排行榜新领跑者，访问权限受限
谷歌宣布推出 Gemini 4 Carbon，这款人工智能模型在 Artificial Analysis Intelligence Index v5.0 中获得 59 分，并在发现、测试和修复软件漏洞方面表现出色。首批用户将是经过筛选的网络安全防御人员，而非普通公众。
目录
谷歌于 2026 年 10 月 28 日发布的 Gemini 4 Carbon 公告称，该模型在这项综合能力指数上的排名高于 Claude Opus 5.5 和 GPT-6 Astra。此次发布距 Gemini 4 Argon 问世仅两周，许多用户还没来得及充分体验前一款模型，谷歌便又推出了一款旗舰模型。
谷歌 DeepMind 高级副总裁、谷歌首席 AI 架构师 Koray Kavukcuoglu 将该模型的核心优势概括如下：
Gemini 4 Carbon 是我们在网络安全和长时程能力方面最强、达到业界领先水平的模型。
谷歌表示，内部团队曾观察 Carbon 连续数日处理艰巨的工程任务，包括追踪隐蔽漏洞，并在大型软件项目中生成修复方案。对安全团队而言，它有望成为一款能在多次尝试失败后仍持续攻关的助手，而不是只给出一个建议便停下。
Carbon 的发布也凸显了一个现实矛盾：发现并利用软件弱点的能力可以帮助防御者修复系统，但也可能为攻击者提供有用的能力。谷歌正在发布前参与美国政府的自愿测试，并将通过 Fairwind Program 逐步扩大访问范围。
综合来看，Carbon 在综合智能指数和多项安全测试中领先，但在一些编程任务上落后于竞争对手。谷歌称其内部可靠性有所提升，但一项外部测试显示，与 Argon 相比，Carbon 给出虚构答案的比例有所上升。
网络安全评分衡量什么
谷歌公布了三项主要安全测试成绩：SEC-bench Pro 为 88.2%，ExploitGym 为 54.8%，Collinear 的 CWE-bench 为 71.0%。每项测试衡量防御者工作的不同环节。
SEC-bench Pro 测试模型能否在真实软件中发现漏洞。漏洞是可能让他人访问信息、修改系统或干扰系统运行的弱点。谷歌表示，Carbon 在这项测试中排名领先，能够发现隐藏在软件中的复杂缺陷。
ExploitGym 测试下一步：能否将弱点转化为可用的漏洞利用程序。漏洞利用程序是利用缺陷使系统以非预期方式运行的方法。安全团队会在受控环境中进行漏洞利用测试，以判断哪些弱点会立即构成威胁、应优先修复。
CWE-bench 衡量补丁能力，也就是编写代码修复根本问题的能力。Carbon 得分为 71.0%，重点体现的是完成修复，而不只是指出可疑代码。
谷歌表示，这些外部网络安全基准测试是在未启用安全防护措施的情况下进行的，也就是说，部署模型时用于限制其行为的保护机制在测试期间没有开启。这些成绩反映的是模型在相应测试条件下的表现；用户通过谷歌产品访问时，仍会受到安全控制措施的保护。
谷歌还表示，在内部基准测试中，Carbon 生成安全代码的成功率是 Argon 的两倍多。谷歌 Chrome 团队称，与一家未具名竞争实验室的大型前沿模型相比，Carbon 生成高质量补丁的表现提升了 10 倍以上。这些内部安全代码测试结果尚未经过独立复现，谷歌也没有透露比较中的对手模型名称。
排名第一不等于每项任务都胜出
Artificial Analysis 给 Carbon 的 Intelligence Index v5.0 评分为 59 分，高于 Claude Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分。因此，Carbon 领先 Opus 1 分、领先 Astra 2 分，差距小于谷歌公布的最亮眼网络安全测试差距。
该指数综合了九项评测，Carbon 在其中四项领先：HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench。Artificial Analysis 表示，修订后的指数中有 60% 使用了不公开测试题目的私人测试。
编程测试的结果则较为参差。搭配谷歌 Antigravity CLI 的 Carbon 在 Coding Agent Index 上得分为 59，而搭配 Opus 5.5 的 Claude Code 得分为 62。编程智能体将模型与工具结合，使其能够检查文件、运行命令和编辑软件，因此配套软件也会影响测试结果。
