Google把新一代模型命名为Gemini 4 Carbon，主攻方向明确指向复杂编码、科学研究和网络安全。官方表述强调它面向长周期、多步骤任务，靠扩展的验证循环提升结果可靠性，跑得慢一点，但要跑得对。
“跑得慢一点，但要跑得对”这句话，把模型竞赛的评价标准从“单轮回答的速度和质量”挪到了“多步骤任务的完成度和可靠性”。单轮问答的竞争，比的是“谁答得快、谁答得准”；多步骤任务的竞争，比的是“谁能把一个跨小时甚至跨天的任务从头跑到尾、中间不跑偏、结果可验证”。两种竞争的胜负手不一样——前者的胜负手在“模型参数和推理速度”，后者的胜负手在“任务拆解、上下文管理、验证循环”三件事的工程化程度。
这条路线和通用模型的分工越来越清晰
日常问答、翻译、摘要交给轻量模型，成本低速度快；跨小时甚至跨天的工程任务交给Carbon这类重模型，按任务计费。企业的采购清单正在从单一模型变成模型组合。
模型组合的采购逻辑，和单一模型的采购逻辑不同。单一模型的采购，看的是“这个模型在各项基准测试上的分数”，选一个“总分最高”的；模型组合的采购，看的是“每一类任务用哪个模型最划算”，把任务按“复杂度、时长、可靠性要求”三个维度分类，每一类匹配一个模型。三个维度里，“可靠性要求”是决定用轻模型还是重模型的关键——一个翻译任务，错一个词的代价低，用轻模型；一个代码审计任务，漏一个漏洞的代价高，用重模型。企业采购清单的变化，本质上是“按任务的代价来分配模型预算”，而不是“按模型的总分来选一个”。
按任务计费的定价结构，对应用层的影响在“成本的可预测性”上。按 token 计费的模式，成本随“调用次数和上下文长度”走，一个长周期任务的 token 消耗可能到几十万甚至上百万，成本在任务开始前难以估算；按任务计费的模式，成本在任务开始时就被锁定，应用层可以“按任务报价”，而不是“按 token 报价”。两种定价模式的差别，决定了应用层能不能做“固定价格的产品”——按 token 计费时，应用层要么“把成本转嫁给用户”（按用量收费），要么“自己承担成本波动的风险”；按任务计费时，应用层可以“定一个固定价格、覆盖任务的平均成本”，产品的定价结构更简单。
对做AI应用的出海团队，选型逻辑要跟着变
任务拆解能力比单轮回答质量更重要，上下文管理和验证循环的调用成本要进产品模型。用户要的是结果交付，能把任务从头跑到尾的产品才有付费理由。
“任务拆解能力”的落点，是“产品能不能把一个模糊的用户需求，拆成一组可执行、可验证的子任务”。一个用户说“帮我审计这段代码的安全问题”，这句话背后是一组子任务：识别代码的语言和框架、扫描已知漏洞模式、分析数据流和权限边界、生成修复建议、验证修复之后漏洞是否关闭。五个子任务里，任何一个环节的“拆解粒度”不对，结果的质量就会打折扣——拆得太粗，“扫描漏洞”这一步会漏掉需要“跨文件分析”的漏洞；拆得太细，子任务的数量膨胀，调用的成本和时延上升。任务拆解的能力，不在模型本身，在“应用层怎么设计拆解的模板”——一个把“代码审计”拆成固定五步的产品，它的结果一致性高于“让模型自己决定怎么拆”的产品。
“上下文管理和验证循环的调用成本要进产品模型”这句话，对应的是“重模型的成本结构”。一个跨小时的任务，上下文可能积累到几十万 token，每一次“验证循环”都要把上下文重新读一遍，token 的消耗是“任务长度乘以验证次数”。成本的大头不在“第一次生成”，在“验证和修正”。应用层的产品模型，需要把“验证循环的次数”作为一个成本变量放进去——验证次数多，结果可靠性高但成本高；验证次数少，成本低但可靠性下降。产品的定价，需要按“目标客户能接受的可靠性水平”来定验证次数，而不是“验证次数越多越好”。
网络安全方向值得单独留意
攻防场景对模型可控性要求高，也意味着客单价高。编码助手的竞争已经白热化，科研辅助和安防审计这类细分场景仍是留白地带，先占位的团队有机会吃到定价权。
网络安全场景的“可控性要求高”，具体落在三个约束上。第一是“可解释”——一个安防审计的结论，需要能说清楚“为什么判定这是一个漏洞”，而不是“模型觉得这是漏洞”；第二是“可复现”——同一个输入，多次运行的结果需要一致，不能“这次说有问题、下次说没问题”；第三是“可审计”——模型的每一步判断，需要留下记录，供人工复核。三个约束，对模型的要求不是“更聪明”，是“更稳定、更透明”。Carbon这类重模型的“验证循环”，恰好对应“可复现”和“可审计”两个约束——验证循环的每一步都有记录，结论的得出过程可以被追溯。
客单价高的原因，在“替代的人力成本”上。一个安防审计的岗位，人力成本以“人月”计；一个能完成同类任务的模型产品，定价可以按“人力成本的一个比例”来定，这个比例即使只有两成，客单价也远高于“编码助手”这类“按席位收费”的产品。高客单价的另一个来源，是“责任的转移”——企业采购安防审计服务，买的不只是“审计结果”，还有“出问题时的责任分担”，高客单价里有一部分是“责任溢价”。
