距离前代模型 Gemini 4 Argon 全面开放 API 才过去 14 天，Google DeepMind 在 2026 年 10 月 28 日又端出了下一代前沿模型 Gemini 4 Carbon。它以 59 分拿下 Artificial Analysis Intelligence Index v5.0 综合榜首（High 配置，比 Argon 的 50 分暴涨 9 分），主打跨天运行的长周期智能体和全流程网络安全攻防，首发输入定在 $2/百万 tokens、输出 $10/百万 tokens（缓存输入享 95% 折扣）。但普通开发者现在根本拿不到全面 API，Google 以安全风险为由走美国政府预发布测试流程，把这款榜首模型锁进了 Fairwind 计划白名单，仅对特定网络安全专家定向开放，连公网全面上线的时间表都没给。
拆开第三方交叉核验数据，两周跳涨 9 分的底牌其实是暴力堆砌推理算力。Vals AI 实测显示，Carbon 生成的推理 Token 是 Argon 的 2.3 倍，输出 Token 增加 64%，单次法律研究任务平均耗时超过 50 分钟。即便算力拉满，它的综合第一也仅比 Anthropic 的 Claude Opus 5.5 Max（58 分）高出 1 分，在核心的编程智能体专项上依然以 59 比 62 输给 Opus 5.5 Max，仅与次旗舰 Sonnet 5.5 Max 打平；更扎眼的是，进攻性长链路推理让独立实测幻觉率从前代的 4% 反跳至 11%（尽管仍低于 Opus 5.5 Max 和 GPT-6 Astra Max 的 50%），且首发低价只是限时五折尝鲜，恢复标准价后跑完单任务的实测成本高达 $7.76。
赢了综合榜首 1 分，但编程专项只够打平 Claude 次旗舰
Google 把 Gemini 4 Carbon 定义为攻克跨天复杂工程与自动化网安的旗舰。它在官方公布的 16 项基准里拿下 15 个第一，交出了漂亮的账面数字：
- 综合与长上下文基准.在涵盖知识工作、编码、科学和通用能力（各占 25%）的 Artificial Analysis v5.0 拿下 59 分，并在 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience（54 分）和 AutomationBench-AA 四项子评估中排第一；Arena.ai 文本榜以 1,528 分居首（微胜 Argon 的 1,520 分），长上下文 GraphWalks 256k–1M 从 Argon 的 84.2% 跃升至 96.2%，OSWorld-2.1 离线子集达 81.5%（Argon 为 74.7%）。
- 网安攻防全周期.在 SEC-bench Pro（真实软件漏洞发现）拿到 88.2%（Argon 为 83.4%），ExploitGym（10 小时运行周期内将漏洞转化为可用攻击载荷）拿到 54.8%（Argon 为 42.0%），CWE-bench（漏洞根因修复）拿到 71.0%（Argon 为 68.0%）；内部测试生成安全代码成功率比 Argon 提升超 2 倍，Chrome 团队反馈其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，云安全平台 Wiz 也在 Scan for Good 网页渗透测试中验证了其表现。
- 安全对齐与反作弊.在 Terminal-Bench 4.0 上把作弊成功率压到 0.0%（作弊企图降至 0.4%），内部实时编程环境中高危失调警报下降近 80%，越界执行和执行不足分别减少 26% 和 29%，并在 Gray Swan 间接提示词注入（IPI）基准上实现 0.0% 的攻击成功率（Argon 为 0.7%）。
把这套数据放进第三方竞品坐标系里一对，工程落地的温差就出来了。
在综合准确率上，Vals Index v2.2 测出 Carbon 得分 70.36% 排第 2，刚好夹在 Claude Sonnet 5.5（70.85%）与 Opus 5.5（70.18%）之间；在超过 21,900 场真实会话的 Arena.ai Agent 榜上，Carbon 净提升 16.2%（可操控性 +18.6% 全场最高），同样排在第 2，落后于 Opus 5.5 Max 的 +21.1%（领先 GPT-6 Astra Max 的 +13.4%）。
到了开发者真正掏钱的编程赛道，独立评测 Coding Agent Index v2.0 给出了更直接的对比。Carbon 配合自家 Antigravity CLI 拿到 59 分，虽然赢了 Codex + GPT-6 Astra Max（55 分）和前代 Argon（53 分），却只与 Anthropic 的次旗舰 Claude Code + Sonnet 5.5 Max（59 分）打平，依然输给 Claude Code + Opus 5.5 Max 的 62 分。
