Gemini 4 Carbon 是什麼：智慧指數第一，但一般人還用不到

Gemini 4 Argon 開放給開發者才兩週，Google 又發表了下一顆。10 月 28 日，Google DeepMind 資深副總裁 Koray Kavukcuoglu 署名的公告介紹了 Gemini 4 Carbon，說它是 Google「最強的模型」，強項是資安和長時程任務。

獨立評測機構 Artificial Analysis 改版後的智慧指數，Carbon 拿 59 分排第一，比 Claude Opus 5.5 多 1 分。

但你現在用不到它。Gemini API 的模型清單上沒有它，公告也說開發者、企業和一般消費者都還要等。它跟 Argon 走同一條路，先交給一小群資安防禦者。

這篇我把 Google 公告裡那張評測表的每一列看過一遍，再對照 Artificial Analysis 的模型頁、CWE-bench 的公開排行榜、Fairwind 計畫頁和 Gemini API 的文件。結論先講：Carbon 的領先是真的，但分布很不平均。長上下文一項領先 24 分，另有兩項超過 10 分，綜合指數卻只贏 0.2 到 1 分，而且有兩項它在 Google 自己的表上就輸了。

現在誰拿得到 Carbon？

圖 1：公告中關於釋出方式的原文（來源：Google Blog）

公告的說法是這樣的：Google 採取「審慎」的釋出方式，並且正在參與美國政府的自願性發布前模型測試流程。從發表這週開始，Carbon 先給「一部分」資安防禦者，之後再透過 Fairwind 計畫，分階段開放給更多受信任的夥伴。開發者、企業和一般消費者要等 Google 收集回饋、調整完護欄，時間是「盡快」，沒有日期。

所以第一批拿到的人，不一定是全部的 Fairwind 成員，而是其中「一部分」的防禦者。

Fairwind 是什麼？我打開了 Fairwind 計畫的官方頁面。頁面說 Google 目前跟全球超過 650 個夥伴合作，優先給政府與國家級資安主管機關、關鍵基礎設施營運者（醫療、電信、能源、金融），以及核心技術平台，也接受專做防禦性評測的學術實驗室申請。申請方式是聯絡你的 Google Cloud 客戶團隊。

條件寫得相當具體：Google 會對申請者做背景調查；參與組織只能讓內部的資安、事件應變或滲透測試團隊使用，並追蹤員工的存取和使用；要有使用者層級的驗證和抗網路釣魚的多因子驗證；不得分享、轉售或轉賣存取權。允許的雙重用途工作是經授權的威脅模擬、逆向工程和惡意程式分析，製作惡意程式不在允許範圍內。

有一件事對不上。我 10 月 31 日讀的這個頁面，從頭到尾只提到 Gemini 4 Argon，寫的是部分夥伴可以獨家使用 Argon，Carbon 一個字都沒有。公告說「本週起」開放，計畫頁卻還沒更新。這不代表 Google 說錯，比較可能是頁面還沒跟上，但如果你是想申請的組織，現在能在官方文件上看到條件的模型只有 Argon。

Google 自己的成績單：17 項裡輸了 2 項

公告正文只提到幾個數字，完整的比較在一張圖表裡。我把那張圖截了下來，這是整篇公告資訊量最大的地方。

圖 2：Google 公告中的評測表，藍底是 Carbon 最高的項目，灰底是其他模型最高的項目（來源：Google Blog）

表上有 17 項測試，分成通用能力、代理式寫程式、電腦操作、知識工作、多模態理解、長上下文、科學與數學、資安八類。比較的對象有四個：自家的 Argon、OpenAI 的 GPT-6 Astra、Anthropic 的 Claude Opus 5.5 和 Claude Fable 5.1。

Carbon 在 15 項是最高的。另外 2 項，Google 用灰底標出了別人的最高分：

• FrontierSWE 2：GPT-6 Astra 65.5%、Opus 5.5 62.3%、Carbon 61.2%。Carbon 排第三。
• OSWorld-2.1 離線子集：Opus 5.5 87.2%、Carbon 81.5%、Astra 80.9%。

一家公司在自己的發表文裡把輸掉的項目標出來，我覺得是加分的。這兩項恰好都跟「讓代理自己去做事」有關：Google 把 FrontierSWE 2 歸在代理式寫程式，OSWorld 歸在電腦操作。如果你主要拿模型來跑寫程式的代理，這兩列比 AA 指數更值得看。

