谷歌在美国时间11月10日星期二正式把 Gemini 4 Carbon 推向所有付费开发者、企业用户和消费者。这是谷歌 DeepMind 迄今最强的模型，也是 Gemini 4 家族里定位最高的一款。它不是一次普通的版本升级，而是一次有明确分工的发布：日常的大多数工作继续交给半个月前登场的 Gemini 4 Argon，最难、最长、最烧脑的任务才轮到 Carbon 上场。与此同时，谷歌给它贴上了一个相当响亮的标签：在 CursorBench 4.0、Perplexity 的 WANDR 和 Zapier 的 AutomationBench 三项代理式基准测试中排名第一，而且每项任务的成本不到次优外部模型的一半。标签很响，但真正值得关心的是另一组问题：这三项第一到底测的是什么能力，2 美元的定价能维持多久，以及你手里的套餐和开发流程，到底能不能马上用上它。
这次发布到底是什么：先给网络安全专家用了两周
严格说，Carbon 并不是 11 月 10 日才第一次露面。谷歌 DeepMind 早在 10 月 28 日就公布了这个模型，但当时只开放给了一小批网络安全防御者，渠道是谷歌的 Fairwind 计划。两周之后，也就是 11 月 10 日，谷歌 DeepMind 高级副总裁兼谷歌首席人工智能架构师科拉伊·卡武库奥卢在官方博客发文，宣布 Carbon 全面开放，面向开发者、企业、科学家和消费者。这篇博客的标题就叫《Gemini 4 Carbon 现已推出》，是本次发布最权威的来源。
三项第一是怎么来的：三个榜单，三种活儿
标题里说的三项基准第一，出处是谷歌官方博客的原话。Carbon 在三项独立的代理式基准测试中排名第一，分别是 CursorBench 4.0、Perplexity 的 WANDR 和 Zapier 的 AutomationBench，而且每项任务的成本不到次优外部模型的二分之一。这三项测试测的不是同一件事，分开看才有意义。
CursorBench 4.0 是代码编辑器 Cursor 自己的编码智能体榜单，考察的是多文件、语义模糊的真实编程任务。按 Cursor 公布的数据，Carbon 在最高推理档位下得分 60.4%，排在榜首，比排在第二的 Claude Fable 5.2 最高档位高出 0.4 个百分点，比自家的 Argon 高出 7.5 个百分点。这个领先幅度其实不大，0.4 个百分点的差距也谈不上压倒性优势，但它确实是 Cursor 榜单上的头名，而且是在代码智能体这个竞争最激烈的赛道上拿到的。
WANDR 是 Perplexity 推出的研究型基准，测的是模型做深度研究的能力：能不能自己拆解问题、检索、核对、综合，最后交出一份站得住脚的结论。这项测试对应的是 Carbon 的另一面，也就是谷歌说的复杂知识工作。AutomationBench 则是 Zapier 的自动化基准，测的是模型能不能可靠地调用工具、串联多个应用、把一个多步骤的工作流从头跑到尾不出错。三项加在一起，大致勾勒出谷歌对代理式智能体的理解：会写代码，会做研究，会干活。
除了这三项，Carbon 在谷歌自家公布的 17 项对比中领先了 15 项，包括终端任务基准 Terminal-Bench 4.0 的 65.2%，以及模拟经营测试 Vending-Bench 2 中 16484 美元的期末余额。网络安全方面的三项数字也很亮眼：漏洞发现测试 SEC-bench Pro 得分 88.2%，漏洞利用测试 ExploitGym 为 54.8%，审计修补测试 CWE-bench v1 为 71.0%。不过所有这些分数都有一个共同的前提：它们大多是谷歌自己公布的测试结果，采用的是最高的推理档位，而且部分测试是在没有开启安全护栏的条件下跑出来的。看成绩的时候，这个前提不能丢。
第一名也有边界：别把榜单当成万能排名
