Arena.ai 称 Gemini 4 Carbon 在基于真实任务的 Agent Arena 中排名第 2，净提升 16.2%，并在成本、时间和每任务输出 token 上处于帕累托前沿。相比排名第 7、提升 11% 的 Gemini 4 Argon，Carbon 高出 5 个名次和 5.2 个百分点，提升主要来自好评与投诉比 +13.2 个百分点、确认成功 +5.6 个百分点、可操控性 +4.8 个百分点。Arena 表示 Carbon 的可用性将由 Google DeepMind 公布。
匹配字段摘要、正文
Artificial Analysis 评测显示，Google 的 Gemini 4 Carbon 以 59 分登顶 Intelligence Index v5，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项排名第一。在 Coding Agent Index 上，搭配 Antigravity CLI 的 Gemini 4 Carbon（high）得 59 分，落后 Claude Code 搭配 Claude Opus 5.5（max，62 分）3 分。该模型目前仅向部分用户开放，尚未公开发布，定价为每 1M 输入/输出 token 4/20 美元并提供 50% 折扣，上下文窗口 1M tokens，支持文本、图像、视频和语音输入。
标准定价下，其每任务成本与 Gemini 4 Argon（$7.68）相当，而在 Intelligence Index 上得分高出 9 分 ➤ AA-Omniscience v1.1 得分领先，幻觉率低：Gemini 4 Carbon 在我们最近更新的 AA-Omniscience v1.1 上得分 54，比 Claude Opus 5.5（max，48）高 6 分，比 Gemini 4 Argon（46）高 8 分。准确率（% 正确）较 Argon 提升 10 分至 58%，而幻觉率从 4% 上升至 11%。这仍是所有模型中第二低的，仅次于 Argon，而 Claude Opus 5.5（max）和 GPT-6 Astra（max）均为 50% 关键模型细节： ➤ 上下文窗口：1M tokens ➤ 多模态：文本、图像、视频和语音输入，文本输出 ➤ 定价：每 1M 输入/输出 token $4/$20，与 Gemini 4 Argon 的标准定价相同，并提供 50% 折扣。缓存输入 token 享受 95% 折扣（每 1M $0.20） 祝贺 @GoogleDeepMind 团队！
匹配字段正文
Google DeepMind 的新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上以 Provider Adapter Harness 测试环境取得 97.5%，成本 4800 美元，成为继 OpenAI 之后第二个跨过 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。在只允许简单笔记的 Standard Harness 下，低推理档得分降至 49.8%，且因 API 问题未能跑完全部 55 个游戏。Epoch AI 的 ECI 指数上 Argon 得 165 分，与 Fable 5.1 持平，但在数学 ECI 排第八、软件工程指数排第六。
匹配字段摘要、正文
ARC Prize 公布 Google Gemini 4 Argon 在 ARC-AGI 系列基准上的验证成绩：ARC-AGI-3 在 provider adapter harness 下得分 97.5%、成本 4.8K 美元，标准 harness 下为 49.8%、5.8K 美元；ARC-AGI-2 为 91.3%、每任务 0.32 美元，ARC-AGI-1 为 98.5%、每任务 0.16 美元。Google DeepMind 由此成为第二家在 ARC-AGI-3 上得分超过 95% 的前沿 AI 实验室，仅次于 GPT-6 Astra 的 99.9%。Argon 在 25 个 ARC-AGI-3 公开游戏中比人类基线少用 62% 的动作，并在 3 个游戏中追平或打破速通纪录。
匹配字段摘要、正文
ARC Prize 公布 Google Gemini 4 Argon 在 ARC-AGI 上的验证成绩：ARC-AGI-3 达 97.5%（provider adapter harness，成本 4.8K 美元），标准 harness 下为 49.8%（成本 5.8K 美元）；ARC-AGI-2 为 91.3%，每任务 0.32 美元；ARC-AGI-1 为 98.5%，每任务 0.16 美元。ARC Prize 称 Google DeepMind 是第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室，Argon 的 97.5% 仅次于 GPT-6 Astra 的 99.9%。标准 harness 测试因 API 问题未能完成全部 55 个游戏，高推理档仅完成 19 个游戏故未公布分数，成本按每百万 token 输入 2 美元、输出 10 美元的当前优惠价计算。
匹配字段摘要
François Chollet 评价称,Gemini 4 Argon 在 ARC-AGI-3 上的表现与 Astra 相近,Google 重回前沿。同日,ARC Prize 公布 Gemini 4 Argon 在 ARC-AGI 系列上的验证成绩:ARC-AGI-3 在 provider adapter harness 下得 97.5%,成本 4.8K 美元;标准 harness 下为 49.8%,成本 5.8K 美元。ARC-AGI-2 为 91.3%,每任务 0.32 美元;ARC-AGI-1 为 98.5%,每任务 0.16 美元。ARC Prize 称 Google DeepMind 是第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室,Argon 的 97.5% 仅次于 GPT-6 Astra 的 99.9%。标准 harness 测试因 API 问题未能完成全部 55 个游戏,高推理档仅完成 19 个游戏,故未公布分数。
