Gemini 4 Carbon：17项基准15项第一，Alphabet市值反蒸发3000亿

Gemini 4 Carbon 登顶，幻觉率抬升，谷歌疯狂发模型在急什么？

昨天 Google 才推出世界模型 Genie 4，外界直呼“太疯狂了”；今早 Gemini 4 Carbon 又跟上，直接刷榜“重回全球第一”。再算上两周前的 Gemini 4 Argon，谷歌眼下几乎是“一周一款”地往产品线里塞新模型。

这样的迭代频率，谷歌历史上从没有过。以前它习惯“两年磨一剑”，只发大版本；现在忽然改成了“小步快跑”那套互联网打法。

节奏为什么变？技术路线怎么选、研发模式押哪边、算力基础怎么突围、内部管理怎么调，谷歌在这几件事上都在转向。行业节奏落后之后，这也是一次集中反击。

01

登顶榜首 vs 4000 亿市值蒸发，

谷歌深陷“跑分幻觉”

Gemini 4 Carbon 发布之后，技术圈反应堪称魔幻。

谷歌对外宣布的内容中，最吸睛的标签是“重回世界第一”。在17项基准测试中，它有 15 项拿下了最高成绩，甚至在最新的 Artificial Analysis （AA）智能指数评测中反超 Claude Opus 5.5（58分）和 GPT-6 Astra（57分），夺回世界第一。

图注：Gemini 4 Carbon公开的17项基准测评，勇登第一

不过资本市场这边反应很激烈：新模型和Q3财报一公布，Alphabet 盘后股价一度重挫约10%，市值蒸发3000至4000亿美元。要是次日开盘还接着这么跌，谷歌单日市值损失就将刷新历史纪录。

图注：模型发布后，Google 母公司 Alphabet 股价反而暴跌

面对谷歌交出的这份“满分答卷”，华尔街的反应为何如此分裂？或者说，为了应付这场“考试”，谷歌到底付出了多大的代价？

这次模型更新，谷歌把重点放在“安全能力”和“长任务能力”上，发现安全漏洞的表现尤其抢眼。按谷歌公布的技术数据，Gemini 4 Carbon 在漏洞发现、利用验证、补丁修复这一整套环节上都可以说处于领先。

写代码这块，Gemini 4 Carbon 同样有提升，复杂长任务上的进展尤其明显。它能连着跑上好几天，一路攻克各种难关，最终把复杂的多步骤工程任务解决掉，比如在大型代码库和底层系统里找出并修好那些细微的bug。

从榜单数据中可以直观看到，在 SWE-sweep（Agent级代码修复能力）评测中，Gemini 4 Carbon 已经从 Gemini 4 Argon 的 4.3% 翻倍到 9.6%；在 Terminal-Bench（自主操作和工具调用能力）中，Gemini 4 Carbon 提升了 8.1%，达到 65.2%。

在 GraphWalks（超长文本处理能力）， Gemini 4 Carbon 得分 96.2%，而竞争对手最高才 71.8%，差距悬殊。

和资本市场一样，面对这个“世界第一”的标签，网友也似乎并不买账。

大家对榜单刷分甚至作弊早已见怪不怪。有网友直接发问：这是评测结果达到了顶峰，还是谷歌真的重回了顶峰？

有人表示在 Gemini 4 Argon 已经吃了亏。

回看当初的官方公告和 Google CEO 劈柴哥的宣传，Gemini 4 Argon 被贴上“开创长周期、高难度专业任务的新时代”的标签，还号称有行业最低的幻觉率，能把 Gemini 家族在智能体和代码实操上的短板彻底翻过来。

结果彭博社随后爆出，据内部员工透露，Gemini 4 Argon 榜单分数好看，一干活就歇菜，尤其在前端设计方面吃力。

而这一次的Carbon，更是做实了谷歌为了“考高分”刷题的“小镇做题家”气质。

在代码能力上，Gemini 4 Argon 在 Terminal-Bench 4.0（命令行实操测试）的得分（57%），被行业标杆Claude Opus 5.5（66.4%）远远甩开。在更广泛的整体智能指数上，它也未能超越Claude，只是勉强与 OpenAI 早已发布的旧模型打了个平手。