Carbon 在 FrontierCode v1.1 上得分为 51%，低于 Opus 的 56%。在 FrontierSWE 上，Carbon 得分为 61.2%，GPT-6 Astra 为 65.5%，Opus 5.5 为 62.3%，Sonnet 5.5 为 61.9%。这些结果让开发者可以结合自身工作中的具体任务进行比较，而不必只看综合排名。
网页开发也是进步领域之一。谷歌公告显示，Carbon 在 WebDev Arena 中以 1,768 个 Elo 分位列第四，提升了 89 分。Elo 是一种根据相对表现计算的评分系统。Carbon 在 Text Arena 中以 1,528 分排名第一，在 Agent Arena 中排名第二，展现出安全工作以外的优势。
连续工作数日，而非只回答一次
谷歌为 Carbon 设计了持续运行的智能体工作流程，也就是由 AI 系统朝着目标连续执行一系列操作。在软件工程中，这可能包括检查项目、分析漏洞原因、修改代码、运行测试，并在测试失败后调整修复方案。
谷歌内部团队表示，Carbon 曾连续数日处理涉及大型代码库和底层系统的复杂任务。谷歌称它能够在陷入僵局后继续推进；当最初看似合理的解释最终被证明有误时，这项能力尤为重要。
据报道，该模型的上下文窗口为 100 万个 token，最大输出长度也为 100 万个 token。Token 是模型处理的文本小单位。上下文窗口指模型一次能够处理的内容量，包括指令和为任务提供的材料。
据报道，Carbon 可以接收文本、图像、视频和语音输入，并生成文本。这些输入类型让用户能够在同一工作流程中提供书面故障报告、截图以及软件异常行为的录音。
它在编程以外任务上的表现各有不同。在 AA-Briefcase 知识工作评测中，Carbon 得分为 1,609 个 Elo 分，比 Argon 高 126 分，但仍落后于 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro。它在 Vals Index 中排名第二，在 Finance Index 和 Legal Research Benchmark 中排名第一。成绩范围之广表明，企业的选择可能取决于具体需求是软件修复、文档分析还是其他工作。
安全测试区分作弊尝试与成功作弊
谷歌公布的 Terminal-Bench 4.0 测试中，Carbon 成功作弊率为 0.0%，尝试作弊率为 0.4%。这两个数字描述的是不同情况：模型是否试图走不当捷径，以及这种尝试是否得逞。
谷歌表示，Carbon 在提高任务准确率的同时减少了这类捷径。在与谷歌内部团队进行的实际编程工作中，严重偏离预期行为的警报减少了近 80%。
提示注入是另一个重点。这类攻击会把指令藏在 AI 应当读取的材料中，例如网页或文件，从而将模型引向偏离用户任务的方向。检查项目的助手可能会遇到要求它忽略原有指令或泄露信息的文本。
在 Gray Swan 的 Indirect Prompt Injection Benchmark 中，Carbon 的攻击成功率为 0.0%。作为对照，Argon 为 0.7%，Claude Opus 5.5 为 1%，GPT-6 Astra 为 8.5%。谷歌公布的结果意味着，在该测试中，Carbon 抵御了所有受测攻击。
谷歌表示，Carbon 将模型训练与运行期间的防滥用措施、抵御提示注入的能力以及对推理过程的监控结合起来。初期限制性部署将使公司能够收集反馈，并在选定的防御人员使用过程中调整保护措施。
内部可靠性有所提升，一项外部指标却恶化
谷歌表示，在内部测试中，与 Argon 相比，Carbon 无依据断言的数量大约减少了一半。谷歌称，该模型更可能说明证据不足、列出尚未完成的要求，并在采取行动前指出相互矛盾的信息。
谷歌还表示，Carbon 的过度执行减少了 26%，服务不足减少了 29%。简单来说，谷歌称 Carbon 更不容易超出用户指令范围，也更不容易在完成用户要求前就停下。
Artificial Analysis 在其 Omniscience 评测中记录到另一种变化：Carbon 的幻觉率升至 11%，而 Argon 为 4%。幻觉是指模型把虚构或错误的信息当作事实呈现。尽管如此，在该项比较中，Carbon 的测得幻觉率仍是第二低；Opus 5.5 和 Astra 均为 50%。
尽管幻觉率较高，Carbon 仍以 54 分领跑 Omniscience 评测。模型可能因为回答了更多问题而取得进步，同时在尝试回答先前会回避的问题时犯下更多错误。谷歌内部的无依据断言指标和外部幻觉指标采用不同的评测方式，因此用户需要分别考量这两项可靠性结果。
