Google 上个月底发布的 Gemini 4 Argon 之后,10 月 28 日又来了一个 Gemini 4。Google DeepMind 的 SVP、首席 AI 架构师 Koray Kavukcuoglu 在官方公告里说,这是"我们最强的模型",主打方向不是通用对话,而是网络安全防御和长周期工程任务。名字 Carbon 取的是碳——碳纤维复合材料那一层,碳元素最硬的一种形态。

有意思的是,这份公告同时是成绩单和限售通知。而成绩单里最耐看的部分,恰恰是它由谁来打分。

登顶是真的,但榜单不是自己出的

最硬的一个数是 Artificial Analysis Intelligence Index v5.0 里的 59 分,排名第一。谷歌的公告这么说,第三方评测机构 Artificial Analysis 的榜单页也这么说——那个页面上 Carbon 后面跟着 Claude Opus 5.5 的 58 分,再后面是 GPT-6 Astra 的 57 分。MarkTechPost 汇总的对比表同样记录 Carbon 59、Opus 5.5 58、Astra 57。

这一项没有自说自话,至少在综合能力上。

网安三项领先,但跑分方法是自家人

Carbon 的叙事是一套完整的攻防闭环:找漏洞、验证可利用性、修根因。三个数字分别是 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%,谷歌都称为 SOTA。

对比数据同样来自谷歌公布的那张表:ExploitGym 上 GPT-6 Astra 是 42.4%、Claude Opus 5.5 是 34.5%、Argon 是 42.0%;SEC-bench Pro 上 Astra 85.4%、Argon 83.4%。

但这里必须打个折。MarkTechPost 明确写道,SEC-bench Pro 和 ExploitGym 的分数是谷歌用自家的 Antigravity 测试框架自己算的,ExploitGym 运行时缓解措施是关闭的,竞品的分数大多由各家自报。这是一份官方自测表,不是第三方复现,目前也没有独立复现。

谷歌自己倒是给了两个旁证:Chrome 团队称 Carbon 生成高质量补丁的表现比"另一家实验室的大型前沿模型"好 10 倍以上(注意,它没点名);云安全平台 Wiz 称 Carbon 在其 Web 渗透测试基准上领先。

长任务是主场,通用操作台不是

Carbon 面向的是能连续跑几天的 agentic 工作流:跨大型代码库定位并修补隐蔽缺陷,跨底层系统做根因分析。

数字上差距最悬殊的是 GraphWalks,96.2%,GPT-6 Astra 是 71.8%。Terminal-Bench 4.0 上 Carbon 65.2%,Opus 5.5 是 59.6%。

但它不是全面碾压。OSWorld-2.1 上 Carbon 81.5%,落后 Claude Opus 5.5 的 87.2%;FrontierSWE 上 Carbon 61.2%,GPT-6 Astra 以 65.5% 领先。按 MarkTechPost 的统计,Carbon 在 17 项公开基准里领先 15 项。

参数量和上下文窗口,两个来源都显示未披露。没有开源权重,没有自托管,没有量化版本,只有谷歌托管这一条路。

安全数字这次被摆到了台面上

这一代的安全指标有点反常地抢眼:Terminal-Bench 4.0 上成功作弊率压到 0.0%,尝试作弊的比例只有 0.4%;Gray Swan 间接提示注入基准的攻击成功率 0.0%(Argon 是 0.7%);内部真实编码环境里高危对齐告警下降近 80%;无依据的断言比 Argon 减少约一半;过度介入下降 26%,服务不足下降 29%。

谷歌的说法是:与其在证据不足时含糊其辞,不如把方法论上的保留直接写进交付物,或者干脆拒绝执行并列出还缺什么。

同样要打折扣——这些是内部或自跑数据,谷歌自己承认尚未有独立复现。

价格不贵,通道很窄

定价与 Argon 的引入价一致:每百万输入 token 2 美元,输出 10 美元,缓存输入按输入价打 95% 折;引入期结束后分别涨到 4 美元和 20 美元。

真正的限制在发布节奏。本周先给一部分网络防御者,之后通过 Fairwind Program 逐步开放给更多可信伙伴——这个项目优先考虑政府、关键基础设施运营方和核心技术平台。开发者、企业和普通用户什么时候能用,谷歌没给日期。谷歌同时表示正在参与美国政府的自愿预发布模型测试流程。

还有个容易被忽略的细节:现在能在 Gemini API 上调用的 Gemini 4 模型还是 Argon,不是 Carbon。

所以呢

把 Carbon 单独拎出来看,它更像一次能力定投:谷歌押的不是"更大更强的通用模型",而是把模型塞进安全防御这个高价值、且监管友好的垂直场景里,用限售的方式先跑一段。

值得注意的是这一代把对齐数字和安全数字放在同一张成绩单上一起发布。对一个能力正在快速逼近攻击用途的模型来说,这种透明可能是策略的一部分——先让防守方拿到,划出使用边界,再谈开放。

不过这也留下一个问题:当最强的一档能力只对一部分人开放时,评测榜单上排第一的模型,和所有人手里的模型之间,会隔出多大的距离?如果这层距离持续拉大,基准排名本身也会慢慢失去参照意义。

两个月内连发两个 Gemini 4,中间还夹着一个只给网安群体的型号。谷歌这条产品线的节奏越来越像软件版本迭代,而不是模型发布——那么下一次 Carbon 级别的更新,还打算等多久?