网友表示，如果Gemini 4 Carbon再过度吹捧，Google 将颜面扫地。

也有不少人抱怨，Gemini 4 Carbon 这次发布只面向部分对象开放，普通人只能盯着榜单分数干着急，没法亲手试，等真正用上时，时机早就过去了。

这些唱衰的声音，说到底就是大家对谷歌模型的真实看法。

从定位上看，Gemini 4 Carbon 不属于重新预训练的下一代旗舰，它是在 Gemini 4 Argon 底座上做的专项增强版本，这也是它两周内就能拿出来的关键原因。

跑分强、体验差是谷歌的老毛病，它的优势更多集中在长上下文、安全、科学计算这些谷歌重点投入的垂直方向，而不是用户感知最强的通用编程和日常智能体体验。

况且在核心通用赛道上，Gemini 4 Carbon 的短板依然明显。

软件工程测试 FrontierSWE 2 里，Gemini 4 Carbon 拿到 61.2%，落后于 GPT-6 Astra 的 65.5% 和 Claude Opus 5.5 的 62.3%；电脑操作测试 OSWorld-2.1 中，Claude Opus 5.5 得分 87.2%，Gemini 4 Carbon 只有 81.5%，排在第二；专业知识工作类评测上，它也没能和竞品拉开距离，有些场景还落在后面。

另一边，能力往上走，胡说的概率也跟着涨。Artificial Analysis 的 AA-Omniscience 知识评测子集显示，Gemini 4 Carbon 的幻觉率从 Gemini 4 Argon 的 4% 升到 11%。这也是它"跑分强、体验一般"的原因之一。

一个经常胡说的模型，黑客攻防就算拿满分，企业客户也不敢放心用。

02

从停发 3.5 Pro

到密集发布的技术内幕

Gemini 从榜首掉下来之后，旗舰产品延期、核心人才流失、编程智能体方向又被对手抢先定义，谷歌最近的压力不小。劈柴哥在多档播客访谈里的说法，把谷歌眼下的焦虑、取舍和战略押注都摆了出来。

在和 Alex Heath 的访谈中，劈柴哥头一回提到年中的一次关键技术路线选择：主动砍掉原计划里的 Gemini 3.5 Pro。

3.5 系列研发早期，团队本来是 Flash 与 Pro 两条线一起推。到了年中内部复盘，大家形成一个关键共识：智能体和编程能力是当前前沿竞争的核心胜负手，而谷歌在这两块短板明显，必须用最快速度补上。

团队最后的判断是，拿轻量级的 Flash 模型爬坡效率最高：体量小、算力成本低、迭代循环快，短时间就能跑大量实验、快速积累能力。按这个思路，谷歌在 3 个月内接连推出 3.5、3.6、3.7、3.8 四代 Flash 版本，集中攻智能体和编程，把快速迭代的整套流程跑通了。

Flash 系列打磨完的时候，Gemini 4 Argon 的预训练也已经收尾。此时再单独发 3.5 Pro，市场生命周期会非常短，反倒浪费算力和研发资源。团队最终决定跳过这个版本，把 Flash 迭代中沉淀的能力通过后训练全部整合进 Argon。

这正是 Google 发布节奏从“两年磨一剑”转向“周期性渐进发布”的体现：不再保守被动地等能力全面成熟，而是按任务领域拆开，哪块成熟就先推哪块。

劈柴哥在 X 平台发布 Carbon 时特意强调：“我们很快还会推出更多模型（包括更高效的版本）”。Carbon 就是这套新机制下的第一个典型成果，往后 Gemini 4.0 时代的发布只会越来越快。不过劈柴哥也指出，Carbon 这类专项优化版本，和面向大众普及的 Argon 蒸馏版是两条并行的技术路线，并不重合。

这种迭代速度背后，有一条关键技术路线，就是 Google 全力押注的递归自我改进（RSI）。

播客里，劈柴哥进一步透露，谷歌曾披露内部新增代码约 75% 由 AI 生成，代码回滚率下降了三分之一，如今几乎每段代码都受 AI 影响；研究员已经在广泛用 AI 智能体协作构建下一代模型，研发流程正式进入 RSI 的探索阶段。

谷歌的 RSI 路径很务实，没有直接去碰修改模型权重这种高风险深水区，而是从外围可量化、易验证的环节切入，逐步形成闭环。

谷歌在2025年推出进化式代码智能体AlphaEvolve，它已在其生产系统中全面铺开，数据中心调度、芯片设计、AI训练流程中都有它的身影，并且通过Google Cloud正式对外商用。到了2026年9月，谷歌又接连公布多项RSI相关研究。其中，Dream-RSI靠构建历史“梦境”来化解智能体探索路径效率低的问题；RRSI则引入正则化，解决的是怎样让AI自主优化智能体工作流却又不跑偏。谷歌联合创始人谢尔盖·布林对此的说法是，研究员与模型正在携手打造下一代模型。