科研辅助和安防审计这两个细分场景的“留白”，在于“场景的标准化程度低”。编码助手的场景标准化程度高——写函数、改 bug、补测试，任务边界清晰，产品容易做；科研辅助的场景标准化程度低——文献综述、实验设计、数据复现，每个学科的任务边界不同，产品需要“按学科做定制”；安防审计的场景标准化程度中等——漏洞扫描有标准，但“业务逻辑漏洞”的判定依赖行业知识。标准化程度低的场景，先占位的团队有机会“用自己的产品定义这个场景的标准”，标准一旦被定义，后来者的适配成本高于“从零做产品”的成本。
模型竞赛的计分板换了
从答得快变成跑得完，应用层的选型、定价和产品设计都得跟着这套新标准重排一遍。
“跑得完”这个标准的落点，是“任务完成率”这个指标。单轮问答的评价指标是“准确率”，多步骤任务的评价指标是“完成率乘以完成质量”。一个任务如果“中间某一步出错、但最终结果被修正了”，它算“完成”；一个任务如果“中间每一步都对、但最后一步因为上下文超限而中断”，它算“未完成”。完成率的瓶颈，通常不在“模型的推理能力”，在“上下文的长度限制”和“任务的步数限制”。应用层的产品设计，需要把“任务拆成几个子任务、每个子任务消耗多少上下文”作为核心设计参数，而不是“把整个任务一次性丢给模型”。
选型的重排，落在“按任务类型匹配模型”上。一个应用如果有“三类任务”——简单查询、中等复杂度的生成、长周期的审计，三类任务分别匹配“轻模型、中模型、重模型”，成本结构从“全部用重模型”降到“按需匹配”。按需匹配的难点，在“任务类型的自动识别”——用户输入一个需求，系统需要判断“这个需求属于哪一类”，判断错了，轻模型处理复杂任务会出错，重模型处理简单任务会浪费成本。任务分类器的准确性，是“模型组合”方案能不能跑通的前置条件。
对内容生态的间接影响也值得记一笔
长周期任务模型成熟之后，自动化测试、代码审计、科研复现这类工作流的外包需求会向AI倾斜，服务商的价格体系要重排。
外包需求向AI倾斜的路径，可以按“任务的标准化程度”来分。标准化程度高的任务（自动化测试、常规代码审计），最先被AI替代，因为“输入和输出的格式固定、质量的判断标准清晰”；标准化程度中等的任务（复杂业务逻辑的审计、跨系统的集成测试），AI承担“初筛和辅助”，人工承担“判断和决策”；标准化程度低的任务（科研的实验设计、安防的策略制定），AI承担“资料整理和方案草拟”，人工承担“核心判断”。三类任务里，第一类的价格下降最快，因为“供给增加、门槛降低”；第二类的价格“结构性调整”，从“按人天计费”转向“按项目计费”，AI压缩了人天，但项目的总价未必下降；第三类的价格“上升”，因为“AI把低价值的环节接走之后，人工集中在高价值的环节，单位时间的价值上升”。
服务商的价格体系重排，落到具体动作上，是“把报价单拆成‘AI承担的部分’和‘人工承担的部分’”。一个代码审计的服务商，过去按“人天”报价，现在可以按“AI初筛的费用加人工复核的费用”报价——前者是“按代码行数或项目规模”计费，后者是“按复核的时长”计费。拆开报价的好处，是“客户能看到钱花在哪里”，坏处是“客户会对比‘AI部分的价格’和‘自己用AI的成本’”，服务商需要证明“自己的AI部分比客户自己用AI更高效”，这个证明依赖“服务商的工具链和流程积累”。
应用层不必急着追新，先把自家产品里耗人工最多的环节列出来，对照新模型的能力清单找重合点，能接上的提前做适配，接不上的留意竞品动向。模型迭代快，场景判断慢，慢的更要想清楚。
“耗人工最多的环节”这个盘点，可以按“三个维度”来排。第一个维度是“频次”——这个环节每天/每周发生多少次，频次高的环节，AI替代的收益大；第二个维度是“单次耗时”——这个环节每次消耗多少人工时间，耗时长的环节，AI替代的收益大；第三个维度是“判断的复杂度”——这个环节需要多少“依赖经验、难以标准化”的判断，复杂度高的环节，AI替代的难度大。三个维度交叉，“频次高、单次耗时中等、判断复杂度低”的环节，是AI最先能接上的；“频次低、单次耗时高、判断复杂度高”的环节，是AI最后才能接上的。
“留意竞品动向”的落点，是“看竞品在哪个环节先做了适配”。一个竞品如果“在代码审计的初筛环节接了重模型”，它的“初筛成本”下降，报价可以压低；一个竞品如果“在科研辅助的文献综述环节接了重模型”，它的“综述生成速度”提升，交付周期缩短。竞品的适配动作，会改变“这个细分场景的竞争规则”——从“比谁的人工更专业”变成“比谁的模型用得更好、流程设计得更顺”。自己的适配节奏，需要和“竞品的动作”对齐，而不是“按自己的技术储备来排”——技术储备领先但适配晚了的团队，会在竞品已经改变竞争规则之后，才发现“自己的技术优势没有转化成产品优势”。