众力资讯网

榜首易主之后:Gemini 4 Carbon 的 AA榜单59 分,不只是一次排名翻身

榜首易主之后:Gemini 4 Carbon 的 59 分,不只是一次排名翻身智能指数登顶、编码差 Claude 3 分、安全能力成最大变量,开发者到底该看什么?大家好,欢迎来到心眸AI笔记,我是jackli!今天是2026年10月29日,深秋快乐,下面带来今日资讯。

懒人总结智能指数登顶:Gemini 4 Carbon 在 Artificial Analysis 智能指数 v5.0 拿到 59 分,超过 Claude Opus 5.5 的 58 分、GPT-6 Astra 的 57 分;9 项子评估中拿下 4 项第一,强项集中在复杂推理、知识和科学任务。编码追到身后:编码智能体指数 Carbon 59 分,Claude Code + Claude Opus 5.5 为 62 分,只差 3 分;Terminal-Bench 4.0 Carbon 64% 排第二,FrontierCode v1.1 51% 也排第二。知识工作大涨但未进前三:AA-Briefcase 上 Carbon 拿到 1609 Elo,比上一代 Argon 的 1483 Elo 提升 126 点;但仍落后 Grok 4.7 的 1638、Muse Wonder 的 1659、Kimi K3.1 Pro 的 1678。成本要算全口径:单任务平均成本 Carbon 7.76 美元,比 Claude Opus 5.5 的 10.04 美元便宜约 23%,但比 GPT-6 Astra 的 6.25 美元贵约两成;Carbon 输出 token 约 12.3 万,比 Opus 5.5 的 17.3 万少 29%。独立评测者提醒:完整跑指数时,Carbon 的 token 用量口径可能完全不同。全知度提升,幻觉率也抬头:Carbon 全知度 54、准确率 58%、幻觉率 11%;比 Opus 5.5 的 48 高 6 分,比 Argon 的 46 高 8 分;准确率比 Argon 提升 10 个百分点,幻觉率从 4% 升到 11%,仍是所有模型里第二低。安全与长时程是杀招:SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%;安全代码生成成功率较 Argon 提升超过 2 倍。Chrome 团队测试中,高质量补丁表现比其他实验室前沿模型好 10 倍以上;内部团队曾让模型连续运行数天排查深层 bug。发布不是全量开放:先向选定网络防御者灰度,再通过 Fairwind Program 扩展给可信合作伙伴,最后才轮到开发者、企业和普通用户;当前不向公众开放。参考 Argon 节奏:9 月 30 日防御者渠道上线,10 月 13 日公众开放,间隔约两周,Carbon 大概率类似。价格与规格:输入 4 美元/百万 token、输出 20 美元/百万 token;上线期五折为 2 美元/10 美元;缓存输入 0.2 美元/百万 token,约 95% 折扣;上下文 100 万 token,支持文本、图像、视频、语音输入,输出文本。免费额度素材未披露,暂不臆测。市场反应冷热不均:Google 掌门人在 X 上亲自宣布,但发布同日财报疲软,盘后股价一度跌近一成。有分析认为,Google 以「低价 + 高排名」策略,在另一家头部实验室筹备上市前搅动定价空间。独立评测泼冷水:OSWorld-2.1 上 Carbon 81.5%,仍低于 Opus 5.5 的 87.2%;前端编程基准被 Opus 5.5 和 Astra 小幅领先。榜首易主是事实,但全面碾压不成立。一、先看结论:59 分登顶,四项第一,但不是横扫
Gemini 4 Carbon 这次最显眼的成绩,是 Artificial Analysis 智能指数 v5.0 的 59 分。这个分数把此前 Claude 把持的榜首抢了回来:Claude Opus 5.5 是 58 分,GPT-6 Astra 是 57 分。差距不大,但排名确实变了。

评测方把智能指数拆成 9 项子评估,Carbon 在其中 4 项排第一:HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA。看得出来,它的长板集中在复杂推理、知识密度和科学类终端任务上。

对比上一代 Gemini 4 Argon,Carbon 的智能指数从 50 分拉到 59 分,提升 9 分。这不是小修小补,是一次明显的代际抬升。评测方也说得很直白:Carbon 属于「长板够长、短板仍在」的模型,编码和知识工作并没有全面领先。
二、编码:差 3 分,Google 终于追到身后编码一直是 Google 模型相对薄弱的赛道。这次 Carbon 把差距缩到个位数。


