Google Releases Gemini 4 Carbon, Surpassing Claude Opus 5.5 on Multiple Benchmarks

刚刚，Gemini 4 Carbon全面超越Opus 5.5！首发Token半价

Argon发布两周啊，谷歌火速掏出新旗舰Gemini 4 Carbon。

这次一举超越Claude Opus 5.5和GPT-6 Astra。

在刚刚更新的Artificial Analysis智能指数5.0中以59分的高分强势登顶全球第一。

两周前谷歌刚发Gemini 4 Argon时，硅谷还在热议谷歌内部泄露的一个神秘存档点“Carbon”，当时内部工程师给出的评价还是“编程体感逼近Opus 5.5”。

没想到短短半个月，正式版Carbon不仅在智商与长程编程上完成了对Opus 5.5的正面反超，更在代码安全与防作弊上大幅领先。

甚至点亮100%免疫提示词注入天赋。

这什么残暴的进步速度，RSI真让他们给玩明白了？

Carbon首发阶段延续了Argon的半价折扣，输入2美元/百万Token、输出10美元/百万Token，账面单价仅为Opus 5.5（$4/$20）的一半。

并且针对Agent任务高频使用的缓存命中输入（cached input）给出了95%的骨折价优惠（低至0.2美元/百万Token）。

超越Opus 5.5，还能连肝数日死磕底层Bug

两周前发布的Gemini 4 Argon虽然在长文本和多模态上表现惊艳，但在综合智能指数（53分）和部分硬核终端任务上，依然被Opus 5.5压了一头。

这一次，Gemini 4 Carbon精准补齐了最后一块拼图，直接将能力推向了“全天候自主工程师”的形态。

在谷歌内部的实战编程环境中，研发团队观察到令人瘫坐的一幕：

Carbon能够连续运行好几天，在庞大复杂的代码库和底层系统中自己摸索；哪怕中途多次撞上“死胡同”（dead ends），它也能持续死磕到底，独立完成复杂的多步工程任务。从顺藤摸瓜定位极其隐蔽的Bug根因，到最终写出修复补丁，一气呵成。

这种长线执行能力直接体现在了多项硬核指标的反超上：

命令行与终端工程

在Terminal-Bench 4.0（AA测试集）中，Carbon拿到65.2%，领先Opus 5.5（59.6%）和GPT-6 Astra（59.1%）；

在科学终端任务Terminal-Bench-Science 0.1上同样以64.8%位列第一（Opus 5.5为59.0%）。

超长上下文与多步决策

在256k至1M上下文的GraphWalks测试中，Carbon拿到96.2%，大幅甩开Opus 5.5（66.8%）和Astra（71.8%）；

在模拟长周期商业经营的Vending-Bench 2中，Carbon最终账户余额达到16,484美元，接近Opus 5.5（9,235美元）的1.8倍。

全栈开发与企业任务

在WebDev Arena上，Carbon凭借前端组件与输出质量的提升，Elo分数上涨89分来到1769分，虽然是全球第四，但平均任务成本更低。

在衡量企业级工作流价值的Vals Index v2.2上也以70.4%微弱领先Opus 5.5（70.2%）。

不过，从第三方评测机构Artificial Analysis的拆解来看，Opus 5.5在纯代码工程领域依然保有一部分护城河。

例如在谷歌自己公布的表格中，有两项指标Carbon未能登顶：

一项是衡量前沿软件工程的FrontierSWE 2，GPT-6 Astra（65.5%）与Opus 5.5（62.3%）依然排在Carbon（61.2%）前面；

另一项是计算机操作基准OSWorld-2.1离线子集，Opus 5.5以87.2%保持第一（Carbon为81.5%）。

此外，在搭配各自官方CLI工具的Coding Agent专项指数上，Carbon配合谷歌Antigravity CLI得分为59分，仍以3分之差次于Claude Code加持下的Opus 5.5（62分）。

这一波反重力还是拖了哈基米的后腿。

但对于开发者而言，Carbon真正的杀伤力在于Token消耗效率。

独立评测数据显示，Opus 5.5虽然能力强，但推理过程极为冗长，完成单次Intelligence Index评估平均要消耗17.3万输出Token。而Carbon仅需12.3万Token，输出量减少了29%。

这意味着，即便未来Carbon恢复到与Opus 5.5相同的$4/$20标准定价，Carbon的单次任务平均成本（$7.76）也比Opus 5.5（$10.04）低23%左右。

如果算上目前$2/$10的首发半价，Carbon在实际生产环境中的账单成本还不到Opus 5.5的四成。

除了常规编程，谷歌此次将Carbon的核心差异化卖点押注在了网络安全防御全生命周期上。

这也是被逼的没办法，总不能看着家前沿模型天天挖Chrome浏览器和安卓系统的漏洞是吧。

（以下外部基准测试均在移除安全护栏的满血状态下评估）：

第一步：大海捞针找真洞（Finding real vulnerabilities）

网络安全防御的核心，是赶在黑客之前从真实软件中揪出深藏的复杂缺陷。在包含V8引擎、Linux内核等真实高危漏洞的SEC-bench Pro测试中，Carbon拿下了88.2%，不仅大幅甩开前代Argon（78.8%），更直接超越了OpenAI的GPT-6 Astra（85.4%），创下全新SOTA。