「第一」這兩個字底下，領先的幅度差很多。我拿 Carbon 去比每一列裡最強的非 Google 模型，算出差距，選了 10 列排在一起。

圖 3：Carbon 與每項最強的非 Google 對手的差距，數字取自 Google 評測表，差距為本文計算

大幅領先的有幾項。GraphWalks 是在 25.6 萬到 100 萬 token 的長上下文裡做圖走訪，Carbon 96.2%，第二名的非 Google 模型是 Astra 的 71.8%，連自家的 Argon 也只有 84.2%。ExploitGym 量的是實際利用弱點，Carbon 54.8%，Astra 42.4%，Opus 5.5 是 34.5%。AutomationBench 是 Zapier 的知識工作測試，Carbon 53.9%，Opus 5.5 是 42.5%。RiemannBench 和 Blueprint-Bench 2 也各領先 8.0 和 7.4 分。

幾乎平手的也有幾項。AA 智慧指數 59 對 58，Vals Index 70.4% 對 70.2%，SWE-sweep 9.6% 對 9.5%。Chartography 和 Terminal-Bench-Science 只多 1.5 分。這種差距換個執行框架、換一次抽樣就可能翻過來。

這張表還有一個小地方，我順手對了一下。表上 Opus 5.5 的 AutomationBench 是 42.5%，本站寫 Argon 那篇時引用 Anthropic 自己公告的數字是 40.0%，同一列的 Astra 兩邊都是 41.4%。同一個模型在同一項測試，兩家公司公布的數字差了 2.5 分，原因我查不到。表格底下附了評測方法的連結，那是一份 PDF，我這次沒能讀到內文，所以思考等級怎麼設、對手的分數是各家自報還是 Google 自己跑的，我無法確認。公告正文倒是寫了一句：外部的測試是在「沒有護欄」的狀態下評的。

59 分第一，是在剛改版的指數上拿的

Carbon 「排名第一」的根據是 Artificial Analysis 的智慧指數，這是目前最常被引用的第三方綜合分數。我打開了它的 Carbon 模型頁。

圖 4：Artificial Analysis 的 Carbon 頁面摘要（來源：Artificial Analysis）

頁面上寫的是 Gemini 4 Carbon（High），智慧指數 59，在 57 個模型裡排第 1。指數頁上的前三名是 Carbon 59、Opus 5.5（Max）58、Opus 5.5（Xhigh）57。Google 的表上還列了 GPT-6 Astra 57、Claude Fable 5.1 49，這兩個數字我是從 Google 的表上讀到的，指數頁的文字裡沒有。

這裡有一件要特別交代的事：指數改版了。頁面標的是 v5.0，由九項測試組成，分成知識工作、寫程式、科學、通用四類，各占 25%。WinBuzzer 的報導說這次改版是在 Carbon 發表前一天，而且大多改用不公開的測試；改版日期我在指數頁上沒找到，只能算轉述。

改版的影響看 Argon 最清楚。本站 10 月 14 日寫 Argon 進 Antigravity的時候，Artificial Analysis 給 Argon 的是 53 分、Opus 5.5 是 58 分。現在 v5.0 上 Argon 是 50 分，Opus 5.5 還是 58。Argon 不是變差了，是尺換了。所以「Carbon 59 分」不能拿去跟你以前看過的任何 AA 分數比，只能跟同一版裡的其他模型比。

Artificial Analysis 也量了成本和速度。我把三個模型的頁面數字排在一起。

圖 5：三個模型在 Artificial Analysis 的成本與速度（資料來源：Carbon、Argon、Opus 5.5 的模型頁，10 月 31 日查閱）

讀這張表有三個要注意的地方。

第一，Artificial Analysis 用的是每百萬 token 輸入 4 美元、輸出 20 美元，也就是優惠期結束後的價格，不是公告上的 2 美元和 10 美元。

第二，Carbon 很「囉嗦」。跑完指數輸出了 2 億個 token，同級模型的中位數是 7,100 萬，Argon 是 1.1 億。奇怪的是，Carbon 的 token 幾乎是 Argon 的兩倍，單價一樣，每題成本卻只差 8 美分。這個落差我從公開頁面上解釋不了，可能跟輸入 token 或快取有關，但頁面沒有拆開給，我不想用猜的。