在编码智能体指数上,Claude Code + Claude Opus 5.5 的 max 档拿到 62 分,Gemini 4 Carbon 的 high 档拿到 59 分,只差 3 分。评测方用「突出」来形容这个进步:过去 Google 模型在编码智能体上长期落后,这次至少已经贴到第一梯队身后。
评测项 Gemini 4 Carbon Claude Opus 5.5 结论 编码智能体指数 59 分(high 档) 62 分(max 档) 差 3 分 Terminal-Bench 4.0 64% 第一 Carbon 第二 FrontierCode v1.1 51% 第一 Carbon 第二
这里有一处口径差异需要留意:Google 官方公布的 Terminal-Bench 4.0 数据里,Carbon 是 65.2%,超过 Claude Opus 5.5 的 59.6% 和 GPT-6 Astra 的 59.1%;而本文援引的 Artificial Analysis 第三方评测为 64%,Carbon 排第二。两个数字并不矛盾,只是评测口径不同。做选型时,不要直接把不同评测方的结果拼接对比。
三、知识工作:提升 126 Elo,仍没挤进前三知识工作基准 AA-Briefcase 上,Carbon high 档拿到 1609 Elo,上一代 Argon 是 1483 Elo,提升 126 点。涨幅很扎实,尤其是演示类任务,一口气上涨 293 Elo;分析质量也提升 120 点。
但排名看的是绝对值,不是涨幅。Carbon 仍然排在 Grok 4.7(1638)、Muse Wonder(1659)、Kimi K3.1 Pro(1678)之后,没能进入前三。简单说:Carbon 的知识工作能力相比上代进步显著,但在这个赛道还不是最强。
四、成本效率:单价便宜,不代表总账便宜按标准价格计算,完成一次智能指数任务的平均成本如下:


模型 单任务成本 GPT-6 Astra 6.25 美元 Gemini 4 Carbon 7.76 美元 Claude Opus 5.5 10.04 美元
Carbon 比 Opus 5.5 便宜约 23%,但比 Astra 贵约两成。再看 token 消耗:Carbon 单次任务输出 12.3 万 token,Opus 5.5 为 17.3 万输出 token,Carbon 少消耗 29%。能用更少的输出 token 完成相近任务,是实打实的效率改进。
独立评测者同时给出提醒:按标准价完整跑完这套指数,Astra 的单任务总成本反而更低——有观测显示 Carbon 总 token 消耗约为 Astra 的六倍。这个结论和前面「输出 token 少 29%」看似冲突,根源在于统计口径不一致:输入 token、输出 token、缓存 token、重试次数,任意一项没有对齐,成本结论就会失真。选型算账,不能只看单价,必须核算全口径账单。
五、全知度与幻觉:准确率升了,幻觉率也升了AA-Omniscience v1.1 评测中,Carbon 全知度得分 54,准确率 58%,幻觉率 11%。对比一览:
模型 全知度 准确率 幻觉率 Gemini 4 Carbon 54 58% 11% Claude Opus 5.5 48 — 50% Gemini 4 Argon 46 48% 4%
Carbon 的全知度比 Opus 5.5 高 6 分,比 Argon 高 8 分;准确率相比 Argon 提升 10 个百分点。代价是幻觉率从 Argon 的 4% 上升至 11%。即便上涨,11% 仍是这批模型里第二低,仅优于 Argon。这是很典型的取舍:知识覆盖更广,事实错误的绝对数量也随之上涨。评估模型时,准确率和幻觉率必须搭配来看。
六、网络安全与长时程:这才是 Google 最想打出的牌Carbon 最核心的卖点,不是榜单分数,而是网络安全与长时程任务能力。官方披露的三组安全基准成绩很有说服力:
基准测试 能力维度 Carbon 得分 SEC-bench Pro 漏洞发现 88.2% ExploitGym 漏洞可利用性验证 54.8% CWE-bench 漏洞补丁 / 根因修复 71.0%
Google 透露,内部团队已经验证:Carbon 可以连续运行数天,在大型代码库、底层系统里深挖隐蔽 bug 的根因并完成修复。补充数据:Carbon 安全代码生成成功率较 Argon 提升超 2 倍;Chrome 团队内部测试,它生成高质量补丁的表现,比其他实验室前沿模型高出 10 倍以上。
这套能力既是杀手锏,也自带风险,这也是 Google 选择控速释放、不直接全量开放的原因。
七、发布策略:三步走,当前不向公众开放Carbon 采用分阶段、带安全闸门的上线节奏:
第一步:定向邀请选定的网络防御者灰度试用第二步:通过 Fairwind Program,逐步开放给可信合作伙伴第三步:最后面向开发者、企业与普通用户开放当前 Carbon 暂不对公众开放。参考上一代 Argon 的时间线:9 月 30 日开放防御者渠道,10 月 13 日面向公众,间隔约两周。由此推测 Carbon 大概率会沿用类似节奏。这一安排传递明确信号:Google 将安全能力视为需要管控释放的能力,而非一次普通版本迭代。
八、定价与规格:基准价不变,上线叠加优惠Carbon 定价和 Argon 标准价保持一致:
计费项 标准价 上线期五折价 输入 token 4 美元 / 百万 token 2 美元 / 百万 token 输出 token 20 美元 / 百万 token 10 美元 / 百万 token 缓存输入 — 0.2 美元 / 百万 token(约 95% 折扣)
规格信息:上下文窗口 100 万 token;多模态输入支持文本、图像、视频、语音;输出仅文本。免费额度官方尚未披露,本文不做猜测;已知优惠为上线五折,以及缓存输入约 95% 的折扣。
九、市场反应:榜单热,股价冷Google 掌门人在 X 亲自官宣,将其定义为下一代前沿模型。但资本市场并不买账:发布同日谷歌财报不及预期,模型登顶的利好没能对冲财报压力,盘后股价一度大跌近一成。
近两个季度谷歌股价持续承压,叠加人才流失、前期前沿模型迭代落后,资金态度整体偏谨慎。市场有一种解读:Google 选择用「低价 + 高排名」的 Carbon 卡位,时间点刚好卡在另一家头部实验室上市前夕,意在提前扰动对手定价空间。这个解读未必是全貌,但低价高配的信号十分清晰。
独立评测方在认可榜单成绩的同时也给出提醒:Carbon 并非全面领先。OSWorld-2.1 计算机操作基准,Carbon 81.5%,低于 Opus 5.5 的 87.2%;前端编程基准同样小幅落后于 Opus 5.5 和 Astra。榜首易主是既定事实,但这个第一能不能稳住,要等 Carbon 开放之后,开发者在自有业务场景实测,才能下定论。
十、接入与复测:三段代码,把口径钉死如果你是开发者,不必纠结榜单胜负,优先把复测口径固定下来。下面三段代码仅作为示意模板,模型名称、接口地址、鉴权方式以 Google 官方文档为准,不要直接投入生产。
1)API 调用示意:先跑通一条最小请求
# 示意代码:模型名、端点、鉴权方式以 Google 官方文档为准
curl "[https://generativelanguage.googleapis.com/v1beta/models/gemini-4-carbon:generateContent](https://generativelanguage.googleapis.com/v1beta/models/gemini-4-carbon:generateContent)" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts": [{"text": "用三句话说明你在编码任务中的边界"}]
}]
}'
2)成本测算脚本:输入、输出、缓存分开算
# 仅演示「全口径记账」逻辑:输入、输出、缓存分开核算
PRICE_IN = 4 / 1_000_000
PRICE_OUT = 20 / 1_000_000
PRICE_CACHE_IN = 0.2 / 1_000_000

