出品 | 网易智能·今日硬核
作者 | 辰辰
编辑 | 王凤枝
“美国豆包”Gemini，重回AI榜单第一！
10月28日，谷歌发布新旗舰模型Gemini 4 Carbon。在评测机构Artificial Analysis最新的综合智能指数中，它以59分力压Claude Opus 5.5和GPT-6 Astra登顶。此时距离上一款Gemini 4 Argon向普通用户开放，才刚过去两周。不过，普通用户这次还得等等：谷歌计划本周先向部分网络安全防御人员开放Carbon，面向大众的具体时间尚未公布。
打榜拿高分这事，Gemini以前也没少干，不少用户对它的实际印象却算不上好。今年5月，就有创作者记录过一次典型经历：当他指出Gemini的错误时，模型先是一通猛夸，赞他眼光毒、找得准，唯独正事儿没给办明白。这句“美国豆包”的调侃背后，吐槽的正是这种嘴上说得无比热情、手头活儿却没干好的落差。
这次，谷歌把少瞎编、少自作主张列为了Carbon的重点改进方向。官方称，新模型遇到信息不足时，会说明还缺什么；执行任务时，也更少擅自超出用户的要求。在内部测试中，团队已经能让它连续运行数日，排查并修复大型软件项目里的复杂问题。
图：谷歌10月28日发布Gemini 4 Carbon的官方博文
一、总分登顶，写代码还差多少？
Carbon这次首先补上的，是Gemini与前排顶尖模型的差距。在Artificial Analysis的同一版智能指数中，上一代Argon拿到50分，Carbon直接拉升到59分，压过了58分的Claude Opus 5.5和57分的GPT-6 Astra。
图：Artificial Analysis综合智能指数，Carbon以59分排名第一
谷歌DeepMind掌门人德米斯·哈萨比斯在X上晒出成绩后，马斯克也在评论区回了一句“Impressive”，称赞这次表现令人印象深刻。
图：马斯克推文称赞Gemini 4 Carbon
不过，单看写代码，排在最前面的依然是Claude。在AA的智能体编程指数中，Carbon搭配谷歌自家的Antigravity工具拿到59分，Argon的同类组合为53分；而Claude Code搭配Opus 5.5拿到了62分。要注意的是，这里测的是模型搭配特定编程工具干活的表现，不能与前面的综合智能指数混为一谈。
图：AA智能体编程指数，Carbon与Argon使用Antigravity，Opus 5.5使用Claude Code
在谷歌官方公布的17项基准对比中，Carbon拿下了15项最高分，另外两项则分别由GPT和Claude领跑：考核智能体处理软件工程任务的FrontierSWE 2评测里，GPT-6 Astra以65.5%领先Carbon的61.2%；而在通过屏幕操作电脑的OSWorld 2.1离线子集评测中，Opus 5.5拿到87.2%，高于Carbon的81.5%。
换一张外部榜单，排位也会跟着变。在涵盖金融、编程、法律和税务任务的Vals Index中，Carbon以70.36%排在第二，略高于70.18%的Opus 5.5，但低于70.85%的Sonnet 5.5。在AA-Briefcase知识工作评测里，Carbon虽然比Argon涨了126分，但Kimi K3.1 Pro、Muse Wonder和Grok 4.7仍排在它前面。
网页开发表现同样有所提升。Carbon在WebDev Arena升至第四，比Argon高出89分，排在它前面的依然是Opus 5.5、GPT-6 Astra和Sonnet 5.5。总分榜首虽然已经到手，但在写代码、操作电脑、做网页这些具体战场上，Carbon还没能把单项第一全都收入囊中。
二、会夸人之外，能不能把事改对？
对于曾被Gemini绕晕过的用户来说，少返工可能比跑分多拿几分更实在。谷歌这次列出的改进，也专门瞄准了执行任务时那些让人头疼的老毛病。
谷歌称，遇到指令含混或参考资料互相冲突时，Carbon会先查找相关来源，把不一致的地方摆出来告诉用户，再往下推进；证据不足时，它会直接列出还缺什么信息，减少凭空捏造。在谷歌内部测试中，毫无依据的陈述比Argon减少了约一半。
针对“爱自作主张”的毛病，官方也给出了一组统计：Carbon擅自超出用户要求的行为减少了26%，原本该做却没做足的情况减少了29%。在内部团队的实际编程环境中，严重偏离预期行为的告警更是减少了近80%。当然，这些数据均来自谷歌内部评估，各项测试的对象和统计口径各不相同。
提前拿到测试资格的Peter Gostev在X上表示，他觉得Carbon比Argon强了太多，希望谷歌能继续保持这样的迭代速度。
图：Peter Gostev分享发布前试用Carbon的感受
评测平台Arena公布的早期数据里，也有一项指标值得留意：在“可引导性”（Steerability）单项上，Carbon排到了第一。这项指标专门衡量用户指出问题或提出进一步要求后，智能体能不能听劝、顺着指令改到位——这正对应了此前用户吐槽的“夸了半天，就是没改对”。
Arena同时披露，基于平台上约2.19万次真实智能体会话，Carbon在Agent Arena总榜排第二；单项任务的费用中位数约为1.8美元，比排名第一的Opus 5.5 Max便宜了72%。不过，这只是该平台特定会话下的表现与开销，不能直接等同于每个人日常使用的实际账单。
