Gemini 4 Carbon开放：长程推理与AI安全实战数据

Gemini 4 Carbon：从聊天转向长程推理

Google已正式向外界开放Gemini 4 Carbon。这回的更新并非只在对话体验上做打磨，而是直奔软件工程、多模态分析以及那些需要长时间维持上下文的复杂推理任务而去。

对开发者而言，这个模型的分量在于它开始真正嵌入工作流。Cognition公司已把它接入Devin Desktop和CLI工具。Cognition给出的数据显示，Gemini 4 Carbon在FrontierCode 2.0基准测试中拿下40.0%的分数。单看这个数字或许有些抽象，但对照其定位就能明白，Google显然不满足于让它写几段代码，而是希望它能扛起跨文件、跨模块乃至跨天推进的长期开发任务。

眼下该模型正陆续向消费者和开发者推送，桌面、移动端和网页端都会覆盖。Google DeepMind称，这是其面向复杂长程任务的旗舰模型，目标就是那些传统文本基准测不到的专业知识工作场景。

AI安全：从理论担忧走向实战数据

以往聊起AI安全，话题多半停在“幻觉”“偏见”这类概念上。不过最近几天，两家公司的动作把这件事拉到了具体、可量化的层面。

先看Vercel。这家前端云平台亮出一组让人吃惊的数字：智能体安全审查功能上线还不到一周，就找出了57,897个漏洞。其中6,029个被划为严重或高危级别。更关键的是，系统自己动手修好了14,665个。也就是说，AI不再只是那个需要人盯着、防止它出错的助手，它已经开始独立分担一部分安全运维的活儿。这些漏洞的具体分布和类型虽未全部公开，但仅凭这个数量级就能看出，在现代软件开发流程里，引入自动化安全审查已是刚需。

Anthropic也在往相近的方向推。Claude Mythos 5.2模型已经接入Devin托管的安全扫描服务。Cognition宣布将提供超过1亿美元的扫描额度，想借大规模应用来检验模型在网络安全领域的表现。Cognition内部测试显示，这套组合在网络安全基准上的得分是73.5。要说明的是，这是厂商自测成绩，实际效果还得靠更多第三方数据来验证，但方向至少是清楚的：AI正从生成代码转向审查代码。

为配合这股趋势，Google Cloud还给出了一份具体操作指南：在Pull Request（代码合并请求）里怎么跑CodeMender。这是个用来发现并修复智能体生成代码中安全漏洞的工具。把安全检查塞进开发流程的最前端，团队就能在代码合并之前拦下潜在风险，不必等部署完再去救火。

评测基准：MKA补上多模态空白

模型越做越强，旧的那套考卷就不够用了。

Google与Artificial Analysis联手推出了多模态智能体评测基准MKA。传统基准大多盯着文本逻辑或静态图像识别，可现实中的工作任务往往更复杂。MKA要评的，正是智能体处理视觉复杂、多模态专业任务的能力。

打个比方，以前的模型也许能读懂一张图表里的数字，却看不懂这张图在业务蓝图中处于什么位置，也没法结合周边文档一起判断。MKA覆盖了图表、蓝图等传统文本基准照顾不到的知识工作场景。模型究竟能不能胜任“智能体”这个角色，而不只是个“问答机器”，MKA提供了一把更贴近真实的尺子。

基础设施与数据：NVIDIA和BigQuery的新动作

模型之外，数据和基础设施层面的更新同样有看头。

NVIDIA在Hugging Face上放出了两套面向日语的Nemotron合成数据集。一套用来生成日语人物画像，另一套用于个人信息检测。对非英语语系的模型训练来说，高质量数据一直是道坎。NVIDIA这么做，是想压低日语模型开发的门槛，尤其在隐私合规和个人信息保护方面，给出了能直接用的训练素材。

Google Cloud则发布了BigQuery measures。这功能听着枯燥，对大企业却很重要。它把受治理的业务指标定义和知识图谱关系接在了一起。说白了，过去不同部门对“活跃用户”或“营收”的定义可能各说各话，AI分析起来就乱套。BigQuery measures想立一个统一的语义基础，让AI智能体回答企业问题时，能建立在一致且准确的数据定义上，少一些“一本正经胡说八道”。

创意工具：Runway试水实时交互

视频生成领域，Runway亮出了一个新原型：实时绘图动画。

用户在画板上作画，系统同步生成动画，还尽量保住用户原本的画风。这和过去“输入提示词—等上几分钟—生成视频”的路子完全不同。它探的是实时视频生成在交互式创作里怎么用。目前它只是个原型，却指向了未来创意工具的一个方向：延迟更低、可控性更高的人机协作。创作者不用再干等着，而是能实时引导。

结语

这一周的动向说明，AI行业正从“拼参数”拐向“拼落地”。

Gemini 4 Carbon冲着长程任务做优化，Vercel和Anthropic用真实数据证明AI在安全领域的价值，MKA基准想立一套更合理的评价体系，BigQuery measures则对准企业数据一致性的痛点。这些动作都不是单纯炫技，而是在解具体场景里的具体问题。

对开发者来说，关注点也许可以从“哪个模型更强”挪到“哪个模型更能融进我的工作流”。毕竟，能自动修掉一万多个漏洞的AI，比只会写Hello World的AI有用得多。