三项第一是真的，但第一名也有边界，至少有三点需要说清楚。第一，独立综合指数上的头名已经易主。在 10 月 28 日发布时，Carbon 以 59 分登上 Artificial Analysis 智能指数第五版的榜首。但到了 11 月 11 日，随着 Anthropic 在 11 月 9 日发布 Claude Fable 5.2，榜单已经变了：Carbon 高档位得分 60 分，排在 Fable 5.2 三个档位之后，位列第四。也就是说，谷歌这次强调的三项第一，是三个具体的代理式基准，不是所有榜单的通吃。
第二，不是所有分项都在领先。同一家独立评测机构的编码智能体指数里，Carbon 得分 59 分，落后于搭载 Claude Opus 5.5 的 Claude Code 的 62 分。在 Anthropic 自己的 FrontierSWE v2 测试中，Fable 5.2 得分 69.9%，Carbon 是 61.2%。在谷歌与 Artificial Analysis 合作推出的新基准多模态知识智能体测试中，Carbon 只排第二，虽然平均每项任务的成本比第一名低六倍以上。这些起伏说明，不同的测试工具、任务集和评分方式，会得出不同的排名，单一分数决定不了哪个模型在你的任务上更好。
第三，强也有代价。独立评测显示，Carbon 在高推理档位下速度明显偏慢，首次输出 token 需要 60 多秒，输出速度约为每秒 80 个 token，在参评模型里排名靠后。有外部实测还发现，Carbon 在中等档位完成一道编程任务的时间，大约是竞品的三倍。谷歌自己的说法也印证了这一点：Carbon 会花更多 token 去探索和验证。第一名买的是深度和 thorough，而不是速度。如果你要的是随问随答的轻任务，Carbon 很可能不是最顺手的选择。
价格：每百万输入 2 美元，只是前三周的价
价格是这次发布里最容易被误读的一点。谷歌给出的数字是：输入每百万 token 2 美元，输出每百万 token 10 美元，和 Argon 的起步价完全相同。缓存输入还有九五折优惠，相当于每百万 token 0.1 美元。这个价格看起来很便宜，尤其是在三项第一的光环之下，但它有一个明确的有效期。
根据谷歌定价页和多家媒体的核对，2 美元和 10 美元的优惠价只持续到 11 月 30 日星期一。从 12 月 1 日星期二起，价格翻倍为输入每百万 token 4 美元、输出每百万 token 20 美元。这个涨价后的价格，正好等于 Claude Opus 5.5 的定价，是 Claude Fable 5.2 定价的一半。换句话说，11 月剩下的三周是试用窗口，12 月之后才是常态价格。
更值得算的是总账。代理式模型的花费不只看单价，还要看它为完成一项任务烧掉了多少 token。谷歌说 Carbon 每项任务的成本不到次优外部模型的一半，这个说法建立在它自己的成本统计口径上。独立评测机构 Artificial Analysis 的测算则显示，按 12 月的价格计算，Carbon 高档位下每项任务的平均成本约为 7.76 美元，中等档位约 6.59 美元，耗时都在 20 分钟以上。如果按 11 月的优惠价对折，大约是每项任务 3 到 4 美元。对个人开发者来说，这意味着小规模试用花不了多少钱，但一旦把 Carbon 接进每天自动跑的流程，比如持续集成里的代码审查或者夜间批量研究任务，账单会随着任务量线性上涨，12 月翻倍之后更是如此。
还有一个细节容易被忽略：Carbon 有低、中、高三个推理档位，接口默认是中档，而谷歌公布的那些亮眼成绩用的是高档。也就是说，你默认调用时拿到的，未必就是榜单上的那个 Carbon。想复现官方成绩，要手动把档位调到最高，同时接受更慢的速度和更高的 token 消耗。做预算的时候，档位这件事必须算进去。
谁能马上用，谁还得等等
