Gemini 4 Carbon全面开放：三项Agent评测居首，成本低于对手2倍

大模型赛道比的不再是谁答题更漂亮，重心正挪到能不能把一件复杂的活完整做完。

北京时间刚刚，Google CEO Pichai 在自己的 x 账号上放话：旗舰模型 Gemini 4 Carbon 正式扩大开放，开发者、企业、科研人员以及普通消费者都能用上。

此时离它第一次露面还不到两周。

10 月 28 日 Google 首度公布 Carbon 时，演示的重点放在网络安全、软件工程和长程任务上，可用范围基本局限在特定的网络安全防御团队。现在这款模型走出了受限测试，接入 Google AI Studio、Gemini for business、Google Antigravity，以及面向 Google AI Ultra 订阅用户的 Gemini 应用和搜索 AI Mode。

过去大模型发布爱讲知识问答、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，这一变化本身就说明了取向。

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 三项评测都指向真实工作流程，Carbon 全部排在第一，完成任务的成本比成绩第二的外部模型便宜 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。

三块里，Zapier AutomationBench 看的是模型能不能在真实的业务工具和工作流里把自动化任务做完。Google DeepMind 放出的分数是：Carbon 53.9%，Gemini 4 Argon 51.3%，Claude Opus 5.5 42.5%，GPT-6 Astra 41.4%，Carbon 领先。

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

长上下文推理方面，GraphWalks 测试里 Carbon 的 F1 分数为 96.2%，Argon 只有 84.2%。这项测试的上下文长度覆盖 256K 至 1M Token，考察的是长距离信息关联和图结构搜索。

不过这些数字并不等于 Carbon 已经全面压过对手。

Anthropic 在 11 月 9 日推出 Claude Fable 5.2 之后，Artificial Analysis 的最新综合排名已经翻篇。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。

落到 FrontierSWE v2 的真实软件工程任务上，Claude Fable 5.2 拿到 69.9%，Carbon 是 61.2%。代码修改、终端任务、企业工作流、长程推理这几类场景，各家模型的高低已经明显分开。

所以说，Carbon 在部分 Agent 任务里占优，推不出它编程能力全面第一。

Google 自己也把话说得很清楚：大多数常规软件工程和知识工作任务，Gemini 4 Argon 依旧是更合适的选择；Carbon 的用武之地，是需要深入推理、复杂调试和长时间验证的高难度活。

Google 这回着重提的另一个指标，是任务成本。

按官方口径，上面三项工作流评测里，Carbon 的单任务成本比表现第二的外部模型低 2 倍以上。对需要频繁调模型、跑大量工具操作的企业来说，这个数字落到账面上，可能比单纯的基准测试分数更有现实意义。

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，更该留意的是 Google 对 AI 编程协作方式的改动。

在这次发布中，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 从头包到尾，敲一条提示词就能同时调度多个 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 可以各司其职。

举个例子，复杂的软件架构设计、任务协调和代码审查交给 Carbon，相对简单的活派给速度更快、成本更低的模型。多个 Agent 在隔离的工作空间里并行开工，还可以专门拉一个负责对抗性验证的 Agent 进来，检查代码改动是否符合预期。

这套设计想解的是 AI 编程眼下的一个实际问题：单个模型的本事再大，长时间执行任务也可能跑偏，改动一个模块时也可能顺手弄坏另一个模块。

Google 想靠任务分工、独立工作空间和相互验证这三样，把复杂项目从单个 Agent 一路跑到底的做法，换成多个 Agent 一起配合完成。

为了让外界看到这套能力，Google 拿出了几个实际案例。重建埃菲尔铁塔历史施工过程就是其中之一：开发者只给一条提示词，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。

另一个案例更难。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，交给 Agent 团队去重建 Google Platform 37 办公区域。经过 10 轮夜间执行循环，系统最终产出一个 Three.js 交互式 3D 模型，包含约 90.6 万个三角形网格。

这些案例还证明不了 Carbon 已经能不经人工干预就完成生产级软件开发。但它们至少让人看到 Google 对下一代 AI 编程平台的设想：以后的开发者可能不用再一条条向模型提编程要求，而是像带一个小型工程团队那样，分配目标、检查进度、验证成果。

不过，这种模式能不能大规模用起来，关键还是看 Agent 之间的协作成本、错误传播问题，以及复杂项目最后交付的质量。

从金融报告到复杂数据分析，AI 开始进入高精度知识工作

Google 这次还着重讲了 Carbon 在金融、法律和企业运营领域的应用。这类工作和传统文本问答不一样，模型往往要同时处理大量表格、图表、图片、工程图纸和复杂文档，还得按特定格式输出结果。