第二步：实战推演验风险（Validating risk through exploitation）

面对成百上千个潜在漏洞，安全团队到底该先修哪一个？这需要模型像真正的攻击者一样，去验证哪些漏洞是真正可被利用的（exploitable）。

在著名的漏洞利用基准测试ExploitGym上，Carbon以54.8%的成绩再次刷新SOTA（此前Argon为35.1%），帮防御者精准排定修复优先级。

第三步：直击病灶打补丁（Patching at the root cause）

找到并验证漏洞后，终极考验是直接写出能跑通、且不破坏原有功能的修复代码。在Collinear推出的CWE-bench（涵盖73种常见弱点枚举的真实仓库审计修复测试）中，Carbon达到了71.0%，全面碾压Claude Opus 5.5（67.0%）和Argon（68.0%）。

除了刷爆外部榜单，Carbon在谷歌内部安全基准测试中，Carbon生成安全代码的成功率比Argon提升了2倍以上。

更夸张的战报来自谷歌自家的Chrome浏览器团队：在生成高质量安全补丁的实战对比中，Carbon的表现比另一家顶级实验室的大型前沿模型强出10倍以上。

整治Agent作弊，提示词注入100%免疫

模型在终端里连续跑几天，最令开发者头疼的往往不是算力账单，而是模型在遇到高压复杂任务时开始“耍小聪明”（Shortcut & Loophole Exploitation）。

此前针对Terminal-Bench 4.0的第三方审计就曾揭露，不少高分模型在修不好Bug时，会通过修改测试脚本或走漏洞来伪造“测试通过”。针对这一顽疾，谷歌在Carbon的对齐训练上做了一次重点收敛：

作弊成功率直接干到0.0%

在终端操作基准Terminal-Bench 4.0上，Carbon在大幅提升整体准确率的同时，将“成功作弊率”硬生生压到了0.0%，连尝试走捷径作弊的比例都跌至0.4%。

在谷歌内部团队的实况编程环境中，高严重性的失调警报（misalignment alerts）更是暴跌了近80%。

拒绝不懂装懂，幻觉率远低于竞品

在内部测试中，Carbon做出无根据断言（unsupported claims）的频率比Argon降低了约2倍。

面对证据缺失或操作受阻，它不再含糊其词或强行脑补，而是把方法论的局限性直接写进交付文档，或者拉出一张清晰的清单告诉人类“还缺什么条件”。

不懂就问，明确执行边界

面对模糊不清的需求，Carbon不会盲目瞎猜或强行推进，而是先检索相关信源，把发现的矛盾点摆到台面上与用户确认。

在端到端执行多步计划时，它的越界操作（overreach）减少了26%，敷衍漏做（under-service）减少了29%。

提示词注入100%免疫

当Agent在野外读取网页、邮件和外部代码库时，极易遭到“间接提示词注入”（IPI）的劫持。

在Gray Swan IPI基准测试中，前代Argon曾以0.7%的极低被攻破率领跑全。

而这一次，Carbon直接交出了0.0%攻击成功率的满分答卷，成功抵御了评估中的每一次攻击尝试。

14天闪击战背后：RSI全面提速

从9月底亮相、两周前刚刚全面铺开的Gemini 4 Argon，到今天横空出世、全面反超Opus 5.5的Gemini 4 Carbon。

CEO劈柴哥在x上更是凡尔赛地调侃道（doge）：

我之前就说过，我们会周期性地发布模型……现在向大家介绍Gemini 4 Carbon。

结合此前曝出的内部信息来看，谷歌实际上在内部同时并行训练和评估了Argon、Barium、Carbon等多个Gemini 4存档点（其中公开发布的Argon实为内部的Barium-B存档点）。

在官方公告不起眼的角落里，谷歌DeepMind高级副总裁、首席AI架构师Koray Kavukcuoglu透露了真正的秘密：

“我们的研究人员正与我们的模型携手并进（working hand in hand），以更快的速度推进能力演进，同时同步强化安全护栏。”

不过，谷歌还是你谷哥，发布≠上架。

由于Carbon具备较强的漏洞挖掘与利用能力，还要进行发布前测试流程。从本周开始，Carbon将率先向一部分网络安全防御人员开放。

还记得Argon从发布到真正给你用过了多久吗，这次等的也不会短就是了。

眼下Anthropic上市的关键节点上，这下该把Fable 5.5放出来了吧？

至于沉迷发中杯Terra模型和短信通知Dot的OpenAI，我祝他好运。

参考链接：