Gemini 4 Carbon全面开放：重写OpenCode，价格仅Fable 5.2的四分之一

大模型之间的比拼，重心已经变了。过去看谁答得好，现在看谁能把一件复杂的活儿真正干完。

Google CEO Pichai 刚在 x 上宣布，旗舰模型 Gemini 4 Carbon 正式扩大开放范围，开发者、企业、科研人员和普通消费者都能用上。

此时距这款模型第一次露面，还不满两周。

10 月 28 日 Google 首度公布 Carbon 时，主要展示的是它在网络安全、软件工程和长程任务上的本事，可用范围基本限于特定的网络安全防御团队。现在它走出了受限测试，进入 Google AI Studio、Gemini for business、Google Antigravity，也进入面向 Google AI Ultra 订阅用户的 Gemini 应用和搜索 AI Mode。

以往大模型发布，讲的多是知识问答、数学推理、代码生成。这次 Google 把真实工作场景摆到了更靠前的位置。

Gemini 4 Carbon 全面开放，三项 Agent 评测第一

官方披露的数据显示，CursorBench 4.0、Perplexity WANDR 和 Zapier AutomationBench 这三项针对真实工作流程的评测，Carbon 都排在第一，完成任务的花费比表现第二的外部模型低 2 倍以上。三项评测分别对应 AI 编程、信息检索与复杂任务执行、跨企业应用的业务流程自动化。

Zapier AutomationBench 考的是模型能不能在真实业务工具和工作流里把自动化任务做完。Google DeepMind 给出的成绩是：Carbon 53.9%，Gemini 4 Argon 51.3%，Claude Opus 5.5 42.5%，GPT-6 Astra 41.4%。

更偏代码和系统操作的 Terminal-Bench 4.0 里，Carbon 拿到 65.2%，Argon 是 57.1%，GPT-6 Astra 是 59.1%。

长上下文推理测试 GraphWalks 中，Carbon 的 F1 分数为 96.2%，Argon 为 84.2%。该测试的上下文范围是 256K 至 1M Token，重点看模型在长距离信息关联和图结构搜索上的表现。

不过这些分数不代表 Carbon 已经全面压过对手。

11 月 9 日 Anthropic 发布 Claude Fable 5.2 之后，Artificial Analysis 的最新综合评测排名已经变了。按该机构发布版本的对比，Claude Fable 5.2 最高推理配置的 Intelligence Index 得分是 65，Gemini 4 Carbon 的 high 配置为 60。

真实软件工程任务 FrontierSWE v2 中，Claude Fable 5.2 拿到 69.9%，Carbon 是 61.2%。换句话说，代码修改、终端任务、企业工作流、长程推理这些场景里，各模型的表现已经明显分化。

所以 Carbon 在部分 Agent 任务上的领先，说明不了它的编程能力样样第一。

Google 官方也讲得很清楚：大多数常规软件工程和知识工作任务，Gemini 4 Argon 仍更合适；Carbon 主要用在需要深入推理、复杂调试和长时间验证的高难度活儿上。

Google 这次着重提的另一个指标，是任务成本。

按官方说法，上述三项工作流评测中，Carbon 的单任务成本比表现第二的外部模型低 2 倍以上。对频繁调用模型、大量执行工具操作的企业来说，这个数字可能比基准测试得分更实在。

一条指令调度整个 Agent 团队，Google Antigravity 开始“群体作战”

比起评测分数，Google 对 AI 编程工作方式的改动更值得看。

本次发布中，Google 宣布为 Antigravity 预览推出/swarm功能。说白了，开发者不必再让一个 Agent 包揽全部工作，一条提示词就能调动多个 Agent 分头处理不同任务，各自的执行进度还能实时看到。

这些 Agent 可以扮演不同角色。

比如让 Carbon 管复杂的软件架构设计、任务协调和代码审查，把相对简单的工作交给速度更快、成本更低的模型。多个 Agent 能在隔离的工作空间里并行干活，还可以加一个专做对抗性验证的 Agent，检查代码修改的结果。

这套设计想解决的是 AI 编程当下的一个现实难题：单个模型编程能力再强，长时间执行任务也可能跑偏，改了一个模块还可能弄坏另一个模块。

Google 想靠任务拆分、各 Agent 独立工作空间外加互相校验，让复杂项目不再由单个 Agent 一路跑到底，而是交给多个 Agent 配合完成。

为了把这套能力摆出来，Google 给了好几个真实案例，其中一个就是还原埃菲尔铁塔当年的建造过程。

开发者只丢过去一条提示词，Carbon Agent 团队就翻出 1887 年至 1889 年间的历史照片和工程图纸，做出了一个基于 Three.js 的交互式 3D 展览。