拆开细分编码子集看更清楚。Antigravity CLI + Carbon High 在 FrontierCode v1.1 上拿到 51%（低于 Opus 5.5 Max 的 56%），在 SWE-Atlas-QnA-AA 上拿到 64%（低于 Opus 5.5 Max 的 66%），Vibe Code Bench v1.1 实测为 89.06%±2.29（排第 8/121）。哪怕在 Terminal-Bench 4.0 上，Google 官方在 AA 设置下跑出 65.2%，独立测试中 Carbon High 拿到 64%（Vals AI 独立实测为 63.13%±2.20，排第 4/57），略高于 Opus 5.5 Max 的 63%，也依然落后于 Sonnet 5.5 Max 的 66%。在全栈网页开发的 WebDev Arena 榜单上，Carbon 涨了 89 个 Elo 分来到 1,768±15（排第 4），落后于榜首 Opus 5.5 Max（1,810±13），与 GPT-6 Astra Max（1,773±10）和 Sonnet 5.5 xHigh（1,770±11）处在误差重叠区间。
Google 能在网安赛道打出差异化，很大程度上是在吃此前收购 Wiz 的协同红利。把大模型塞进 Wiz 的渗透测试和 Chrome 的补丁管线，确实帮 Google 在企业安全防御市场撕开了一道口子，但在通用编码代理的王座争夺上，Anthropic 的护城河还没被凿穿。
2.3 倍推理 Token 砸出慢工：幻觉反跳至 11% 与年底翻倍账单
两周时间根本不够重新训练一代底层基座（作为参照，9 月 30 日宣布、10 月 13 日开放的 Argon 明确为稀疏混合专家 MoE Transformer 架构，支持 100 万 Token 上下文，知识截止于 2026 年 3 月）。跑分榜上暴涨的 9 分，其实是 Google 用推理阶段的算力膨胀、50 分钟级的慢工延迟以及翻倍的远期账单换来的。
Vals AI 的实测拆穿了这个机制。Carbon 生成的推理 Token 是 Argon 的 2.3 倍，在法律研究基准测试中引用信源数量多了约 45%，工具调用更频繁，拿下了法律与金融指数双料第一；代价是单次法律研究任务平均耗时超过 50 分钟，财税 Agent 任务的耗时也比 Argon 翻了一倍以上。
算力拉满还带来了一个微妙的跷跷板效应。Google 在官方博客里宣称 Carbon 的无根据断言比 Argon 减少了约 2 倍，但 Artificial Analysis 的独立测试直接戳破了这个口径。在 AA-Briefcase 知识工作评测里，Carbon（High）总分涨了 126 分来到 1,609 Elo（分析质量涨 120 分至 1,671，仍落后于 Kimi K3.1 Pro 的 1,678、Muse Wonder max 的 1,659 和 Grok 4.7 xhigh 的 1,638），它的回答准确率从 Argon 的 48% 跃升到 58%，但按错误、部分正确和未回答响应中给出错误响应的比例计算，幻觉率却从 Argon 的 4% 飙升至 11%。
模型为了追求更高的题目完成度，在长链条里做进攻性推理和检索时，遇到不确定问题更倾向于强行猜测作答，而不是老老实实拒绝回答。唯一让 Google 松一口气的是横向同行衬托，11% 的幻觉率在榜单上依然是第二低，而同场竞技的 Claude Opus 5.5 Max 和 GPT-6 Astra Max 在 AA-Omniscience 评测中的幻觉率高达 50%。但对需要连续运行数天去改写大型代码库的长周期工程代理而言，11% 的强行瞎猜依然极易在多步链路里埋下隐蔽故障。
模型看着更聪明，其实是替你多烧了一倍多的算力时间；单价便宜是幻觉，长周期智能体烧的是总 Token 量与排错成本。
《战国策》有言，“父母之爱子，则为之计深远”。大厂给开发者定 API 价格也是同理，今天看着极香的性价比，往往藏着明天的阶梯账单。二十年前云计算刚起步时，厂商用低价计算实例把企业架构吸上来，等业务耦合深了，带宽与高阶服务费才是利润大头；今天的长程 Agent 正在重演这一幕，只不过计费锚点变成了推理阶段的暴力 Token 消耗。
在当前的尝鲜价下，Carbon 在帕累托前沿曲线上显得极具性价比。由于单任务平均输出 Token 总量（12.3 万）不到 Opus 5.5（17.3 万）的七成，它在 Arena Agent 任务中的中位成本仅 $1.80，比 Opus 5.5（约 $6.43）便宜了 72%；Vals v2.2 单测耗时不到 48 分钟、花费 $10.51，也比 Anthropic 的两款模型更快更省。