比如一项企业财务研究任务，Agent 可能要读几十份财报、提取关键财务指标、核对不同年份的数据，再做出能继续编辑的电子表格和分析报告。中间任何一个环节出错，最终结论都可能受影响。

Google 认为，现有基准测试还不足以衡量模型在这种多模态、长流程知识工作中的表现。为此，Google 和 Artificial Analysis 合作推出了新的 Multimodal Knowledge Agent（MKA）评测，用来测试模型在 Agent 工作流中处理复杂多模态文件的能力。

按 Google 公布的结果，Carbon 在这项评测中排第二，但平均单任务成本比第一名低超过 6 倍。这反映出另一种竞争路线：模型不一定非要在所有指标上拿最高分，只要能以明显更低的成本完成接近领先水平的任务，同样可能有商业价值。

金融领域，Google 还披露了两项发布前评估结果。在 Hebbia 的 E2E Financial Agentic 评估中，Carbon 与接受测试的最佳模型表现相当；在 Balyasny Asset Management 的 General Financial Intelligence 评估中，它位居 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进入的商业市场。要说 Carbon 此次展示中更值得长期关注的方向，那可能是科学研究。

据 Google 公布，研究人员已经用 Carbon 参与了多项科学研究，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。密码学是其中之一。

Google 研究人员搭了一个叫 AlphaProof Code 的 Agent 框架，用来对真实软件代码做形式化验证。普通代码测试只检查程序能不能通过一组测试用例，形式化验证不一样，它的目标是用数学方法证明程序满足特定性质。

研究团队把这一方法用在了 Signal 加密协议底层代码的安全性质证明上。

Google 方面称，研究人员借助 Carbon 等模型，先把安全目标写成数学定理，随后由 AlphaProof Code Agent 调用 Carbon 产出数百万行 Lean 代码，配合完成形式化证明。按 Google 的说法，研究团队几周内就完成了关键安全性质的证明，而同类工作过去往往要专家团队花上数年。

不过，这件事指向的是大模型能够承担的一种更复杂的软件工程任务：除了写代码，它还能帮忙为代码的正确性建立数学层面的证据。Google 同时披露了一项蛋白质研究结果。

AlphaFold 3 这类蛋白质结构预测模型，要靠多序列比对（MSA）去找有进化关系的蛋白序列，从中拿到预测结构所需的信息。问题是，对研究较少的病毒、微生物和真核生物蛋白来说，现有数据库里很难凑齐足够的同源序列，相关分析因此受限。

Google 研究人员搭了一套多 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里自行寻找远缘同源序列。

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高了 40 倍。Google 表示，更大范围的评测还在进行。

实验室检测方法开发中也有 Carbon 的身影。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这类不容易察觉的异常，并协助分析色谱峰重叠和仪器样本残留的问题。

这些应用指向 AI 科研的一个新方向：模型不再只做已有文献的总结，而是开始帮研究人员核查实验数据、发现异常、提出可以验证的分析路径。

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。

漏洞发现评测 SEC-bench Pro 中，Carbon 得分 88.2%；漏洞利用能力测试 ExploitGym 中拿到 54.8%；漏洞修复测试 CWE-bench 中取得 71.0%。

11 月 10 日，Google 又公布了新的实际应用案例。在 Google 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%。开源代码仓库测试中，它的召回率比 Argon 相对提升超过 25%，还找出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，帮维护者把它们重新认定为严重漏洞、及时发布补丁。出于负责任的漏洞披露要求，Google 暂未公开具体漏洞细节。

Wiz 的 Scan for Good 项目里，Carbon 也被用来检查公共数字基础设施。Google 称，在对两家大型 SaaS 服务提供商的扫描中，Carbon 不到两小时就发现了零日漏洞，相关团队随后与受影响企业一起推动修复。

如果这些实际应用能在更大范围内得到验证，AI 或许会改变安全研究中最耗时的部分：从海量代码中找出潜在缺陷，确认它们能否被利用，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，其能力被恶意使用的可能性就越大。

所以 Google 这次也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。

单次尝试就撕开防线的比例，也从 Argon 的 3.1% 下滑到 0.8%。

Gray Swan 做的自动化网络攻击测试里，攻击查询的成功率同样收窄：Argon 是 9.86%，Carbon 只有 2.17%。

外部机构 Trajectory Labs 跑了 132 小时、发出超过 1.3 万次请求，结果没能挖出新的通用越狱手法。

Google 还公开了一组数据：在涵盖 375 项任务的 Agent 诚实性测试中，Carbon 拿到 92% 的通过率，Argon 则为 70%。

能力更强的网络安全版本没有一并放开。Google 依旧按 Fairwind Program 的受控方式开放，普通用户拿不到全部相关能力。

定价砍到 Claude Fable 5.2 的四分之一

模型本事之外，这轮发布另一个被盯住的点就是价格。

按照 Google 的说法，Gemini 4 Carbon 在公开 API 上沿用 Argon 那套限时优惠：输入每百万 Token 2 美元，输出每百万 Token 10 美元。

