Google DeepMind 发布 Gemini 4 Carbon，登顶 Artificial Analysis Intelligence Index

Google Deepmind 在 Argon 发布仅两周后就推出了 Gemini 4 Carbon，新模型登顶 Artificial Analysis 智能指数榜首。

Carbon 在最近更新的 5.0 版 Artificial Analysis 智能指数上拿到 59 分，而前代 Argon 以 50 分落后。除了智能体任务和编程能力的普遍提升，Google 还强调其能力覆盖网络防御全生命周期，从发现、验证漏洞到修补漏洞。

Carbon 在 AA 总指数上领先，但在 Claude Code 的智能体编程评测中仍略逊于 Opus 5.5。| 图片：AA

为多日连续编程会话而设计

Google Deepmind 表示，Carbon 是为“难度更高、周期更长的工程问题”设计的，这类问题需要持续运行的智能体工作流。Google 称，内部团队曾让该模型连续运行数天，期间它能自行走出死胡同，并处理复杂多步任务，比如大型代码库和底层软件中的根因分析和细微 bug 修复。

Google 还报告称，根据用户反馈，模型在科学推理、多模态理解和全栈 Web 开发方面均有提升。Web 开发中更高质量的输出和产物让 Carbon 在 WebDev Arena 上提升了 89 Elo 分，以 1,769 分位列第四。

在 Google 自选的基准测试中，Gemini 4 Carbon 在 16 项测试里拿下 15 项第一，在长上下文和安全任务上尤其拉开差距。| 图片：Google Deepmind

在 Gray Swan 的间接提示词注入基准测试中，Carbon 将攻击成功率从 Argon 的 0.7% 降至 0.0%，Google 称其拦截了所有测试过的操纵尝试。这并不意味着提示词注入问题已经解决，但该测试似乎已经饱和。

独立评测印证了 Google 的数据

据 Artificial Analysis 称，Carbon 在最高推理档位（“high”）下领跑智能指数 v5，主要得益于在复杂推理、知识检索和科学任务上的最高分，在该指数九项单项评测中拿下四项第一。

在 Antigravity 上的智能体编程评测中，Carbon 相比 Argon 从 53 分升至 59 分，但仍落后使用 Opus 5.5 的 Claude Code 三分。在 AA-Briefcase 的智能体知识工作评测中，Carbon（high）比 Argon（high，1,483 Elo）提升 126 分，达到 1,609 Elo，主要来自演示质量（+293 Elo 至 1,598）和分析质量（+120 Elo 至 1,671）的提升。它仍落后于 Kimi K3.1 Pro（1,678 Elo）、Muse Wonder（max，1,659 Elo）和 Grok 4.7（xhigh，1,638 Elo）。

与 Argon 相比，回答准确率从 48% 升至 58%，但幻觉率从 4% 升至 11%。这一数字更高，但仍是排名中第二低的。Claude Opus 5.5（max）和 GPT-6 Astra（max）均为 50%。

评测平台 Vals AI 将 Carbon 排在第二，准确率 70.36%，落后于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%），Argon 以 69.24% 位列第四，且成本都更低。

在 Vals Index v2.2 中，Gemini 4 Carbon 以 70.36% 的准确率排在 Claude Sonnet 5.5（70.85%）和 Claude Opus 5.5（70.18%）之间。每次测试花费 10.51 美元、运行时间略低于 48 分钟，比两个 Anthropic 模型都更便宜、更快。| 图片：Vals AI

在 Vals.ai 上，Carbon 同样在金融指数和法律研究基准中领先。在法律研究方面，Vals AI 记录到其引用来源比 Argon 多约 45%，工具调用更频繁，回答也更长。

但在金融与税务智能体基准中，Carbon 的任务耗时是 Argon 的两倍多；在法律研究中，Carbon 平均每个任务要花 50 分钟以上。该模型生成的推理 token 是 Argon 的 2.3 倍，输出 token 多 64%，但仍不到 Sonnet 5.5 和 Opus 5.5 输出 token 数的一半。

在 Arena.ai 上，Gemini 4 Carbon（High）以 1,528 分领跑文本竞技场，略胜 Argon（1,520 分）。在智能体竞技场中，该模型在超过 21,900 次真实会话中排名第二，领先 GPT-6 Astra 和 Fable-5.1，净提升 16.2%，可操控性得分最高（+18.6%）。其任务成本中位数为 1.80 美元，比排名第一的 Claude Opus 5.5（Max）低 72%。

Arena.ai 将 Gemini 4 Carbon（High）列为智能体竞技场第二名，净提升 +16.2%，落后于 Claude Opus 5.5（Max，+21.1%），领先于 GPT-6 Astra（Max，+13.4%）。| 图片：Arena

在代码竞技场的 WebDev 类别中，Carbon 拿到 1,768 分（比第十一名的 Argon 高 89 分），总排名第四，仅比 Claude Sonnet 5.5（xHigh，1,770 分）低两分。这使它在三个领域都进入了帕累托曲线。

Carbon 在无护栏情况下领跑安全基准

在多项安全测试中，谷歌在没有安全护栏的情况下运行了该模型。在 SEC-bench Pro 上——该基准衡量在真实软件中自主发现漏洞的能力——Carbon 得分 88.2%，在所有测试模型中领先。在 ExploitGym 上——该基准测试系统能否将发现的漏洞转化为可用的利用程序——该模型达到 54.8%。Carbon 还在 CWE-Bench 上编写修复程序方面大幅领先，位居第一。

在 SEC-bench Pro（88.2%）、CWE-bench（71.0%）和 ExploitGym（运行十小时达到 54.8%）上，Gemini 4 Carbon 均领先于 GPT-6 Astra 和前代 Argon。| 图片：Google Deepmind

谷歌还引用了无法独立验证的内部结果。据称，在内部基准上，Carbon 生成安全代码的频率是 Argon 的两倍多；在谷歌 Chrome 团队的测试中，它编写安全补丁的表现比某未具名竞争对手的前沿模型好十倍以上。

安全专家优先获得访问权限

谷歌正在逐步推出该模型，并参与美国政府的发布前测试流程，理由是 Carbon 具备先进的安全能力。从本周开始，部分网络安全专家将率先获得访问权限。此后，通过 Google Deepmind 的 Fairwind 计划，访问权限将扩大到更多可信合作伙伴。

该公司计划在收集更多反馈并调整安全护栏后，通过其产品界面向开发者、企业和消费者开放该模型。

Gemini 4 Carbon 的发布定价与 Argon 相同：每百万输入 token 2 美元，每百万输出 token 10 美元，缓存输入 token 在常规输入价格基础上享受 95% 折扣。

Gemini 4 Carbon 的每任务成本与 Argon 几乎持平（7.76 美元对 7.68 美元），得分却提升了 9 分、达到 59 分，逼近帕累托曲线顶端，同时也超过了价格更高的 Claude Opus 5.5（10.04 美元）。| 图：Artificial Analysis

在 Artificial Analysis 智能指数中，Carbon 的每任务成本为 7.76 美元，比 Claude Opus 5.5（max 版，10.04 美元）低约 23%，比 GPT-6 Astra（max 版，6.25 美元）高约 1.2 倍。它平均每任务输出 12.3 万个 token，比 Anthropic 的模型（17.3 万个 token）少 29%，价格则几乎正好落在 Argon 的水平上（7.68 美元）。

Artificial Analysis 的计算基于常规标价：每百万输入 token 4 美元、每百万输出 token 20 美元（缓存输入 token 另加 0.20 美元），未计入当前持续到 2026 年底的 50% 首发折扣。