但真正的暗礁藏在官方公告底部的第 1 条脚注里。输入 $2、输出 $10 只是限时 50% 折扣的首发推广价，推广期一过，Argon 与 Carbon 的标准挂牌价将直接翻倍至输入 $4/百万 tokens、输出 $20/百万 tokens（缓存输入 $0.20）。Argon 的涨价节点已经明确卡在 2026 年 11 月 30 日之后，Carbon 则连涨价截止日都没注明。
按 Artificial Analysis 测算的标准原价（$4/$20）真实账单，三家主力模型的成本倒挂与核心核验反差如下：
| 核验维度 | Gemini 4 Carbon (High) | Claude Opus 5.5 (Max) | GPT-6 Astra (Max) |
|---|---|---|---|
| AA 综合智力指数 v5.0 | 59 分（第 1） | 58 分 | 57 分 |
| AA 编程智能体指数 v2.0 | 59 分（持平 Sonnet 5.5 Max） | 62 分（第 1） | 55 分（配 Codex） |
| AA-Omniscience 得分 / 幻觉率 | 54 分 / 11%（前代 4%） | 48 分 / 50% | 未列 / 50% |
| AA 单任务标准成本 / 输出量 | $7.76 / 12.3 万 Tokens | $10.04 / 17.3 万 Tokens | $6.24（发布口径 $6.25） |
| Arena Agent 净提升 / 中位成本 | +16.2% / $1.80（促销期） | +21.1% / 约 $6.43 | +13.4% / 未列 |
表面看 Carbon 的首发单价极具侵略性，但按翻倍后的标准价跑完单个 AA 指数任务的平均花费高达 $7.76（前代 Argon 为 $7.68），虽然比 Opus 5.5 Max 的 $10.04 便宜，却比 Token 单价更高的 GPT-6 Astra Max（$6.24）贵了整整 24%。
企业架构师和研发主管在做技术选型时，绝不能只按五折推广期价目表做预算。如果追求顶级编码能力，Claude Opus 5.5 Max 依然高出 3 分，但要忍受 50% 的高幻觉率和昂贵账单；如果看重综合推理与相对较低的幻觉率（11%），Carbon 是不错的备选，但前提是必须把年底后 API 价格翻倍、单任务动辄卡住 50 分钟的延迟代价提前算进生产环境账本。
十四天闪击的夹生感与无护栏网安悖论
《左传》有云，兵贵神速。但在高风险的大模型军备竞赛里，相隔 14 天的极限闪击，让 Google 的文档交付和安全透明度露出了明显的夹生感。
截至发布当天，DeepMind 公开的模型卡目录里根本找不到 Gemini 4 Carbon 的专属模型卡，最新列出的旗舰依然是 2026 年 10 月 13 日更新的 Argon。更荒诞的是，官方发布公告里高调挂出的《Safety and Security report》PDF 链接，点进去依然是两周前 Argon 的安全报告，连 Fairwind 计划官网页面都还停留在对 Argon 的文字描述上。拿着前朝尚方宝剑给新模型背书，很难不让人怀疑 Carbon 究竟是全新迭代，还是同一训练管线里靠拉长 2.3 倍推理链条仓促催熟的检查点。
我更不买账的是那组统治级网安跑分背后的测试前提。Google 在正文小字里轻轻带过了一句关键限定——SEC-bench Pro（88.2%）、ExploitGym（54.8%）和 CWE-bench（71.0%）这三项外部基准，全部是在无护栏（evaluated without guardrails）状态下自测自报的结果。
这很像百年前重化工业刚发明高爆炸药时的处境。在矿山实验室里不设限地裸露引爆，威力数据自然惊人；可一旦要装车运上公共铁路，层层防爆容器和监管锁具套上去，有效载荷必然大幅缩水。软件模型与物理炸药不完全一样，大模型可以通过细粒度白名单做权限分级，但核心矛盾并没有变。一个能在 10 小时内将过半漏洞（54.8%，比 Argon 猛增近 13 个百分点）自动转化为可用攻击脚本的模型，直接放开 API 会瞬间踏平攻防自动化的门槛。先用 Fairwind 计划拿网安专家当红队调教护栏，既是合规避险，也是攒口碑的阳谋；哪怕通稿里提到正参与美国政府的自愿性发布前测试，至今也拿不出任何已完成的评估结论。
同样缺乏外部背书的还有官方宣称的“连续运行数天自主编码”。目前所有独立评测都只验证了它在单次或 50 分钟级任务上的强悍，没有任何 METR 等第三方机构的严格基准能证实它在跨天尺度上的任务成功率与中断率。Gemini 4 Carbon 的真正验金石不在今天的榜首海报上，而在它补齐专属模型卡、走出 Fairwind 白名单、卸下五折价格保护伞并套上公网安全护栏的那一天——看它在熬过过度拒绝（over-refusal）误杀与 $7.76 的单测账单之后，留在普通开发者终端里的真本事还剩几成。