def full_cost(input_tokens, output_tokens, cached_input_tokens=0):
return (input_tokens * PRICE_IN
+ output_tokens * PRICE_OUT
+ cached_input_tokens * PRICE_CACHE_IN)

# 用真实账单回填数值,不要只依靠输出 token 估算
# 0 仅为占位,输入 token 和缓存 token 必须按实际账单补齐
print(full_cost(input_tokens=0, output_tokens=123_000))
3)复测记录模板:把模型、档位、分数、token、成本钉在一起
{
"model": "gemini-4-carbon",
"tier": "high",
"benchmark": "AA-Index-v5.0",
"score": 59,
"output_tokens": 123000,
"input_tokens": null,
"cached_input_tokens": null,
"cost_usd": null,
"notes": "与 Claude Opus 5.5、GPT-6 Astra 同任务对比;输入与缓存 token 按账单补全"
}
4)建议复测提示词模板:统一题目、统一输出结构
你是一名基准评测执行者。请对同一道任务分别用模型 A 和模型 B 完成,输出必须包含:
1)最终答案;
2)关键推理步骤;
3)使用的工具与命令;
4)不确定点;
5)是否出现事实幻觉。
不要联网,除非任务明确要求。回答语言:中文。
参考来源Artificial Analysis X 帖:[https://x.com/ArtificialAnlys/status/2115494553780367384](https://x.com/ArtificialAnlys/status/2115494553780367384)写到这里,我的判断是:Carbon 的 59 分值得重视,但不要把榜首当成万能通行证。评估前沿模型,至少要看四件事:任务得分、编码短板、全知度与幻觉、全口径成本。Google 这次真正的王牌,是安全和长时程能力,而不是所谓的全面碾压。
如果你正在选型,建议先用三类自有任务做小样本复测:复杂知识推理、终端编码、长文档分析;同时完整记录输入、输出、缓存 token。不要只盯着单价,也不要迷信榜单。榜首随时会轮换,工作流里实实在在的收益才不会骗人。
如果这篇内容对你有帮助,欢迎点赞、转发给需要的朋友,点一下「在看」。也欢迎给心眸AI笔记加个星标⭐️,下次更新第一时间收到。谢谢你读到这里,我们下篇再见。