第三，Carbon 的首字延遲是 103.5 秒，Argon 是 49.1 秒。如果你的用法是互動式的，等它開口要等滿久的。

順帶一提，頁面註明速度數字是「根據 Google 的 API」，可用的 API 供應商只有 1 家。我的推測是 Artificial Analysis 在發表前就拿到了測試用的存取權，這跟公告說的發布前測試對得上，但頁面沒有明講。

還有一個數字跟 Google 的說法有點拉扯。公告說在內部測試裡，Carbon 的「無根據說法」比 Argon 少大約一半。可是 Artificial Analysis 的 AA-Omniscience 知識測試顯示，Carbon 的幻覺率是 11%，Argon 是 4%。這兩個量的不是同一件事：AA 的幻覺率是「該說不知道的時候答錯」的比例，Google 的是內部測試的無根據陳述。而且 11% 在那張榜上仍然是第二低，Carbon 的 Omniscience 綜合分數 54 也是第一。我不認為這構成矛盾，但它提醒你「比 Argon 更少亂講」是有前提的。

資安三項：最大的領先在「利用弱點」

公告強調的是三項資安測試：找弱點的 SEC-bench Pro 88.2%、利用弱點的 ExploitGym 54.8%、修補弱點的 CWE-bench 71.0%。三項都是 Carbon 最高。

其中 CWE-bench 有公開的排行榜，由 Collinear 維護，我可以自己去看。

圖 6：CWE-bench v1 排行榜前 10 名，10 月 28 日更新（來源：CWE-bench）

排行榜說它有 120 道不公開的題目，涵蓋 73 種 CWE 弱點類型。每個模型每題跑四次，用高思考等級，每次限一小時。表格按 pass@1，也就是單次成功率排序。

Carbon 的 pass@1 是 71%，第二名是 68% 的三方並列：Grok 4.7、Argon、GPT-6 Astra。Opus 5.5 是 67%。這跟 Google 公告的數字對得上。

但如果看 pass@4，也就是四次裡至少一次成功，Carbon 是 81%，Grok 4.7 也是 81%，Opus 5.5 是 79%。容許重試之後，領先幾乎消失了。評審團的 pass@4 是 Carbon 83%、Grok 4.7 82%、Opus 5.5 81%。

成本那一欄更有意思。Carbon 是空白，排行榜說它還沒有成本數字。Argon 每次是 6.63 美元，Opus 5.5 用 Claude Code 只要 0.79 美元。如果 Carbon 的成本接近 Argon，那 Opus 5.5 跑四次的錢還不到 Carbon 跑一次的一半，而 pass@4 只差 2 分。這是我的推算，前提是 Carbon 的成本跟 Argon 同一級，等排行榜補上數字才知道。

另外要記得，每個模型用的執行框架不同：Carbon 和 Argon 用 Antigravity，Opus 5.5 用 Claude Code，Grok 用 opencode。這量的是「模型加工具」的組合。

說真的，三項裡我最在意的是 ExploitGym。找弱點和修補，Carbon 都只領先 3 分左右；實際利用弱點，它比 Astra 多 12.4 分，比 Opus 5.5 多 20.3 分。這正是攻擊者最想要的能力，也解釋了 Google 為什麼不直接上 API。

公告其他的安全數字都是 Google 內部測的，我照列：

• 生成安全程式碼的成功率比 Argon 高兩倍以上；Chrome 團隊回報它產生高品質修補的表現，比「另一家實驗室的大型前緣模型」好 10 倍以上，沒有說是哪一家。
• 在 Terminal-Bench 4.0 裡作弊成功的比例降到 0.0%，嘗試作弊的比例 0.4%。
• 在 Google 內部團隊的實際寫程式環境裡，高嚴重度的失準警示減少將近 80%。
• 越權行為減少 26%，該做沒做的情況減少 29%。
• Gray Swan 的間接提示注入測試，Argon 的攻擊成功率是 0.7%，Carbon 是 0.0%。

安全措施跟 Argon 同一套：模型訓練、即時濫用防禦、提示注入防護、思維鏈監測。公告沒有另外附 Carbon 的安全報告，引用的是 Argon 那份。

價格：公告上寫的是優惠價

圖 7：公告中的價格段落，「introductory price」後面的上標 1 連到註腳（來源：Google Blog）

Carbon 上市時的價格跟 Argon 一樣：每百萬 token 輸入 2 美元、輸出 10 美元，快取的輸入打 0.5 折。註腳寫了優惠期結束後的價格：輸入 4 美元、輸出 20 美元，也是跟 Argon 一樣。