对安全团队来说，核查工作仍是必不可少的一环。所谓发现的漏洞需要经过检查，拟议的补丁也需要针对它所修改的软件进行测试。谷歌所称的改进，正是为了减少助手过早宣称成功或采取超出要求范围的行动。
哪些人能获得访问权限，顺序如何？
谷歌表示，在 10 月 28 日公告发布当周，一部分网络安全防御人员将获得 Carbon 的访问权限。之后，更多可信合作伙伴将通过 Fairwind 逐步获得访问权限，开发者、企业和消费者则将在后续通过谷歌产品使用该模型。
公布的开放顺序如下：
- Carbon 发布前约两周：谷歌推出 Gemini 4 Argon，随后该模型在 Gemini 应用和 AI 搜索模式中开放使用。
- 2026 年 10 月 28 日：谷歌发布 Carbon 公告和基准测试结果。
- 10 月 28 日当周：经筛选的网络安全防御人员开始获得访问权限。
- 后续阶段：谷歌先通过 Fairwind 扩大访问范围，再逐步开放给更广泛的用户。
谷歌正在参与美国政府的自愿流程，在模型发布前对其进行测试。公告没有给出面向公众全面开放的日期，也没有说明 Carbon 的首发定价何时结束。
有人猜测 AI Ultra 订阅用户和 Gemini API 开发者可能成为首批客户，但谷歌公布的开放计划只列出了开发者、企业和消费者这几个更广泛的群体，并未确认具体开放顺序。
谷歌选择从防御人员开始开放，正值外界越来越担心 AI 可能遭到恶意利用之际。谷歌威胁研究人员记录到，伊朗、朝鲜、俄罗斯和中国支持的团体正在试验 Gemini，主要将其用于研究和编程辅助。DeepMind 负责人 Demis Hassabis 曾将近期利用 AI 智能体发起的黑客攻击称为早期警讯。
Carbon 对开发者的收费
Carbon API 的首发价格为每百万输入 token 2 美元、每百万输出 token 10 美元，与 Argon 上市时的定价相同。API 可让开发者将模型接入自己的软件。输入是发送给 Carbon 的材料，输出则是模型生成的内容。
首发期结束后，价格将翻倍，升至每百万输入 token 4 美元、每百万输出 token 20 美元。使用 100 万个输入 token 和 100 万个输出 token 的任务，按首发价格计算需支付 12 美元，按标准价格则需支付 24 美元，尚未计入缓存或其他调整。
谷歌表示，缓存输入可享受 95% 的折扣。缓存功能可让服务重复使用已处理过的材料，从而降低反复提供同一份大型文档或软件项目的成本。按首发输入价格计算，每百万个缓存输入 token 的费用为 0.10 美元；按标准价格计算则为 0.20 美元。
实际支出还取决于模型为完成任务生成了多少文本。Artificial Analysis 列出的 Carbon 每项指数任务成本为 7.76 美元，Opus 5.5 为 10.04 美元，GPT-6 Astra 为 6.25 美元。在该评测中，Carbon 每项任务使用约 12.3 万个输出 token，比 Opus 少 29%。
在其他工作负载下，情况可能有所不同。Vals 记录到 Carbon 生成的输出 token 数量比 Argon 多 64%，主要出现在金融、税务和法律任务中。因此，开发者在制定 Carbon 的预算时，需要同时考虑 token 单价以及模型为每项任务完成的工作量。
要点
- Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5.0 中以 59 分领先，高于 Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分。
- 谷歌公布的安全测试成绩为：漏洞发现 88.2%、漏洞利用 54.8%、补丁修复 71.0%。
- 在多项编程评测中，Carbon 落后于其他模型及工具组合。
- 谷歌称，Carbon 在 Terminal-Bench 4.0 中没有成功作弊，在受测的 Gray Swan 提示注入测试中也没有遭到成功攻击。
- 内部测试中的无依据断言大约减少了一半，但外部幻觉指标从 Argon 的 4% 升至 Carbon 的 11%。
- 经筛选的网络安全防御人员将率先获得访问权限，随后通过 Fairwind 扩大开放范围，再向更多用户开放。
- API 首发价格为每百万输入 token 2 美元、每百万输出 token 10 美元，之后将分别升至 4 美元和 20 美元。