匹配字段摘要
Arena.ai 将 Google DeepMind 的 Gemini 4 Argon 与多款前沿模型在若干生成任务上做了对比，称其单任务成本比 GPT-6.1 Sol 低 33%、比 Claude Opus 5.5 低 70%。推文同时附上 Peter Gostev 对 Gemini 4 Argon 表现的初步印象。
匹配字段摘要、正文
Arena.ai 公布 Gemini 4 Argon (High) 在 Agent Arena 排名第 8，净提升分 +7.92%，每任务成本 0.62 美元，并重塑了帕累托前沿。该模型比排名第 19 的 Gemini 3.8 Flash (High)（+2.96%）高出 4.96 个百分点，在可控性（+15.88%，第 1）、确认成功（+14.15%，第 2）和好评与投诉比（+27.74%，第 4）等信号上表现突出，Chat 类别以 +11.58% 位列第 3。Arena 表示目前基于 3k 真实智能体会话，该分数仍属初步结果。
More big news from @GoogleDeepMind: Gemini 4 Argon (High) is 8 in Agent Arena with a +7.92% net improvement score, and has reshaped the Pareto frontier with a $0.62 cost per task! See its placement below. Gemini 4 Argon (High) is a 4.96 percentage point improvement over Gemini 3.8 Flash (High), at 19 with +2.96% net improvement. By key signals, Gemini 4 Argon (High) stands out in: - 1 in Steerability with +15.88% (the model’s ability to course-correct when you push back) - 2 in Confirmed Success
匹配字段正文
2026年10月28日,Google DeepMind发布Gemini 4 Carbon,称其为最强模型,在Artificial Analysis Intelligence Index v5.0上以59分排名第一,并在SEC-bench Pro取得88.2%、ExploitGym取得54.8%、CWE-bench取得71.0%。该模型面向长程工程任务,先向部分网络安全防御者开放,再通过Fairwind Program扩大范围,之后面向开发者、企业和消费者。10月29日,Arena.ai称Gemini 4 Carbon在Agent Arena排名第二、净提升16.2%,并推动帕累托前沿移动;同日Yuchen Jin引用Artificial Analysis数据提出保留,指出评测使用Antigravity CLI。10月30日,Artificial Analysis智能指数显示其以59分居首,比Claude Opus 5.5高1分。10月31日,Perplexity CEO Aravind Srinivas分享早期评测,称其在WANDR基准刷新SoTA。
匹配字段摘要
Elorian 与 Mercor 联合发布 DecoyCount 基准，测试模型是真正数清物体还是依赖视觉捷径，前沿模型准确率均低于 50%，最高为 GPT-6 Astra 的 43.17%。Elorian 称其视觉推理模型 Glimpse 在 1,660 道题上单次运行得分 50.48%，是唯一超过 50% 的模型，但该结果来自内部测试且未使用智能体或工具框架，而论文中的六个模型各取三次运行平均值。Elorian CEO Andrew Dai 表示，该基准同时考察视觉与推理，可区分模型是没看到物体还是数错了。
oyCount 论文中的前沿模型对比 视觉思维究竟是什么？ Andrew Dai 在 AI 领域并非初来乍到者。2015 年，在 Google 工作期间，他与人合著了一篇题为《半监督序列学习》的论文。在这篇论文中，Dai 和他当时的同事 Quoc Le 展示了后来被大型语言模型采用的“预训练后再微调”方法的早期版本。在随后的十年里，Dai 在 Google DeepMind 工作，参与了 GLaM MoE、PaLM 2，以及后来的 Gemini。赞助你的赞助广告位在这里触达正在构建未来的 AI 工程师。 Latent Space 的读者正是那些交付智能体、模型和基础设施的人。咨询赞助此广告位。business@latent.space → Dai 今年才离开 Google，目的是联合创立 Elorian。他的部分动机是推动视觉模型能力的边界。他向 Latent Space 解释说，他的方法基于人类心理学中一个名为视觉思维的概念。 当大多数人“思考空间问题或视觉问题”时，他解释说，“他们会通过在大脑中生成图像和编辑图像来将问题可视化。” 他举了一个买沙发并在脑海中想象它放在客厅里会是什么
匹配字段正文
2026年10月27日,Google DeepMind发布世界模型Genie 4,主打实时交互模拟,并首次在该系列中引入原生音频。官方介绍称,该模型基于Gemini家族能力,Gemini Omni负责让模拟贴合真实世界的外观与行为,其他Gemini模型提供维持模拟连贯性所需的复杂推理;用户可用自然语言实时操控场景,每个世界还会即时生成环境音、音乐和交互对话。次日,Google DeepMind进一步说明,Gemini 3.8 Flash在循环中拆解目标、检查画面以维持多步事件的因果连贯,Gemini 4 Argon也已用于与Gemini Robotics联合模拟任务;官方称其仍属早期实验模型,长时运行下物体恒常性与复杂物理交互仍会漂移,生成内容均带SynthID水印,目前先向可信测试者开放预览。10月28日,Ethan Mollick发帖称Genie 4能运行DOOM,并实测其边生成边产出游戏式环境,表示体验并不完美。10月29日,Peter Yang用Genie 4实时构建5个世界,认为世界模型是LLM之后AI的下一个大方向。