Claude Fable 5.2 的标准价是输入每百万 Token 8 美元、输出每百万 Token 40 美元。两相比较，Carbon 眼下的单位 Token 价格只有前者的四分之一。

便宜归便宜，这个价格有截止时间。

Google 写明，优惠到 2026 年 11 月 30 日为止。过了这天，Carbon 公开 API 的标准价会调成输入每百万 Token 4 美元、输出每百万 Token 20 美元。

换句话说，到时候单位 Token 价格会翻到现行优惠价的两倍。

单位 Token 便宜，不等于干完同一件事一定更省钱。Google 自己也不讳言：碰上复杂任务，Carbon 消耗的 Token 会比 Argon 多，因为它要做深入探索、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，给 Gemini 4 Carbon 的全面开放站台。

据他介绍，Google 内部已经大量拿 Carbon 处理最复杂的长程任务，其中一项是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、Zapier AutomationBench 等独立基准测试里也排在前列。

他讲的一个案例挺有意思：Google 团队让 Carbon 去分析阿波罗登月舱的历史照片和图纸，试着把这款人类首次载人登月用过的航天器重建出来。阿波罗登月舱没有完整实物返回地球可供研究，团队只能靠留存的影像和工程资料，由 Carbon 做出可视化的 3D 模型，再进一步剪成演示视频。

实测：生成质量输给 Fable 5.2，但价格占优

基准分数之外，Gemini 4 Carbon 在真实软件开发里的表现也得到了开发者点头。尤其是那些需要长时间自主执行的复杂编程任务，Carbon 已经能扛起从技术方案设计到代码落地的整条流程。

OpenCode 软件工程师 Kit Langton 回忆，团队当时始终没法让应用界面跟现有 UI 框架对上。“一天工作快收尾时，我们给 Carbon 递了一份需求清单。没想到一夜之间，Carbon 就从零搭出一个全新的 Rust UI 库，连 OpenCode 桌面应用也重写了一遍，还给出了能跑起来的演示程序。这个模型的思考能力非常强。现在碰上最棘手的任务，Carbon 已经是我们优先考虑的规划模型。”

Gemini 4 Carbon 正式开放之后，首批拿到提前体验资格的开发者陆续晒出了测试结果。比起官方公布的基准成绩，这些来自真实场景的反馈可能更能说明 Carbon 实际干活时的样子。

x 上有一位提前用上 Carbon 的开发者，对新模型评价不错。

他写道：“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。”

但在他眼里，Carbon 的意义不止于性能往上走，还在于它给出了和 Claude、GPT 不一样的那套解题思路。

“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。”

有开发者拿了一段视频交给Carbon，让它用Three.js把视频里的画面和效果复刻出来。结果Carbon真把对应的Three.js实现写了出来。这个测试挺有意思。

它说明Carbon能把视觉信息变成能跑的代码。光是看懂视频内容还不够，模型得认准画面里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。另有开发者让Gemini 4 Carbon和Claude Fable 5.2各自生成“废墟机器人”动画，对比两者效果。测试者的判断是，质量上Fable 5.2还是略强于Carbon，可Carbon的花费比Fable 5.2低得多。

3D动画生成还有另一项测试。有开发者用Gemini 4 Carbon从零写了一套自定义CUDA/C++路径追踪器，把MuJoCo刚体物理引擎集成进去，设计出一套长达60秒的鲁布·戈德堡机械装置。这类装置靠一连串连锁反应完成任务，结构相当复杂。

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。开发者最后放出的完整动画把物理模拟、3D渲染、连续镜头和音乐揉在一起，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显现。

3D建模和物理模拟方面，另一位开发者做了展示。只给一张参考图片，Carbon就建起一座交互式物理实验室，灵感来自19世纪巴黎，取名Analyse Spectrale（Mod. M1-2-15）。场景里有92个精密部件，材料是黄铜、铜和硼硅酸盐玻璃，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。界面里的SVG瓦特指示器和工程示意图以60 FPS运行。

让这位开发者意外的是，Carbon把不同材料的真实质感还原得相当到位，还自己设计了整套UI。他并没有给过任何界面设计参考。他感叹：“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：