Gemini 4 Carbon 登顶 AI 指数，安全优先放出，暂无公开 API

谷歌 DeepMind 周三发布了 Gemini 4 Carbon。这款新的前沿模型自称在 Artificial Analysis Intelligence Index v5 上排名第一，却没有通过公开 API 推出，而是通过一个面向经审核网络安全机构的受限访问计划发布。

Carbon 在Artificial Analysis Intelligence Index v5 上得到 59 分，领先 Anthropic 的 Claude Opus 5.5（58 分）和 OpenAI 的 GPT-6 Astra（57 分）。与自家前代的差距更能说明问题：两周前（10 月 13 日）才全面上线的 Gemini 4 Argon，在同一指标上只有 50 分。

这次发布走的是 Fairwind 计划，即谷歌面向政府、关键基础设施运营方和成熟网络安全平台的审核合作伙伴访问渠道。因此 Carbon 上线时不对普通开发者或企业 API 开放，公开 API 的时间表也尚未公布。

Carbon 在网络安全基准上的领先是真的，但护栏方面有重要的保留

安全基准的数字相当亮眼。在测试真实软件环境中自主发现漏洞能力的SEC-bench Pro 上，Carbon 得分 88.2%，GPT-6 Astra 为 85.4%，Argon 为 83.4%。在评估模型能在端到端漏洞利用流程中推进多远的 ExploitGym 上，Carbon 达到 54.8%，比 GPT-6 Astra 的 42.4% 和 Argon 的 42.0% 高出十二个百分点以上。在 Collinear AI 的补丁生成基准 CWE-bench 上，Carbon 达到 71.0%，略胜得分在 67% 至 68% 之间的 Argon、Astra 和 Opus 5.5。

Gray Swan 的独立 IPI 基准显示，Carbon 的攻击成功率为 0.0%，Argon 为 0.7%。间接提示注入（把恶意指令嵌入模型在智能体任务中读取的网页、文档或工具输出）是对长周期部署的直接威胁，因此 Carbon 的这一结果对谷歌瞄准的安全类用例尤为重要。

所有网络安全基准结果都附带一条必须注意的说明：谷歌表示，这些分数是在未启用安全护栏的情况下取得的。在启用谷歌标准限制的生产部署中，模型行为会有所不同，而且通常更受约束。公布的数字并不能证明，Carbon 的 ExploitGym 分数在带护栏的企业部署中能带来多少实际防御价值。

Carbon 如何为长周期智能体工作而打造

谷歌 DeepMind 称，Carbon 专门针对「持续数天」的任务做了优化，即长时间的自主会话，包括大规模代码库调试、跨多个文件生成补丁以及多步骤工程流水线。Varun Mohan（Windsurf 前 CEO，现任 Google Antigravity 负责人）证实，他的团队已经在内部用 Carbon 处理这类工作。

Carbon 沿用了 Argon 的多层安全架构：训练阶段的对齐、实时滥用防御和思维链监控。这套机制与 Carbon 在安全基准上的提升之间如何相互作用，谷歌的公告并未探讨；那些基准全部是在关闭护栏的情况下跑的。

据谷歌公告，在评估多步骤工具调用序列的 AutomationBench 上，Carbon 得分 53.9%，Argon 为 51.3%，Opus 5.5 为 42.5%，Astra 为 41.4%。在考验 25.6 万至 100 万 token 窗口长上下文连贯性的 GraphWalks 上，Carbon 达到 96.2%，Astra 为 71.8%，Opus 为 66.8%，这是 Carbon 优势压倒性的领域。WebDev Arena 上，Carbon 以 1769 Elo 排名总榜第四，比上一款 Gemini 高出 89 分。

有一项披露缺席：谷歌没有发布专门的 Carbon 安全报告。Carbon 公告中链接的安全文档，标题是「Gemini 4 Argon」。

Carbon 不及对手的地方

并非每项基准都对 Carbon 有利。FrontierSWE 2 是在生产代码库上运行的复杂软件工程评测，Carbon 得分 61.2%，低于 GPT-6 Astra 的 65.5% 和 Claude Opus 5.5 的 62.3%。在测试离线桌面任务中自主操作电脑能力的 OSWorld 2.1 上，Carbon 得分 81.5%，Opus 以 87.2% 领先。在衡量开源代码库中自主解决拉取请求的 SWE-sweep 上，Carbon 为 9.6%，GPT-6 Astra 为 9.5%，基本打平；而 Argon 只有 4.3%，可见这两周的代际提升有多大。

一项使用 AA-Omniscience 的独立评测揭示了一个更隐蔽的问题：虽然 Carbon 答对的事实性问题比 Argon 多，但它的幻觉率从 4% 升到了 11%。这一退步意味着，Carbon 比它取代的模型更频繁地给出自信却错误的回答。对于长周期智能体任务（Carbon 主打的用例）来说，未被发现的幻觉会在长流水线的后续步骤中传播，累积成可能直到最终输出才显现的错误。谷歌的公告没有提及这一取舍。

定价与访问结构

Carbon 上线时的优惠价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入为每百万 0.10 美元，比标准输入价格低 95%。优惠期结束后，价格将分别涨到每百万 4 美元和 20 美元。谷歌尚未公布 Carbon 优惠期的结束日期；Argon 的优惠价定于 2026 年 11 月 30 日结束。

上线初期，访问仅限Fairwind 计划参与方。该计划于 9 月 2 日随 Gemini 3.8 Flash Cyber 推出，在全面开放 API 之前，先分阶段向经审核的政府机构、关键基础设施运营方和大型安全平台提供访问。谷歌此前每一款高能力 Gemini 都采用了这种结构。

基准分数背后的竞争格局

Artificial Analysis Intelligence Index v5 采用复合结构，汇总九项独立进行的评测，其中 60% 的测试集保持私有、不予公开，以降低饱和效应，这使该指数比早期的复合指标更难通过基准污染刷分。在这一更难的结构上，Carbon 领先 Opus 5.5 一分（59 比 58），这已是该指数能够有意义地区分的最小差距；在大多数工作流中，这两个分数之间的实际能力差异恐怕难以察觉。

单一的复合分数掩盖了差异的真正所在：Carbon 的真正领先集中在网络安全、长上下文连贯性和多步骤智能体任务上，而 Opus 5.5 在电脑操作和复杂软件工程上仍有优势，GPT-6 Astra 则在 FrontierSWE 2 上领先。对于要挑选模型在大型生产代码库中自主工作的机构来说，Astra 在 FrontierSWE 2 上 4.3 分的优势，可能比 Carbon 在 AI 指数上 2 分的领先更重要。而对于要部署一套必须读取并处理不可信外部内容的 AI 系统的机构来说，Carbon 0.0% 的 IPI 分数会比任何复合分数都更有分量。

决定 Carbon 实际市场覆盖面的里程碑有两个：Fairwind 访问何时扩展为面向普通企业的 API，以及 AA-Omniscience 发现的 11% 幻觉率能否在后续后训练迭代中收窄。谷歌压缩的发布节奏（从 Argon 上线到 Carbon 发布只隔两周）表明，无论如何，竞争格局都会继续快速变化。