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

Google Deepmind 在推出 Argon 仅仅两周后就发布了 Gemini 4 Carbon，这款新模型在 Artificial Analysis Intelligence Index 上名列榜首。

Carbon 在最近更新的 Artificial Analysis Intelligence Index 5.0 版本中获得了 59 分，而其前代产品 Argon 则以 50 分落后。除了在智能体任务和编程方面取得普遍进展外，Google 还强调了其涵盖整个网络防御生命周期的能力，从漏洞的检测、验证到修补。

Carbon 在整体 AA 指标中领先，但在 Claude Code 的智能体编程方面仍略逊于 Opus 5.5。| 图片：AA

专为数日长的编程会话而构建

Google Deepmind 表示，其设计 Carbon 是为了解决需要持续智能体工作流的“更艰难、长视野的工程问题”。Google 声称，内部团队曾连续多天运行该模型，在此期间它能独自摆脱死胡同，并处理复杂的多步骤任务，例如大型代码库和底层软件中的根本原因分析以及微小的错误修复。

Google 还报告称，根据用户反馈，科学推理、多模态理解和全栈 Web 开发均有所改进。Web 开发中更高质量的输出和构件使 Carbon 在 WebDev Arena 上的 Elo 积分上升了 89 点，以 1,769 分位居第四。

在 Google 自己的基准测试选择中，Gemini 4 Carbon 在 16 个测试中的 15 个中夺得第一，尤其在长上下文和安全任务中拉开了与其他选手的差距。| 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%，据 Google 称，它阻止了每一个经过测试的操控尝试。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。

独立评估印证了 Google 的数据

根据 Artificial Analysis 的数据，Carbon 在其最高推理层级（“high”）下领先 Intelligence Index v5，主要归功于其在复杂推理、知识检索和科学任务中获得的高分，在指数的九个独立评估中夺得四个第一。

在 Antigravity 的智能体编程中，Carbon 尽管比 Argon 从 53 跃升至 59，但仍落后于搭载 Opus 5.5 的 Claude Code 三分。在 AA-Briefcase 的智能体知识工作方面，得益于演示质量（+293 Elo 至 1,598）和分析质量（+120 Elo 至 1,671）的推动，Carbon（high）比 Argon（high，1,483 Elo）增加了 126 分，达到 1,609 Elo。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% 上升到 58%，而幻觉率则从 4% 上升到 11%。这一数字较高，但仍是排名中第二低的。Claude Opus 5.5（max）和 GPT-6 Astra（max）均停留在 50%。

评估平台 Vals AI 将 Carbon 以 70.36% 的准确率排在第二位，落后于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%）以及位居第四的 Argon（69.24%），且所有这些都在更低的成本下实现。

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。每次测试成本为 10.51 美元，运行时间不到 48 分钟，它的运行成本和速度都优于这两款 Anthropic 模型。| 图片：Vals AI

在 Vals.ai 上，Carbon 还同时领跑金融指数（Finance Index）和法律研究基准（Legal Research benchmark）。在法律研究方面，Vals AI 记录的引用来源比 Argon 多出约 45%，工具调用更频繁，响应也更长。

但“金融与税务代理”基准（Finance and Tax Agent benchmark）中的任务耗时是 Argon 的两倍多，而在“法律研究”中，Carbon 每个任务的平均耗时超过 50 分钟。该模型生成的推理 token 是 Argon 的 2.3 倍，输出 token 多出 64%，尽管这仍不到 Sonnet 5.5 和 Opus 5.5 输出 token 数量的一半。

在 Arena.ai 上，Gemini 4 Carbon (High) 以 1,528 分取得文本竞技场（Text Arena）的领先地位，险胜 Argon（1,520 分）。在智能体竞技场（Agent Arena）中，该模型在 21,900 多个真实会话中名列第二，领先于 GPT-6 Astra 和 Fable-5.1，净提升幅度达 16.2%，可控性评分最高（+18.6%）。其 1.80 美元的任务中位数成本比排名第一的 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，净提升幅度为 +16.2%，落后于 Claude Opus 5.5 (Max，+21.1%)，领先于 GPT-6 Astra (Max，+13.4%)。 | 图片来源：Arena

在代码竞技场（Code Arena）的 WebDev 类别中，Carbon 达到 1,768 分（比排名第十一的 Argon 高 89 分），总排名第四，仅落后 Claude Sonnet 5.5 (xHigh, 1,770) 两分。这使其在所有三个领域都处于帕累托曲线上。

Carbon 在没有安全护栏的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。在衡量真实世界软件中自主漏洞发现能力的 SEC-bench Pro 上，Carbon 获得了 88.2% 的高分，领先于所有测试模型。在测试系统能否将发现的漏洞转化为可用利用代码的 ExploitGym 上，该模型达到了 54.8%。Carbon 在编写 CWE-Bench 修复程序方面也保持着大幅领先的第一名。

在 SEC-bench Pro（88.2%）、CWE-bench（71.0%）和 ExploitGym（运行时间十小时下为 54.8%）上，Gemini 4 Carbon 均领先于 GPT-6 Astra 和前代产品 Argon。 | 图片来源：Google Deepmind

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

安全专家将优先获得访问权限

谷歌正在逐步推出该模型，并参与了美国政府的发布前测试流程，其理由是 Carbon 具备先进的安全功能。精选的网络安全专家从本周开始将优先获得访问权限。通过 Google Deepmind 的 Fairwind 计划，访问权限此后将扩大到更多受信任的合作伙伴。

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

Gemini 4 Carbon 推出的尝鲜价与 Argon 相同：每百万输入 token 2 美元，每百万输出 token 10 美元，缓存的输入 token 可享受常规输入价格 95% 的折扣。

在与 Argon 几乎相同的每任务成本下（7.76 美元对 7.68 美元），Gemini 4 Carbon 上升九分至 59 分，逼近帕累托曲线的顶端，同时也超过了更贵的 Claude Opus 5.5（10.04 美元）。 | 图片来源：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（最高 10.04 美元）便宜约 23%，大约是 GPT-6 Astra（最高 6.25 美元）的 1.2 倍。它平均每个任务产生 123,000 个输出 Token，比 Anthropic 模型（173,000 个 Token）少 29%，价格几乎与 Argon 完全持平（7.68 美元）。

Artificial Analysis 的计算基于每百万输入 Token 4 美元和每百万输出 Token 20 美元的常规标价（缓存输入 Token 另加 0.20 美元），未计入持续到 2026 年底的 50% 尝鲜折扣。