Google DeepMind 在 Argon 之后仅两周发布 Gemini 4 Carbon，各项能力全面提升

在 Gemini 4 Argon 之后仅两周，Google DeepMind 发布了 Gemini 4 Carbon，以 59 分登顶 Artificial Analysis Intelligence Index v5。Google 表示，该模型为长时间运行的智能体工作流和完整的网络防御生命周期而打造。由于这些先进的安全能力，初期访问仅限于选定的安全专家。

Google DeepMind 在 Argon 之后仅两周就交付了 Gemini 4 Carbon，新模型登顶 Artificial Analysis Intelligence Index。

Carbon 在最近更新的 5.0 版 Artificial Analysis Intelligence Index 上得 59 分，而前代 Argon 为 50 分。除了在智能体任务和编程上的总体提升，Google 还重点展示了覆盖完整网络防御生命周期的能力——从检测和验证漏洞到打补丁。

Google DeepMind 表示，Carbon 是为“更难、更长期的工程问题”设计的，需要持续的智能体工作流。Google 声称，内部团队连续多日运行该模型，其间它自己走出了死胡同，并处理了复杂的多步骤任务，如大型代码库和底层软件中的根因分析以及细微 bug 修复。

Google 还报告称，根据用户反馈，该模型在科学推理、多模态理解和全栈 Web 开发方面也有改进。Web 开发产出和制品质量的提升使 Carbon 在 WebDev Arena 上上升 89 个 Elo 分，以 1,769 分位列第四。

在 Gray Swan 的间接提示注入基准上，Google 称 Carbon 把攻击成功率从 Argon 的 0.7% 压到 0.0%，拦截了所有受测操纵尝试。这并不意味着提示注入已被解决，但该测试看来已趋饱和。

据 Artificial Analysis，Carbon 在其最高推理档（“high”）之所以领跑 Intelligence Index 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的四项中排名第一。

在 Antigravity 上的智能体编程中，Carbon 仍落后于搭配 Opus 5.5 的 Claude Code 三分，尽管相比 Argon 从 53 跳到 59。在 AA-Briefcase 上的智能体知识工作中，Carbon（high）比 Argon（high，1,483 Elo）提高 126 分，达到 1,609 Elo，主要受呈现质量（+293 Elo 至 1,598）和分析质量（+120 Elo 至 1,671）推动。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）。

答案准确率相比 Argon 从 48% 升至 58%，而幻觉率从 4% 升至 11%。虽然更高，但在排名中仍是第二低。Claude Opus 5.5（max）和 GPT-6 Astra（max）均为 50%。

评测平台 Vals AI 将 Carbon 以 70.36% 的准确率排在第二，落后于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%）和位列第四的 Argon（69.24%），后几者成本均更低。

在 Vals.ai 上，Carbon 还同时领跑 Finance Index 和 Legal Research 基准。在法律研究中，Vals AI 记录到被引用来源比 Argon 多约 45%、工具调用更频繁、回复更长。

但 Finance and Tax Agent 基准中的任务耗时是 Argon 的两倍多；在 Legal Research 中，Carbon 平均每项任务超过 50 分钟。该模型生成的推理 token 是 Argon 的 2.3 倍、输出 token 多 64%，不过仍不到 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 分拿下 Text Arena 第一，以微弱优势超过 Argon（1,520）。在 Agent Arena 中，该模型在超过 21,900 个真实会话中位列第二，领先 GPT-6 Astra 和 Fable-5.1，净提升 16.2%，并拥有最高的可控性（steerability）得分（+18.6%）。其中位任务成本 1.80 美元，比第一名 Claude Opus 5.5（Max）低 72%。

在 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，仅比 Claude Sonnet 5.5（xHigh，1,770）低两分。这使它在全部三个学科上都位于 Pareto 曲线上。

对于若干安全测试，Google 在没有安全护栏的情况下运行了该模型。在衡量真实软件中自主漏洞发现的 SEC-bench Pro 上，Carbon 得分 88.2%，领先所有受测模型。在测试系统能否把发现的漏洞变成可用漏洞利用的 ExploitGym 上，该模型达到 54.8%。在 CWE-Bench 上撰写修复方面，Carbon 也以巨大优势排名第一。

Google 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 Google Chrome 团队的测试中，它在撰写安全补丁方面的表现比一家未具名竞争对手的前沿模型好十倍以上。

Google 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 的先进安全能力。选定的网络安全专家将从本周起率先获得访问权。之后，通过 Google DeepMind 的 Fairwind Program，访问权将扩展到更多可信合作伙伴。……（原文正文在此截断）