今天凌晨，Google DeepMind 发布 Gemini 4 Carbon。这次的新旗舰把重点放在自主编程、长程任务和网络安全上，刚亮相就登上 Artificial Analysis 综合智能榜第一：59 分，超过 Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分。
Artificial Analysis 综合智能与编程 Agent 指数
谷歌 CEO 劈柴哥宣布 Carbon 时，特意提到它处理长程任务的进步：相比刚刚扩大开放的 Argon，提升仍然很明显。
更值得开发者留意的是另一张榜。过去谷歌在编程 Agent 上的表现常被拿来和 Claude、Codex 比，这次 Carbon 配合 Antigravity CLI，已经追到了 Opus 5.5 身后，还超过了搭配 Codex 的 GPT-6 Astra。
编程追上来了
Artificial Analysis 给出的结论很明确：Carbon 的综合智能排第一，编程 Agent 则仅次于 Opus 5.5。
它的编程 Agent 指数把模型和实际运行它的工具一起测试，当前三组成绩是：
-
Claude Code + Opus 5.5 Max：62 分。 -
Antigravity CLI + Gemini 4 Carbon High：59 分。 -
Codex + GPT-6 Astra Max：55 分。
同一套榜单里，Argon 是 53 分。Carbon 向前跨了 6 分，和 Opus 的距离缩到 3 分。
Artificial Analysis 编程 Agent 指数
换到 Google 公布的其他评测，三家的位置还有变化。
FrontierSWE 2 上，Astra 仍然更高：65.5%，Opus 5.5 为 62.3%，Carbon 为 61.2%。这组数字来自 Proximal 的公开榜单。
电脑操作也有类似区别。Google 汇总的 OSWorld 2.1 离线子集中，Opus 5.5 为 87.2%，Carbon 为 81.5%，Astra 为 80.9%。Carbon 略高于 Astra，但 Opus 仍有优势。这里比较的是 82 个无需联网的任务，Carbon 使用 Google 更新后的电脑操作 harness，其他模型取各自已发表的评测结果。
Google 公布的评测总表
长程能力
Google 这次反复强调的是长程能力。
内部团队观察到，Carbon 可以连续工作数天，尝试过的路线走不通后继续换方向，并在大型代码库和底层系统里定位问题、追到根因、修补细小但难找的 bug。
百万 token 上下文也有了更具体的结果。在 Google 对所有参评模型统一计算的 GraphWalks 长上下文测试中，256K 到 1M token 子集的 BFS F1 分数，Carbon 达到 96.2%，Astra 为 71.8%，Opus 5.5 为 66.8%。这项任务考的是在长输入里沿图结构追踪关系，不只是从一大段材料中找一句话。
网络安全则把这种连续工作能力推到了更难的地方：找漏洞、构造利用、修补代码，需要一步接着一步跑通。
在 Google 公布的 ExploitGym 图里，Carbon 的 6 小时任务成绩是 53.5%，把上限延长到 10 小时后升到 54.8%。图中 Opus 5.5 的 6 小时成绩为 34.5%，Astra 无时间上限的结果为 42.4%。
ExploitGym 结果与各模型任务时间上限
Carbon 在这项评测中通过 Antigravity 执行任务，不能联网，必须取得目标 flag，并经过判定确认利用的是指定漏洞才算成功。Google 在这组能力评测中关闭了防护限制；各模型的时间条件已经标在图里。
另一端的漏洞修补也有提升。CWE-bench 上 Carbon 为 71%，Astra 为 68%，Opus 5.5 为 67%。这也是 Carbon 首批优先开放给网络安全防御者的背景。
和 Opus 比更省
Carbon 公布的首发价格是每百万 token 输入 2 美元、输出 10 美元，之后的常规价为 4 美元和 20 美元。首发折扣目前没有明确结束日期。
单看 token 单价还不够。一个模型想得更久、输出更多，最后的账单也会变。
Artificial Analysis 按常规价格计算综合智能指数的每任务成本，结果是：
-
Opus 5.5 Max：10.04 美元。 -
Gemini 4 Carbon High：7.76 美元。 -
GPT-6 Astra Max：6.25 美元。
在这组任务里，Carbon 比 Opus 便宜约 23%，但比 Astra 贵约 24%。它平均每任务使用 12.3 万个输出 token，Opus 是 17.3 万个。
Artificial Analysis 按常规价格计算的任务成本
这让两场比较有了不同看点：对 Opus，Carbon 给出了相近的综合能力和更低的任务成本；对 Astra，则是多花一些钱，换取这套综合评测里的更高成绩。
Arena 的用户任务里，成本差距还要大一些。
Arena 发布的榜单里，Carbon High 首次进入 Agent Arena 就排第二，净提升指标为 +16.2%，每任务中位成本 1.80 美元，比排第一的 Opus 5.5 Max 低 72%。
同批公布的结果里，Carbon 在 Text Arena 排第一，WebDev 排第四。Agent Arena 的一个细项尤其有意思：用户提出纠正后，模型能否跟着调整方向，Carbon 排第一。
最后
Google 的安排是，本周先让部分受信任的网络安全防御者使用 Carbon，随后通过 Fairwind 计划扩大合作伙伴范围，再向开发者、企业和普通用户开放。
Josh Woodward 也确认了这个顺序：先给网络安全防御者，再扩大开放。他提到团队内部对这个模型的反馈不错，但还没有给出面向所有用户的具体日期。
回看这两周多，谷歌确实在连着放大招。10 月 13 日，Argon 扩大开放，让开发者和普通用户真正用上；10 月 27 日，Genie 4 把自然语言实时操控世界带到眼前；紧接着，Carbon 又把综合智能榜的第一拿了回来。
那个熟悉的谷歌，又回来了。
参考链接
-
Google DeepMind 发布介绍：https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/ -
Google 评测方法与结果：https://deepmind.google/models/evals-methodology/gemini-4-carbon -
Artificial Analysis 完整评测：https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-1