发布当天就能用上 Carbon 的人，其实分得很清楚。开发者走付费版接口，在 Google AI Studio 和 Android Studio 里就能调用，模型编号是 gemini-4-carbon。企业用户可以在 Gemini for Business 里通过接口或模型下拉菜单选用，也可以在 Antigravity 和代码修复工具 CodeMender 里使用。普通消费者这一侧，门槛要高得多：只有 Google AI Ultra 的订阅用户，才能在 Gemini 应用、搜索中的 AI Mode 以及 Antigravity 里用到 Carbon。
不在名单上的人也不少。免费套餐用不了 Carbon，谷歌定价页明确写着免费层级不提供这个模型。Google AI Plus 和 Pro 的订阅用户在 Gemini 应用里同样看不到它，至少在发布初期是这样。科学家和研究人员有一条单独的通道：谷歌四周前开放申请，给一万名科学家免费提供 Argon 在 Antigravity 里的最高用量档位，为期六个月，如今 Carbon 也加入了这项计划，申请仍在滚动进行中。网络安全防御者则要通过 Fairwind 计划申请专门的 Carbon for cyber 版本，获得经过强化的安全能力。
对北美华人用户来说，最直接的判断标准就是你现在订的是哪个套餐。如果已经是 Ultra 订阅用户，11 月 10 日当天就能在 Gemini 应用里试用。如果是免费用户或者 Plus 和 Pro 用户，这次发布对你来说更多是一条新闻，而不是一次可以立即体验的升级。是否值得为 Carbon 升级到 Ultra，要看你每个月有多少长任务值得交给它，而不是看榜单上的排名。
对开发者：长活儿交给它，日常活儿留给 Argon
对开发者而言，Carbon 的价值不在于它能回答多难的问题，而在于它能把一项工作从头跟到尾。谷歌在博客里举的例子包括多包迁移、跨子系统根因调查和复杂架构重构，这些任务的共同点是：问题本身说不清楚，需要模型自己去翻代码、做假设、写验证、改方案，再回头检查结果。传统的单次调用模型在这种任务上容易半途而废，Carbon 的设计目标就是把这种长周期任务的完成率提上去。
在实际使用中，一个比较务实的搭配是分层使用。日常的代码补全、简单重构、文档问答和大多数知识工作，继续用 Argon，又快又便宜。遇到那种需要连续工作、涉及多个模块、失败成本高的任务，再切到 Carbon，并且把推理档位调到高档，给它足够的时间和 token 预算。谷歌的 Swarm 预览也是这个思路的延伸：让 Carbon 负责架构设计、统筹和审计这些最吃深度的角色，再让更快更轻的模型去跑并行的执行任务，中间配上对抗式验证器来检查每一次改动。
成本控制上，有三件事值得先做。第一，先在 11 月 30 日优惠价结束前跑几轮真实任务，记录每项任务实际消耗的输入和输出 token 数，算出自己的单任务成本，再决定 12 月涨价后是否继续用。第二，善用缓存输入，重复读取同一份代码库时，缓存价只有正常价的二十分之一左右。第三，对长任务设置明确的停止条件和检查点，避免模型在死胡同里烧掉大量 token。独立评测里提到的一点也值得警惕：Carbon 在事实性知识测试上的幻觉率高于 Argon，这意味着它的输出更需要人工复核，尤其是在涉及真实数据和外部事实的时候。
还有一个现实提醒：榜单成绩不等于你的成绩。CursorBench 测的是 Cursor 编辑器环境里的任务，WANDR 测的是研究流程，AutomationBench 测的是 Zapier 的工作流。你的代码库、你的工具链、你的任务定义，都会影响实际效果。比较稳妥的做法是拿自己团队的真实任务做小规模对照测试，Carbon 和 Argon 各跑一遍，再看完成率和成本的差距，而不是直接按榜单排名切换主力模型。
对普通用户：先看套餐，再看场景
对普通用户来说，Carbon 带来的变化没有开发者那么直接。它不会让日常聊天变得更快，事实上它更慢。它的价值集中在少数几种场景里：需要反复核对的深度研究，比如整理一堆财报、论文或者法律文件后给出结论；需要多步骤规划的复杂任务，比如筹备一次长途旅行、梳理家庭财务或者准备一份内容很多的报告；以及在搜索的 AI Mode 里处理那些一句话问不清楚的问题。