問題是優惠期到什麼時候。Argon 的答案在 Gemini API 定價頁上：2 美元和 10 美元到 11 月 30 日，12 月 1 日起翻倍，快取從 0.10 美元變 0.20 美元，而且免費層不提供。Carbon 的優惠期，公告和定價頁都沒寫。

這就出現一個我回答不了的問題。如果 Carbon 的優惠期跟 Argon 綁在一起，而它又在 11 月 30 日之後才開放，一般開發者可能根本碰不到優惠價。如果它有自己的優惠期，從開放那天起算，那就另當別論。在 Google 說清楚之前，我會用 4 美元和 20 美元做預算。

跟 Opus 5.5 比呢？以 Artificial Analysis 的每題成本來看，就算用優惠後的價格，Carbon 的 7.76 美元還是比 Opus 5.5 的 10.04 美元便宜。這個比較是 AA 自己用同一套題目量出來的，比單看單價可靠。

開發者什麼時候拿得到？

Google 沒有給日期。能參考的只有 Argon 的前例。

圖 8：本文整理的時間線（資料來源：Google Blog、Gemini API 更新紀錄、定價頁；Fairwind 啟動日期見本站 Argon 那篇）

Argon 是 9 月 30 日發表，10 月 13 日上 Gemini API，中間隔 13 天。公告說 Carbon 是「建立在兩週前推出的 Argon 之上」，這裡的「兩週前」指的應該是 10 月 13 日的全面開放，不是 9 月 30 日的發表，因為 9 月 30 日到 10 月 28 日是四週。

Carbon 會不會也是兩週左右？我不知道。Argon 發表時的說法也是一邊收集回饋、一邊調整護欄，然後「盡快」開放，結果是 13 天。Carbon 用的是幾乎一樣的措辭，差別在第一批只說是「一部分」防禦者。

我 10 月 31 日打開 Gemini API 的模型頁，Gemini 4 那一區只有一列。

圖 9：Gemini API 模型頁的 Gemini 4 區塊，我看到的是繁體中文介面，10 月 31 日查閱（來源：Gemini API 文件）

更新紀錄最新的一筆是 10 月 30 日 Computer Use 正式開放，跟 Carbon 無關。Nerd’s Chalk 在發表當晚自己呼叫了模型清單 API，結果一樣：60 個模型裡，Gemini 4 只有 models/gemini-4-argon。

所以 Carbon 現在連一個模型 ID 都沒有公布。

我的看法

我認為 Carbon 是真的比 Argon 強，而且在幾個方向上強很多：長上下文、利用與修補弱點、Zapier 那類知識工作。Google 自己的表、Artificial Analysis 和 CWE-bench 三個來源指向同一個方向，這比單一廠商的宣稱可信。

但「最強的模型」這句話，要看你拿它做什麼。綜合指數只贏 1 分，寫程式代理最相關的 FrontierSWE 2 和 OSWorld 在 Google 自己的表上就輸了，CWE-bench 容許重試之後跟 Grok 4.7 打平。如果你現在用 Opus 5.5 或 Astra 跑寫程式的代理，我看不到為了 Carbon 換掉工具的理由，何況你也換不了。

我比較在意的是發布節奏。Google 在四週內發表了兩顆前緣模型，兩顆都先給資安防禦者。Carbon 領先最多的資安項目偏偏是利用弱點，所以這次的限制發布，我覺得比 Argon 那次更有道理。

你現在能做的事很少，但很具體：

• 用 API 的開發者：Argon 已經可以用，優惠價到 11 月 30 日。不要把 Carbon 放進這季的計畫，預算用 4 美元、20 美元算。
• 符合 Fairwind 資格的組織：聯絡你的 Google Cloud 客戶團隊，但先有心理準備，背景調查和使用限制都是硬條件。
• 一般 Gemini 使用者：沒什麼要做的，等 Google 宣布。

什麼會讓我改變看法？如果 Carbon 出現在 API 模型頁，而且優惠期是從開放那天起算，對開發者來說它就是現階段最划算的頂級模型之一。如果 Google 的評測方法文件顯示對手的分數是在比較不利的設定下跑的，那些小幅領先我會再打折。如果 CWE-bench 補上的成本數字接近 Opus 5.5，我上面那段成本推算就要收回。