连谷歌内部的算力分配，AI 都深度参与进来。劈柴哥表示，他有自己的专属的内部智能体，能帮他处理信息。

模型研发全流程通常分成预训练群、训练中群、后训练数据群等环节，光跟上24小时内的进展，他每天就得花上一小时。如今有智能体负责做摘要汇总，他能很快掌握全局，需要时再往下看细节。各业务线的算力使用、效率和利用率同样有智能体在监控，帮他做出正确决策。

Gemini 4 Argon上线之后，谷歌内部的生产效率眼下已经出现阶跃式提升。劈柴哥举了个具体例子：他们把它用在大型代码库上，让它去解决已知的问题。

以 Chromium 项目为例，要实现“拖拽标签页脱离窗口、移动位置后页面不刷新”，过去得把 Chromium 所有层级都打通，毕竟那是数百万行代码的体量。如今任务交给 Argon，它能自己一直推进下去，直到功能完整做出来。

模型变强带动研发提速，研发提速又养出更强的模型。这个循环转起来，迭代只会越来越快。劈柴哥预计，未来12个月 RSI 的加速效果会更突出，2027年会是生产力前沿的黄金时代，数学、科学、工程等领域将扎堆出现“跨越式突破”。

可谷歌的算力一直紧张。Gemini 4 Argon 上线 72 小时，累计处理近 25 万亿 Token，用量达到上一代 Gemini 3.0 同期的 3 倍，刷新了谷歌模型首发的用量纪录。

算力不够，Gemini 4 Argon 眼下只优先开放给 API 开发者以及 Ultra/Pro 订阅用户，普通用户还没覆盖到。谷歌也在用“模型蒸馏”做低成本替代版本，但算力仍是这场生存游戏的关键卡点。

劈柴哥在播客里说，算力短缺是整个行业共同的难题。算力基建的决策周期一般要2年，现在能有这些算力撑着，靠的是他 24 年提前下的手。

为了在长期消耗战里站稳位置，谷歌把 2026 年的资本开支指引大幅上调到 1950 亿至 2050 亿美元，2028 至 2029 年的土地、电力与基建布局也已开始提前规划。钱砸下去的直接后果，是 Alphabet 出现上市以来连续季度自由现金流转负。短期财务代价很惨烈，换的是长期的技术统治权。

算力怎么取舍，劈柴哥的态度很坚决：谷歌主动放下云业务的短期营收，把有限的算力资源优先给内部前沿模型研发，不留妥协余地。

谷歌密集上新，说到底是被外部竞争逼的，也是内部路线重构的结果。

外部看，OpenAI、Anthropic 的模型刷新节奏很密，Claude Code 这类工具已经把模型塞进开发者的日常工作流。谷歌缺一个对等的现象级产品，只能靠持续发模型、刷榜单成绩来稳住市场预期。

内部则是“研发范式”的重组。过去的交付模式被推翻，RSI 被落到研发全流程里。算力有限，就用更快的研发循环去补产品入口上的差距。

这个循环一旦跑通，谷歌过去“组织庞大、链条复杂”的短板，在 RSI 加持下反倒成了别人比不了的优势：芯片设计、数据中心调度、浏览器优化，AI 能一口气全干完。这种‘全家桶式’的自我进化，创业公司抄不来。

03

下一个：Gemini Redacted 能否救主

巧的是，Gemini 4 Carbon 发布没多久，谷歌的新模型就泄露了。

有网友调侃“ Fable 5.5 马上发布，就会取代 Gemini 4 Carbon ”，DeepMind 内部员工直接自豪回应“Gemini [redacted] isn’t yet here though”。这句话很快被网友拿来玩梗，那个被遮蔽的词成了下一代新模型的代号 Gemini Redacted。

传闻里的 Redacted，到底是谷歌“三板斧”中的绝招，还是又一次雷声大雨点小的公关秀？

参考链接：https://www.youtube.com/watch?v=fJBSNEFdm8c

https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/?utm_source=x&utm_medium=social&utm_campaign=&utm_content=