谷歌在博客里还提到了 Carbon 在知识工作上的另一面：它能处理带图表、图片、蓝图和表格的密集文件，遵循严格的格式要求，生成排版规整的电子表格、演示文稿和报告。对经常要处理这类材料的职场用户来说，这可能是 Carbon 最实在的卖点之一。不过同样要提醒一点：在新推出的多模态知识智能体基准里，Carbon 只排第二，说明这块能力还在追赶，生成的内容仍然需要人工核对数字和引用来源。
如果你是 Ultra 订阅用户，可以直接在 Gemini 应用里试试，把平时觉得最难的那类任务交给它，比如让它读完几份长文件再做对比分析，同时注意观察它的回答速度和准确度，再决定是不是值得把它变成常用工具。如果你不是 Ultra 用户，现阶段其实不用着急。Argon 已经覆盖了大多数日常需求，而 Carbon 的体验差异主要体现在长任务和难任务上，等它向更多套餐开放，或者价格稳定下来之后再评估也不迟。
安全这张牌：越强的能力，越紧的笼头
Carbon 发布时最受关注的另一面是安全，原因很简单：它的网络安全能力越强，滥用的风险也越大。谷歌这次花了相当大的篇幅来谈防护，而且公布了一组具体数字。在模拟网络攻击测试中，Carbon 的防护拦截了 99% 的攻击轨迹，每次尝试的突破率从 Argon 的 3.1% 降到了 0.8%。在 Gray Swan 的间接提示注入测试中，Carbon 的攻击成功率是 0%，这是该项测试第一次出现零纪录。外部机构 Trajectory Labs 在 132 小时、超过 13000 次请求的测试中，没有发现新的通用越狱方法。
在诚实度方面，谷歌的 375 项任务测试显示，Carbon 的通过率为 92%，高于 Argon 的 70%，其中拒绝编造缺失实验数据的比例为 98%，指出方法缺陷的比例为 68%。这些数字同样是谷歌自己公布的，测试方法和样本范围由谷歌界定，外部还没有独立复现。但至少从官方口径看，谷歌在发布 Carbon 的同时，确实把防护标准提到了和能力相匹配的位置。
对普通用户和企业来说，这组数字的实际意义在于两点。第一，Carbon for cyber 这样的强化版本不会全面放开，而是通过 Fairwind 计划定向提供给经过审核的防御者，普通用户接触到的是标准版本。第二，代理式模型越自主，提示注入和数据泄露的风险就越值得警惕。谷歌的零纪录是在特定测试集上取得的，官方自己也承认，在更复杂的攻击分布下仍有改进空间。把 Carbon 接进能接触敏感数据或者能执行真实操作的流程之前，先做好权限隔离和人工复核，仍然是必要的功课。
总结：一次有门槛的升级，值得试，但别急着换主力
Gemini 4 Carbon 是一次定位清晰的发布。它在三项代理式基准上拿了第一，CursorBench 高档位 60.4% 的成绩是实打实的，价格在 11 月 30 日之前也确实便宜，每百万输入 token 只要 2 美元。但这些亮点都有对应的另一面：第一名只覆盖三项具体测试，综合指数的头名已经被后来发布的 Claude Fable 5.2 拿走；优惠价 12 月 1 日就翻倍；高档位速度偏慢，默认档位并不是榜单档位；普通消费者只有 Ultra 订阅才能用上。
对开发者来说，最划算的做法是把 11 月剩下的时间当作试用期，用真实任务测一测 Carbon 在你的场景里到底值多少钱，再决定 12 月之后是否继续。长任务、难任务、需要反复验证的任务，交给 Carbon；日常任务留在 Argon，速度和成本都更合适。对普通用户来说，判断标准更简单：如果你已经是 Ultra 订阅用户，值得去试试它在深度研究和复杂文件处理上的表现；如果不是，现阶段没有必要为了 Carbon 单独升级套餐。
人工智能模型的竞争已经从单次问答进入了代理式工作的阶段，谁能把一项长任务可靠地从头做到尾，谁就能拿到下一张门票。Carbon 是谷歌交出的最新答卷，答卷的分数不错，但真正决定它价值的，还是它在你手里的任务上能不能稳定交付。先试，再算账，再决定，这大概是对待这次发布最稳妥的态度。
暂无评论内容