文章核心观点 - 谷歌DeepMind发布Gemini 4 Carbon，在多项基准测试中登顶，AA Index v5.0得分59分，比Argon高9分，以1分优势超过此前榜首Claude Opus 5.5，时隔一年重回第一 [3][5] - 该模型在前端与3D能力、网络安全、长程任务等方面提升显著，但目前仅限特定开发者使用，普通用户何时可用尚不明确 [14][18][29] 基准测试表现 - AA Index v5.0得分59分，超越Claude Opus 5.5的58分区间水平，Vals Index v2.2达70.4%，高于Argon的69.2%和GPT-6 Astra的65.0% [3][5] - Agentic coding方面，SWE-sweep达9.6%（Argon为4.3%、GPT-6 Astra为9.5%），FrontierSWE 2达61.2%，Terminal-Bench 4.0达65.2% [3] - Computer use方面，Agents' Last Exam v1.1得分77.4%，OSWorld-2.1离线子集达81.5% [3] - Knowledge work方面，AutomationBench（Zapier）达53.9%，Vending-Bench 2银行余额为16,484美元，高于GPT-6 Astra的15,515美元和Claude Opus 5.5的9,235美元 [3] - 多模态理解方面，Chartography达72.5%，Blueprint-Bench 2相似度得分58.6% [3] - 长上下文方面，GraphWalks 256k至1M BFS（F1）达96.2%，大幅领先Argon的84.2%和GPT-6 Astra的71.8% [3] - 科学与数学方面，RiemannBench达80.0%，Terminal-Bench-Science 0.1达64.8% [3] - Arena盲测用户投票榜单中，文本榜单登顶第一、Agent榜单排名第二 [8] 网络安全能力 - SEC-bench Pro、ExploitGym、CWE-bench三项榜单均位列第一，分别为88.2%、54.8%、71.0% [30][31] - 安全代码生成任务成功率是Argon的两倍多，Chrome团队发现其在生成高质量安全补丁方面比另一家实验室的前沿模型高出十倍以上 [31] - 谷歌云安全平台Wiz观察到Carbon在网络应用渗透测试中处于领先位置 [32] - Gray Swan IPI越狱攻击测试中，最多十五次尝试下攻击成功率为0%，而K3诱导成功率高达53% [33][34] 前端与3D能力 - 前端和3D能力提升明显，社区关注点主要在审美提升和对3D空间理解能力提升 [18] - three.js制作的汽水案例逼真度接近blender水准，黑洞案例构图具故事感，3D城市案例被认为比之前所有大模型生成的城市更精美自然 [20][22][24] - Arena评测负责人评价Carbon比Argon强出太多，认为Argon那一版其实不必单独发布 [28] - 谷歌是最早宣传原生多模态模型的大厂，Gemini在多模态领域和世界知识上表现持续领先 [28] 长程任务与自主能力 - 谷歌内部团队观察到Carbon连续运行数天，在发现一条路走不通后会自行换路，从而解决大型代码库和底层系统的bug [29] 定价 - 标准价每百万token输入4美元、输出20美元，首发打5折，性能超越Opus 5.5的同时价格更低 [11] 可用性与行业影响 - Gemini 4 Carbon仅允许特定开发者使用，普通用户可用时间未知；Argon发布时至少部分Pro用户和API能用上 [14][15] - 行业关注该模型是刷榜战神还是真实全球最强，X上已有测试案例可供观察真实能力 [16][17] - 谷歌面临让用户尽快用上的迫切问题，用户对模型上线后降智的担忧已成常态 [37][39][41]