匹配字段摘要
2026年10月1日,Arena.ai 将 Google DeepMind 的 Gemini 4 Argon 与多款前沿模型在若干生成任务上进行了多轮对比。Arena 称,Gemini 4 Argon 的单任务成本比 GPT-6.1 Sol 低 33%,比 Claude Opus 5.5 低 70%。同一来源还附上了 Peter Gostev 对 Gemini 4 Argon 表现的初步印象。目前该对比仅由 Arena 一方发布,尚无其他来源的独立证据,也没有后续发展事实。
匹配字段摘要
Dan Shipper 称 Gemini 4 已发布，他与 every 团队六人用一周时间在编码、写作、设计和知识工作上做了实测，结果好于预期。他认为 Gemini 4 是出色的写作搭档，擅长梳理结构与打磨比喻，但在重构既有代码库和自检上表现不佳：在 Senior Engineer 基准的重构任务中运行 4 小时 47 分钟仅得 21%，而 GPT-6 Astra、Fable 5.1、Sonnet 5.5 和 Opus 5.5 为 81% 至 85%；Kieran 的 38 次基准运行中有 17 次代码审查步骤仅相隔 30 毫秒就开合。他还指出 Google 的桌面智能体应用 Antigravity 落后 Claude Code 和 Codex 约半年到一年，缺少云环境、SSH、内置浏览器和智能权限检查，建议通过 Cursor 或 API 使用该模型。
our company lives in Google’s ecosystem, and a strong option for frontier hoppers as a secondary model for certain tasks. I Here’s our vibe check: My new favorite writing partner. DeepMind hired professional writers with red pens to stamp out AI slop, and it worked. I use it to untangle structure and sharpen metaphors; it also taught me something new tracing in a few of my favorite books. It's got a natural feel for structure and detailed explanations that Astra and Opus lack. Shaky at refactors
匹配字段正文
Axiom 的三位 AI 工程师把 OpenAI 的 GPT-6 Astra 接入一辆 2024 款丰田 Corolla 的摄像头与转向系统，让模型自己把车开到 In-N-Out 的取餐窗口，全程有安全驾驶员踩在刹车上待命。他们同时发布 DrivingBench 基准，在停车场简易赛道上只有 Astra 能跑完全程且速度很慢，Claude Fable 5.1 完成 45%，Grok 只完成 11%。工程师认为这种驾驶能力可能来自多模态规模扩展带来的涌现能力，而非专门训练。
left big companies to found startups focused on solving physical reasoning. Andrew Dai, the CEO of one such outfit, called Elorian AI, previously worked as a researcher at Google DeepMind. He says better visual reasoning will open up a lot of new applications for AI, like systems that understand whether diners are enjoying their meal in a restaurant or robots capable of functioning in a home. Dai says robotics is a crucial test case for physical reasoning skills. “It’s pretty essential for robo
匹配字段正文
MarkTechPost 将 30 天内发布的 GPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon 和 Claude Fable 5.1 四款前沿模型并排比较，指出基准分数重叠度高于各家发布稿的暗示，但价格、访问规则和单任务成本差异明显。Astra 与 Fable 5.1 同为每百万 token 输入 10 美元、输出 50 美元，Sol 与 Argon 标价为其五分之一，Argon 为限时价格；Artificial Analysis 数据显示 Fable 5.1 单任务成本 9.18 美元，Astra 为 4.72 美元，差距来自 token 用量而非单价。作者建议按工作负载而非榜单排名选型，多数团队默认选 GPT-6.1 Sol，Argon 目前仅面向 Fairwind 网络安全防御者开放。