另一个案例的难度更高。

Google 找来 7 份公开的市议会规划 PDF，里面提取出 206 个工程图视图，让 Agent 团队据此重建 Google Platform 37 办公区域。

夜里跑了 10 轮执行循环后，系统生成的是一个 Three.js 交互式 3D 模型，三角形网格约 90.6 万个。

这些案例当然没法直接说明 Carbon 已经能无人插手地完成生产级软件开发，但 Google 对下一代 AI 编程平台的设想至少摆出来了：以后的开发者可能不再逐条向模型提编程要求，而是像带一个小型工程团队那样，派目标、查进度、验成果。

可真要大规模用起来，卡脖子的还是 Agent 之间的协作开销、错误会不会一路传下去，以及复杂项目最后交出来的质量。

从金融报告到复杂数据分析，AI 开始进入高精度知识工作

金融、法律和企业运营这几块，也是 Google 这次重点提的 Carbon 应用场景。

这类活儿跟传统文本问答不一样，模型往往要同时啃大量表格、图表、图片、工程图纸和复杂文档，最后还得按指定格式交结果。

拿一项企业财务研究任务来说，Agent 可能要读几十份财报，把关键财务指标拎出来，核对不同年份的数据，再做成还能继续编辑的电子表格和分析报告。

中间哪个环节出了错，最终结论都可能被带偏。

Google 的判断是，现有基准测试还不足以衡量模型在这类多模态、长流程知识工作中的表现。

于是 Google 拉上 Artificial Analysis 做了新的 Multimodal Knowledge Agent（MKA）评测，专门测模型在 Agent 工作流里处理复杂多模态文件的能耐。

Google 公布的结果显示，Carbon 在这项评测里排第二，但平均单任务成本比排第一的模型低超过 6 倍。

这个结果指向另一条竞争路子：模型不必在每个指标上都拿绝对最高分，只要能以明显更低的成本做出接近领先水平的任务，照样可能有商业价值。

金融领域，Google 还放出了两项发布前评估的结果。

在 Hebbia 的 E2E Financial Agentic 评估中，Carbon 跟受测的最佳模型表现相当；在 Balyasny Asset Management 的 General Financial Intelligence 评估中，它排进了 23 种前沿模型配置的前列。后一项评估覆盖法律知识、工具调用、代码与数据工程，以及感知和上下文理解等多个维度。

AI 编程和企业自动化代表的是大模型已经杀进去的商业市场，而科学研究或许是 Carbon 这次展示里更该长期盯住的方向。

按 Google 的说法，研究人员已经用 Carbon 参与了不少科研工作，包括密码学代码形式化验证、实验室数据分析和蛋白质结构研究。

先说密码学这块。

Google 研究人员搭了个叫 AlphaProof Code 的 Agent 框架，用来对真实软件代码做形式化验证。这跟普通代码测试不是一回事：形式化验证要靠数学方法证明程序满足特定性质，而不只是看它能不能过一组测试用例。

研究团队把这个方法用在了 Signal 加密协议底层代码的安全性质证明上。

Google披露，研究人员借助Carbon等模型把安全目标写成数学定理，随后由AlphaProof Code Agent依靠Carbon产出数百万行Lean代码，配合完成形式化证明。按Google的说法，团队几周内就做完了关键安全性质的证明，同类工作过去往往要专家团队投入数年。

这项工作的意义在于，大模型可能承担更复杂的软件工程任务：除了写代码，还能帮着建立代码正确性的数学证据。

生命科学方面，Google还公布了一项蛋白质研究结果。AlphaFold 3这类蛋白质结构预测模型靠多序列比对（MSA）寻找有进化关系的蛋白质序列，以此拿到结构预测所需的信息。问题是，一些研究较少的病毒、微生物和真核生物蛋白质，在现有数据库里很难找到足够的同源序列，相关分析因此受限。

针对这一难点，Google研究人员搭建多Agent系统，让Carbon在PB级未注释序列档案、环境与病毒序列目录以及三维结构数据库中自主搜寻远缘同源序列。在CASP17盲测数据集的7个低同源蛋白家族上，Carbon检索到的同源序列数量平均提升40倍。