图：Arena公布的Carbon早期用户会话表现
另一方面，第三方独立测试并没有证明它在所有“防瞎编”指标上都变好了。在AA-Omniscience知识评测中，Carbon的答对率从Argon的48%提升到了58%，但幻觉率也从4%升到了11%（尽管在榜单中仍属较低水平）。
需要说明的是，这项测试里的“幻觉率”，算的是在答错、部分正确和拒答等所有“非满分回答”里，胡编乱造的错误答案占了多少。它并不代表模型所有回答里有11%是编的，也不能直接拿去和谷歌内部的“无依据陈述减半”做加减法。但至少在这项知识测试里，Carbon虽然答对的题变多了，遇到盲区时是不是真比上一代更能管住嘴、忍住不猜，第三方测试还没有给出同样乐观的结论。
三、找漏洞、修补丁，这次进步在哪
谷歌这次还把Carbon推向了耗时更长、更复杂的工程任务。在内部团队的使用中，它能连续几天扎在大型代码库和底层系统里排查问题，一条路走不通就换个方向继续试，直到揪出细微的错误并尝试打上补丁。
网络安全是此次重点展示的场景。在实战中，发现疑似漏洞只是第一步，安全人员还得验证漏洞能不能被实际利用，最后再决定怎么修补。谷歌公布的三项测试，正好对应了这几个环节：
在真实软件中挖掘漏洞的SEC-bench Pro里，Carbon得分为88.2%；在验证漏洞利用能力的ExploitGym里，它在单项任务限时10小时的条件下拿到54.8%，高于Argon同条件下的42%；而在修复漏洞根因的CWE-bench里，Carbon拿到71%，略高于Argon的68%。
上述三项成绩均在未启用安全护栏的评测条件下测得。谷歌内部还测试了它编写安全代码的能力，称Carbon的成功率超过了Argon的两倍；谷歌Chrome团队则透露，它在生成高质量补丁上的表现，比另一家实验室的某款大型前沿模型好上十倍不止，但并未点名具体是谁。
图：谷歌公布的ExploitGym成绩，图中不同模型的任务时限不完全相同
啃下大型工程项目，还得靠够大的记忆容量。Carbon支持100万token上下文。在要求模型顺着海量节点关系做检索的GraphWalks测试中，谷歌公布其在25.6万至100万token长区间内的得分为96.2%，远高于Argon的84.2%、GPT-6 Astra的71.8%以及Opus 5.5的66.8%。当然，这测的是超长上下文里的逻辑关系追踪，不等于普通长文阅读的准确率。
当模型连续干活的时间变长，会不会为了交差而耍小聪明走捷径？谷歌同样做了检查。在其公布的Terminal-Bench 4.0测试中，Carbon尝试作弊的比例为0.4%，最终成功作弊的比例降到了0。不过，这一结果仅限于当次评测，并不能保证它在今后的所有任务里都不会违规。
四、提前试用的人，也有人嫌它慢
模型正式发布前，测试者Lumina曾分享过一组标为Carbon的Arena演示，其中有一座体素风格的宝塔。画面里，层叠的楼阁、树木和水面都已经搭得有模有样。他认为生成效果比Argon有明显进步，但对速度很不满意：按他的直观感受，不同任务比之前慢了两到四倍。
图：Lumina将这组体素宝塔演示标为Carbon，具体测试版本未经确认
追踪这组演示的科技媒体TestingCatalog提醒，由于无法确认当时Arena后台挂载的具体测试版本，这份偏慢的体感还不能直接套到最终正式发布的Carbon头上。而在Vals目前已公开的综合数据中，Carbon完成单项测试平均耗时约47分45秒，Argon约为44分58秒；作为对比，Opus 5.5和Sonnet 5.5均超过了1小时。这些跑的都是涵盖金融、编程、法律和税务的复杂长任务，不能拿来推算日常普通聊天要等多久。
除了花多少时间，还得算算花多少钱。Carbon目前沿用了Argon的首发优惠价：每百万输入token收费2美元，输出10美元，缓存输入按输入价的5%计费。优惠期满后的标准定价将恢复为输入4美元、输出20美元，具体涨价日期尚未公布。
不过，纸面单价一样，干完一件活的总账单未必一样。 Artificial Analysis按恢复后的标准价格测算，Carbon跑完每项智能指数任务的加权平均成本为7.76美元，低于Opus 5.5的10.04美元（省了约23%），但高于GPT-6 Astra的6.25美元；与上一代Argon的7.68美元相比，单次任务开销基本持平，综合得分却涨了9分。
之所以单价不便宜、总账单却没爆表，是因为在这套测试里，Carbon平均每项任务消耗的输出约为12.3万token，比Opus 5.5的17.3万少了约29%。这也说明，算AI账不能光拿价目表上的单价相除。当然，如果手头的活不需要顶配模型，市面上还有更省钱的选择——比如综合得分55分的GPT-6.1 Sol，单项任务成本只要1.27美元。
至于普通用户哪天能亲自上手验货，谷歌还没给出准信。公司宣布，本周会先向一批网络安全防御人员开放，随后通过Fairwind计划逐步扩大到更多可信合作伙伴，最后才会向广大开发者、企业和普通消费者放开。此外，谷歌也已将该模型提交给美国政府参与自愿性的发布前安全测试。
从目前摆上台面的数据看，Carbon确实交出了比Argon好看得多的综合成绩单，早期测试中也出现了“指出问题更能听劝改对”的正向反馈。只是对那些曾被“美国豆包”绕晕过的用户来说，下次再指出它的错误时，能不能少来两句场面话、直接把活干漂亮，大概比再晒一张榜首截图更有说服力。