Anthropic, OpenAI and Google DeepMind shipped 4 frontier-class models within 30 days. Claude Fable 5.1 arrived on September 1. GPT-6 Astra followed on September 3. GPT-6.1 Sol and Gemini 4 Argon landed in the last days of September. We covered each launch on its own. This piece puts them side by side. The benchmark scores overlap more than the launch posts suggest. The prices, access rules and cost per task do not. One change frames the lineup. OpenAI cancelled GPT-6.1 Astra on September 28 afte
匹配字段正文
决策 AI 模型是一类返回选择、分数或概率而非生成文本的模型，TypeSafe 在隐身两年后推出 Jev，Fastino Labs 三周内跟进两款竞品。Jev 支持 Choice、Score、Noul 三种原语，定价为每百万输入 token 0.042 美元、输出免费，TypeSafe 称端到端响应为 70 至 500 毫秒。在 TypeSafe 的 4 项工作流评测中，Jev 以 67.8% 平均准确率、每例 0.4 秒追平 Claude Sonnet 5，但落后最强前沿配置 6.3 个百分点。
he Latest Trend in AI The idea is not new. Classifiers and rerankers have made decisions for years. Decision Transformer (2021) framed reinforcement learning as sequence modeling. DeepMind’s Gato (2022) showed one generalist model acting across many tasks. A 2023 survey even called ‘large decision models’ the next step. What changed in 2026 is the packaging. 4 forces drove the shift: Agents need cheap judgments: Routing, tool selection and guardrails happen thousands of times per workflow. Payin
匹配字段正文
SemiAnalysis 发布 ClusterMAX 3.0，对 77 家 neocloud 做全面评测，市场覆盖范围从 2.0 版的 209 家扩大到 323 家，并访谈了 200 多名终端用户。Nebius 与 CoreWeave 同列 Platinum，Google Cloud 与 Oracle 进入 Gold，Azure 降至 Silver，Crusoe 降至 Bronze，全球仅 19 家 neocloud 获得奖章评级。评测分审计、性能、可靠性三阶段，涵盖 GPU 计算、网络、存储、编排、监控与故障注入，并新增 Bronze 与 Underperforming 之间的 Participation Ribbon 档。
nd the frontier labs, solid business decisions have established them as the default neocloud to serve the neolabs. Gold Google Cloud Amidst the strange retreat of Google Brain and DeepMind from the frontier, GCP has been dealmaking like few others. Notable partners include Palo Alto Networks for $10B and Thinking Machines Lab for a “multibillion-dollar deal,” along with expansions of its lucrative relationship with AI safety org Anthropic. With acquisitions of cybersecurity startup Wiz for $32B
匹配字段正文
Anthropic 宣布未来 Claude 模型生成的文本将带有水印，用于判断 Claude 参与写作的可能性，以符合 EU AI Act。水印只在模型可自由选词的随机位置留下模式，不影响输出质量、速度与价格，也不包含用户信息；检测只能给出 Claude 参与的概率，短文本、事实性内容和代码中水印较稀疏。Anthropic 同时以私有预览形式开放检测 API，并对 .png、.jpg、.svg 等文件附加 C2PA 内容凭证。
e’ve seen no impact of watermarking on the content, level of creativity, or readability of Claude’s text. In the SynthID-Text paper , which introduced the technique we use, Google DeepMind tested this impact by serving a model that used watermarking to a portion of their Gemini traffic and comparing thumbs-up and thumbs-down ratings. They found no statistically significant differences from the unwatermarked model. And in a controlled study, human raters comparing watermarked and unwatermarked an
匹配字段正文