Google表示，范围更大的评测还在进行。

Carbon也被用到了实验室检测方法开发中。研究人员把实验记录和原始数据交给模型，它找出了自动化混合不充分之类不易察觉的异常，还协助分析色谱峰重叠和仪器样本残留问题。这些应用指向AI科研的一个新方向：模型不再只做文献总结，而是开始帮研究人员核查实验数据、发现异常、给出可验证的分析路径。

网络安全能力升级：漏洞召回率100%

网络安全仍是Carbon最突出的技术方向之一。10月28日首次公布Carbon时，Google就展示了它在漏洞发现、漏洞利用验证、漏洞修复三个环节的表现。

具体来看，SEC-bench Pro漏洞发现评测中Carbon得分88.2%；ExploitGym漏洞利用能力测试拿到54.8%；CWE-bench漏洞修复测试为71.0%。

11月10日，Google又公布了新的实际应用案例。在自主安全系统Project Fortify的内部基准测试里，Carbon扫描环节的召回率达到100%，漏洞分诊精确率95%。在开源代码仓库测试中，其召回率较Argon相对提升超过25%，还发现了此前未被识别的真实逻辑漏洞。

Google Cloud Vulnerability Research团队还用Carbon验证了某款流行开源软件中的两个缺陷确实可被利用，并写出概念验证代码，帮助维护者将其重新认定为严重漏洞、及时发布补丁。按照负责任的漏洞披露要求，Google暂未公开具体漏洞细节。

在Wiz的Scan for Good项目中，Carbon也被用来检查公共数字基础设施。Google称，对两家大型SaaS服务提供商的扫描中，Carbon不到两小时就发现了零日漏洞，随后相关团队与受影响企业联手修复。

如果这些实际应用能在更大范围内得到验证，AI或许能改变安全研究中最耗时的部分：从海量代码里找出潜在缺陷，验证其可利用性，再给出可运行的修复方案。但问题也随之而来。

模型越擅长发现和验证漏洞，能力被恶意使用的可能就越大。为此，Google此次一并公布了新的安全防护评估。在包含ExploitBench和CyScenarioBench的模拟网络攻击环境中，Google表示，Carbon的安全机制阻断了自适应红队Agent发起的99%攻击轨迹。

单次尝试就突破防线的比例，也从 Argon 的 3.1% 降到了 0.8%。

Gray Swan 做的自动化网络攻击测试里，攻击查询成功率同样从 Argon 的 9.86% 滑到 Carbon 的 2.17%。

外部机构 Trajectory Labs 跑了 132 小时、超过 1.3 万次请求，结论是没发现新的通用越狱方法。

Google 还公布了一项包含 375 项任务的 Agent 诚实性测试，Carbon 通过率为 92%，Argon 则是 70%。

至于能力更强的网络安全版本，Google 依旧走 Fairwind Program 的受控开放路子，并没有把这些能力一股脑交给普通用户。

价格降至 Claude Fable 5.2 的 1/4

模型本事之外，价钱是这次发布的另一大关注点。

Google 给出的方案是：Gemini 4 Carbon 在公开 API 上沿用与 Argon 一致的限时优惠价，每百万输入 Token 2 美元、每百万输出 Token 10 美元。

Claude Fable 5.2 的标准价则是每百万输入 Token 8 美元、输出 Token 40 美元，按单位 Token 算，Carbon 眼下只收它的四分之一。

当然，这个便宜不是无限期的。

Google 官方写明，优惠到 2026 年 11 月 30 日截止；之后 Carbon 的公开 API 标准价会调成每百万输入 Token 4 美元、输出 Token 20 美元。

换句话说，届时单位 Token 的价格会是现在优惠价的两倍。

但单位 Token 便宜，不等于干完同一件事的实际开销就一定更低。Google 自己也不讳言，Carbon 处理复杂任务时会比 Argon 消耗更多 Token，用来做深入探索、推理和多轮验证。

Google DeepMind 高级副总裁、Google 首席 AI 架构师 Koray Kavukcuoglu 也在 x 上发帖，为 Gemini 4 Carbon 的全面开放助阵。

据他介绍，Google 内部已经大量拿 Carbon 处理最复杂的长程任务，比如帮研究团队用数学方法验证 Signal 核心加密协议的安全性质。另外，Carbon 在 CursorBench 4.0、Perplexity WANDR 和 Zapier AutomationBench 等独立基准测试里同样排在前列。

