Google Deepmind 在 Argon 发布仅两周后就推出了 Gemini 4 Carbon，新模型在 Artificial Analysis Intelligence Index 上登顶。
Carbon 在该指数上得分 59 分，该指数最近更新至 5.0 版本，而前代 Argon以 50 分落后。除了在智能体任务和编程方面的普遍提升外，Google 还强调了其覆盖整个网络防御生命周期的能力，从检测和验证漏洞到修补漏洞。
为多日编程会话而打造
Google Deepmind 表示，Carbon 是为"困难得多、长周期的工程问题"而设计的，这类问题需要持续的智能体工作流。Google 称，内部团队曾连续多日运行该模型，期间它自行走出死胡同，并处理了复杂、多步骤的任务，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 还报告称，基于用户反馈，该模型在科学推理、多模态理解和全栈 Web 开发方面有所改进。Web 开发中更高质量的输出和产物推动 Carbon 在WebDev Arena上提升了 89 个 Elo 分，以 1,769 分位列第四。
在 Gray Swan 的间接提示注入基准测试中，Carbon 将攻击成功率从 Argon 的 0.7% 降至 0.0%，据 Google 称它拦截了所有测试过的操纵尝试。这并不意味着提示注入问题已经解决，但该测试似乎已经饱和。
独立评估印证了 Google 的数据
根据 Artificial Analysis，Carbon 在其最高推理档位（"high"）下领跑 Intelligence Index v5，主要得益于在复杂推理、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拿下四项第一。
在 Antigravity 上的智能体编程任务中，Carbon 仍落后于使用 Opus 5.5 的 Claude Code 三分，尽管相比 Argon 已从 53 提升到 59。在 AA-Briefcase 上的智能体知识工作中，Carbon（high）相比 Argon（high，1,483 Elo）提升 126 分，达到 1,609 Elo，主要得益于演示质量（+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，回答准确率从 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）和 GPT-6 Astra（max）均为 50%。
该评估平台 Vals AI将 Carbon 以 70.36% 的准确率排在第二位，落后于 Claude Sonnet 5.5（70.85%），领先于 Claude Opus 5.5（70.18%），Argon 以 69.24% 位列第四，且成本均更低。
在 Vals.ai 上，Carbon 还同时领跑 Finance Index 和 Legal Research 基准测试。在法律研究中，Vals AI 记录到其引用来源比 Argon 多约 45%、工具调用更频繁、回答更长。
但在 Finance and Tax Agent 基准测试中，任务耗时是 Argon 的两倍多；在 Legal Research 中，Carbon 平均每个任务耗时超过 50 分钟。该模型生成的推理 token 是 Argon 的 2.3 倍，输出 token 多 64%，但仍不到 Sonnet 5.5 和 Opus 5.5 输出 token 数的一半。
在Arena.ai上，Gemini 4 Carbon（High）以 1,528 分领跑 Text Arena，略微超过 Argon（1,520）。在 Agent Arena 中，该模型在超过 21,900 个真实会话中排名第二，领先于 GPT-6 Astra 和 Fable-5.1，净提升 16.2%，并取得最高的可操控性得分（+18.6%）。其中位任务成本为 $1.80，比排名第一的 Claude Opus 5.5（Max）低 72%。
在 Code Arena 的 WebDev 类别中，Carbon 达到 1,768 分（领先第十一名 Argon 89 分），位列第四，仅落后 Claude Sonnet 5.5 (xHigh，1,770) 两分。这使其处于帕累托曲线横跨全部三个领域。
Carbon 在无护栏情况下领跑安全基准测试
在多项安全测试中，Google 在无安全护栏的情况下运行了该模型。在SEC-bench Pro上（该基准衡量在真实软件中自主发现漏洞的能力），Carbon 得分 88.2%，领先所有被测模型。在ExploitGym上（该基准测试系统能否将发现的漏洞转化为可用的利用程序），该模型达到 54.8%。Carbon 还在CWE-Bench 上编写修复程序方面以大幅优势位居第一。
Google 还引用了无法独立验证的内部结果。据称在内部基准测试中，Carbon 生成安全代码的频率是 Argon 的两倍以上；在 Google Chrome 团队的测试中，其编写安全补丁的表现比某未具名竞争对手的前沿模型好十倍以上。
安全专家优先获得访问权限
Google 正在逐步推出该模型，并参与美国政府的发布前测试流程，理由是 Carbon 具备先进的安全能力。部分网络安全专家从本周起优先获得访问权限。之后将通过 Google Deepmind 的Fairwind Program将访问权限扩大到更多受信任的合作伙伴。
该公司计划在收集更多反馈并调整安全护栏后，通过其产品界面向开发者、企业和消费者开放该模型。
Gemini 4 Carbon 的发布定价与 Argon 的 introductory 价格相同：每百万输入 token 2 美元，每百万输出 token 10 美元，缓存输入 token 在常规输入价格基础上享受 95% 折扣。
在 Artificial Analysis 智能指数中，Carbon 每任务成本为 $7.76，比 Claude Opus 5.5（max，$10.04）低约 23%，比 GPT-6 Astra（max，$6.25）高约 1.2 倍。它每任务平均输出 123,000 个 token，比 Anthropic 模型（173,000 个 token）少 29%，并且几乎正好落在 Argon 的价格点（$7.68）上。
Artificial Analysis 的计算基于每百万输入 token $4、每百万输出 token $20 的常规标价（缓存输入 token 另加 $0.20），忽略了当前持续到 2026 年底的 50% introductory 折扣。