所以谷歌选择先把武器发给守门员。

但是这个策略在社区里引发了大量不满：榜单发得震天响，普通用户点进去却发现用不了。大量网友认为这种“发布即难用”的策略越来越像一场营销游戏。所以即便模型是真的强，也是真的暂时轮不到普通用户用。最后我们来算一本商业账：因为谷歌的财报和模型发布是同一天出的，我们先来看模型价格。

Carbon 首发延续 Argon 的优惠价：每百万输入 Token 2美元、输出10美元；缓存命中的输入再打95%的折扣，按首售价算是每百万0.1美元。标准价是输入4美元、输出20美元，跟 Opus 5.5 持平。但单价不是重点，重点是任务成本：根据媒体测算 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%。一个直观的解释是它的废话和重试更少，平均下来 Carbon 单次任务成本为7.76美元比 Opus 5.5 的10.04美元便宜约23%。

不过要注意 GPT-6 Astra 的单次任务成本是6.24美元比它还低。再来看大盘：谷歌三季度营收1275.77亿美元，同比增长约25%，已经是连续13个季度两位数增长。最亮眼的是谷歌云：营收307.09亿美元，同比增长103%翻了一倍；云业务营业利润率从23.7%拉到36.2%，积压订单5610亿美元折合人民币约3.7万亿。官方口径是超过55%预计未来24个月转化成收入。

在财报电话里需求侧的信号也很强劲：模型 API 每分钟处理近320亿个 Token，较一年前增长超过4倍；Gemini 应用用户到了10亿；财富100强里近90%在用 Gemini 企业版。基本盘搜索也没掉队：搜索及其他业务营收633.5亿美元，同比增长12%；搜索查询量的同比增速是过去5年最高的。接入 AI Mode 的查询平均长度大约为传统搜索的3倍。

还有一个容易被忽略的变化：谷歌的 TPU 不再只放在自己云上用，已经卖向客户自有数据中心和其他服务商。并且和 Oracle、CoreWeave 都建立了交付合作，芯片成了直接的收入贡献来源。但是同一页财报上还有另一组数：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1950亿到2050亿美元。管理层还说2027年要显著增加，大家可以感受一下钱已经烧到了多么恐怖的程度。

谷歌当季的自由现金流是负的90.65亿美元，净利润264.68亿美元同比下跌约24%。市场给出的反应很诚实：财报发布当天谷歌盘后股价跌了将近10%。这就是当下的谷歌，或者说当下的整个 AI 行业：收入和订单在翻倍，但是烧钱的速度翻倍得更快。模型两周迭代一次每一次都要靠后面的基础设施撑着。

社区里有个猜测说谷歌是不是摸到了 RSI 的门，也就是用 AI 辅助训练和优化下一代 AI 实现自我加速。这个猜测官方暂时没有证实，但是两周一更的这个节奏本身确实说明研发流程里有某种东西在加速。好，大概总结一下：Gemini 4 Carbon 综合榜单第一、网络安全全链路第一；长程任务能力跨进了“以天为单位”的门槛，可靠性指标大幅改善。

任务成本比 Opus 5.5 低两成多，它的短板也很明确：若干单项被对手反超；编程智能体组合分落后 Claude Code 那套。而且多数人现在还用不上，只不过当一个模型的发布节奏快到两周一次这说明榜单第一的保质期可能也就只有了两周。大家还会在意谁是那个世界第一吗？感谢收看，我们下期再见。