Google DeepMind 在 Argon 发布仅两周后推出 Gemini 4 Carbon，各项能力全面提升

2026-10-29

在 Gemini 4 Argon 发布仅两周后，Google DeepMind 发布了其下一代前沿模型 Gemini 4 Carbon。Carbon 以 59 分登顶 Artificial Analysis 智能指数 v5，高于 Argon 的 50 分。Google 称 Carbon 是为多日、自主的开发工作流而构建的。它在 Artificial Analysis 的编程智能体指数上正在快速缩小差距（59 分，而 Argon 为 50 分），但仍落后于 Claude Opus 5.5（62 分）。鉴于其先进的网络安全能力，Carbon 正在走美国政府的自愿预测试流程，初期只会向选定的安全专家开放。定价与 Argon 保持不变。

Google DeepMind 在 Argon 之后仅两周就交付了 Gemini 4 Carbon，新模型拿下了 Artificial Analysis 智能指数的头名。Carbon 在最近更新的 5.0 版 Artificial Analysis 智能指数上得分 59 分，而前代 Argon 以 50 分落后。除了在智能体任务和编程上的普遍提升，Google 强调其能力覆盖整个网络防御生命周期，从检测和验证漏洞到修补漏洞。Google DeepMind 表示，他们设计 Carbon 是为了应对“困难得多、长周期的工程问题”，这类问题需要持续的智能体工作流。据 Google 称，内部团队让该模型连续运行了数天，期间它自行走出了死路，并处理了复杂多步任务，例如大型代码库和底层软件中的根因分析和细微 bug 修复。Google 还根据用户反馈报告了在科学推理、多模态理解和全栈网页开发方面的改进。网页开发中更高质量的产出与成果物使 Carbon 在 WebDev Arena 上提升了 89 Elo 分，以 1,769 分位列第四。

在 Gray Swan 的间接提示注入基准上，Carbon 将攻击成功率从 Argon 的 0.7% 降至 0.0%，据 Google 称它拦截了所有被测试的操纵尝试。这并不意味着提示注入已被解决，但该测试看起来已经饱和。根据 Artificial Analysis 的说法，Carbon 在其最高推理档位（“high”）领跑智能指数 v5，主要因为其在复杂推理、知识检索和科学任务上的最高分，在该指数九项单项评估中的四项拿下第一。

在 Antigravity 上的智能体编程中，Carbon 相比 Argon 从 53 分升至 59 分，但仍落后 Claude Code 搭配 Opus 5.5 三分。在 AA-Briefcase 上的智能体知识工作中，Carbon（high）比 Argon（high，1,483 Elo）提升 126 分，达到 1,609 Elo，驱动力来自演示质量（+293 Elo 至 1,598）和分析质量（+120 Elo 至 1,671）。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）。与 Argon 相比，答案准确率从 48% 升至 58%，而幻觉率从 4% 升至 11%。这一数字更高，但仍是排名中第二低的。Claude Opus 5.5（max）与 GPT-6 Astra（max）各自为 50%。

评估平台 Vals AI 将 Carbon 排在第二位，准确率 70.36%，落后于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%）和第四位的 Argon（69.24%），且成本更低。

Gemini 4 Carbon 在 Argon 发布两周后推出，以 59 分登顶 Artificial Analysis 智能指数 v5，主打多日自主开发工作流，编程智能体仍落后 Claude Opus 5.5，因网络安全能力先向特定安全专家开放，定价与 Argon 持平。

这是什么信号

表面上这是一次常规的旗舰模型发布，真正的信号在节奏和定位。Argon 到 Carbon 只隔两周，前沿模型的迭代正在从“半年一代”变成“补丁式小步快跑”——同一代架构上做定向强化，快速刷新榜单，再靠 API 定价不变把用户留在原地。Carbon 的卖点也不是“更聪明”，而是“跑得久”：Google 明确说它是为多日、自主的开发工作流设计的，内部团队连续跑数天，模型能自己从死路里退出来，做根因分析和大型代码库中的细微 bug 修复。这是把“智能体耐力”当成核心指标来卖，而不是单轮答题能力。

为什么重要

榜单结构说明了能力分布并不均匀。Carbon 在 Artificial Analysis 智能指数 v5 上以 59 分登顶（Argon 为 50），九项评估里拿了四个第一，靠的是复杂推理、知识检索和科学任务；但在智能体编程上仍是 59 分，落后 Claude Code 配 Opus 5.5 三分。也就是说，“通用智力”领先和“能替你干完一整件事”领先，是两件不同的事。另一条容易被忽略的信息是准入：因为网络安全能力突出，Carbon 走了美国政府的自愿预测试流程，初期只对特定安全专家开放。能力越靠近攻防边界，商业可用性越先被合规闸门卡住，这会成为前沿模型的常态。

还有一个具体数字值得盯住：在 Gray Swan 的间接提示注入基准上，攻击成功率从 Argon 的 0.7% 降到 0.0%。报告自己也承认这不等于提示注入被解决，只是这项测试饱和了。对做智能体产品的人来说，这是个警示——你的安全验收基线可能已经失效，不是模型变安全了，而是考题不够难了。

对谁有价值

第一类是构建长周期编码智能体的团队：Carbon 明确瞄准“数天的工程任务”，如果你的场景是跨文件重构、遗留系统排障、底层软件调试，这套定位比通用榜单分数更相关。第二类是知识工作自动化方向：AA-Briefcase 上 Carbon（high）比 Argon 提升 126 Elo 到 1,609，主要来自演示质量（+293）和分析质量（+120），说明交付物的完成度在改善，而不只是答案对不对。第三类是成本敏感的应用方：定价与 Argon 持平，等于同样的钱买到更高的能力上限，单位任务成本结构直接改善。

可以怎么行动

别用单轮 benchmark 做选型。用你自己的真实任务做一次“长跑测试”：给一个需要多步、允许它走错路再回头的任务，观察它是绕回还是卡死，这比指数分差更能预测生产表现。把幻觉率纳入验收口径——Carbon 准确率从 48% 升到 58%，但幻觉率从 4% 升到 11%，虽然仍是榜单第二低，但对需要高可信输出的场景是明确的退步信号。同时评估准入风险：如果 Carbon 初期只对特定安全专家开放，你的产品路线图不能把它当作默认依赖。最后，把同级模型放进同一条成本-准确率曲线里比：Vals AI 上 Carbon 以 70.36% 排第二，落后 Claude Sonnet 5.5 的 70.85%，领先 Opus 5.5 的 70.18% 和 Argon 的 69.24%，且成本更低，这种“次优但便宜”的位置往往才是生产环境的甜点。

风险与限制

信息结构本身有偏差：能力描述大量来自 Google 自述（连续跑数天、自行走出死路），第三方只提供了榜单分数，二者不能等价看待。竞争格局也没被改写——编程智能体落后 Opus 5.5，AA-Briefcase 上还排在 Kimi K3.1 Pro、Muse Wonder、Grok 4.7 之后。安全侧则是双刃：基准饱和意味着现有测试已经无法区分模型强弱，真实攻击面未知。加上预测试与限量开放，短期内它更像一个能力展示，而不是可以立刻压上去的生产基础设施。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《Google DeepMind 在 Argon 发布仅两周后推出 Gemini 4 Carbon，各项能力全面提升》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。