他还讲了一个挺有看头的例子：Google 团队让 Carbon 去分析阿波罗登月舱的历史照片和技术图纸，试着把这艘人类首次载人登月用的航天器重建出来。阿波罗登月舱没有完整实物返回地球可供研究，团队只能靠留存的历史影像和工程资料，让 Carbon 做出可视化的 3D 模型，再进一步制成演示视频。

实测：生成质量不如 Fable 5.2，但胜在价格低

基准成绩之外，Gemini 4 Carbon 在实际软件开发中的表现也得到了开发者认可。尤其是那些需要长时间自主执行的复杂编程任务，Carbon 已经开始接手从技术方案设计到代码实现的整套流程。

OpenCode 软件工程师 Kit Langton 回忆，当时团队始终没法让应用界面和现有的 UI 框架对上。那天快下班时，他们把一份需求清单交到了 Carbon 手上。没想到只用了一个晚上，Carbon 就从零搭出一套全新的 Rust UI 库，连 OpenCode 桌面应用也一并重写，还拿出了能正常运行的演示程序。在 Kit Langton 看来，这个模型的思考能力相当出众；碰到最难啃的任务，Carbon 已经是他们规划时的首选模型。

Gemini 4 Carbon 正式开放后，首批拿到提前体验资格的开发者陆续晒出了自己的测试结果。跟官方公布的基准成绩比起来，这些来自真实使用场景的反馈，也许更能说明 Carbon 在实际任务里到底怎么样。

x 上就有一位提前体验 Carbon 的开发者，对新模型评价不错。

他的说法是：“我有幸提前体验了 Gemini 4 Carbon，它是一个非常优秀的模型，相比 Argon 有所改进。”

不过在他眼里，Carbon 的意义不只是性能变强，还在于它给问题解决提供了跟 Claude 和 GPT 不一样的路子。

“拥有一个思维方式与 Claude/GPT 不同的 AI 非常有用。它同样功能强大，但也有自己的优势和劣势。”

有位开发者做了个挺有意思的测试：把一段视频丢给 Carbon，让它用 Three.js 把画面和效果复现出来。结果 Carbon 真把对应的 Three.js 实现写出来了。

这个案例说明 Carbon 能把视觉信息变成能跑的代码。它不只是看懂视频里有什么，还得认出画面中的视觉元素和它们的变化，再把这些转成三维场景和程序逻辑。

也有人拿 Gemini 4 Carbon 和 Claude Fable 5.2 分别生成“废墟机器人”动画，对比两者的效果。测试者觉得，质量上 Fable 5.2 还是比 Carbon 稍强一点。不过 Carbon 的花费比 Fable 5.2 低得多。

另一项 3D 动画测试里，有开发者用 Gemini 4 Carbon 从零写了一套自定义 CUDA/C++ 路径追踪器，并接入 MuJoCo 刚体物理引擎，设计出一套长达 60 秒的鲁布·戈德堡机械装置（靠一连串连锁反应完成任务的复杂机械系统）。

整段动画在 MuJoCo 里模拟了 12 万个重力与物体接触计算步骤，没有用关键帧动画。Carbon 还搭好了 3D 工作室场景，把连续运镜和定制的 Lyria 3.5 音乐轨道对上。最后开发者拿出的是一段把物理模拟、3D 渲染、连续镜头和音乐揉在一起的完整动画，Carbon 在复杂编程、物理仿真和多媒体内容制作上的综合能力也由此体现出来。

还有开发者展示了 Gemini 4 Carbon 在 3D 建模和物理模拟上的本事。只给一张参考图，Carbon 就搭出一座以 19 世纪巴黎为灵感的交互式物理实验室，名叫 Analyse Spectrale（Mod. M1-2-15）。场景里有 92 个由黄铜、铜和硼硅酸盐玻璃构成的精密部件，还做出了实时 Beer-Lambert 光吸收与 Rankine 涡旋效果、轴向爆炸视图，以及复古档案风格的 Bento 用户界面。界面里还有以 60 FPS 运行的 SVG 瓦特指示器和工程示意图。

让开发者意外的是，他没给任何界面设计参考，Carbon 不光把不同材料的真实质感还原得挺到位，还自己把整套 UI 设计了出来。他感叹道：“Gemini 模型在 3D 和物理模拟方面真的越来越强了，简直令人震惊！”

参考链接：