返回探索
资讯VibeFix 内容整理更新于 2026年11月20日

最强的 Gemini 终于轮到所有人用:Gemini 4 Carbon 全面可用,但它不是给所有人准备的

Google 在 11 月 10 日把 Gemini 4 Carbon 全面开放,两周前它还只交给 Fairwind 项目里的网络安全防御者。CursorBench、WANDR、AutomationBench 三项第一,/swarm 多智能体小队,99% 攻击拦截率,都是真的——但全部是 Google 自报,2 美元/10 美元的介绍价在正文里也没写有效期。

Google 官方 Gemini 4 Carbon 主视觉:深蓝底色上是 Gemini 四色星标与“Gemini 4 Carbon”字样,右侧一块半透明冰晶状碳块。

最强的 Gemini,终于轮到所有人用

11 月 10 日,Google 把 Gemini 4 Carbon 全面开放了:开发者、企业、科学家和普通用户,从今天起都能用上它。Google 在博客里的定性很直接——这是“我们最强的模型”,强在网络安全能力,和处理长周期、多步骤智能体任务的能力上。这句话如果只读一半,会以为又是一次常规的“新模型发布”。但 Carbon 的故事不是从 11 月 10 日开始的:两周前,它只开放给了一批网络安全防御者,通过一个叫 Fairwind 的项目小范围试用。11 月 10 日这天,真正发生的事不是“发布”,而是“放开”——从一批防守者手里,交到所有付费开发者和 AI Ultra 订阅者手里。

这个时间差值得先记下来,因为它解释了 Carbon 的定位。Google 在 10 月 28 日先把它交给最懂安全的人试了两周,收集反馈、打磨防护,然后才敢全面开放。一个模型如果先给安全团队用,说明它的能力边界本身就是风险的一部分——Carbon 强在找漏洞、证漏洞、补漏洞上,这种能力交给谁、怎么交,本身就是产品决策。全面开放之后,问题就从“它有多强”变成了“你打算拿它干什么”。

还有一句定位的话,Google 在博客里说得非常明白,值得原文引用精神:Argon 仍然是大多数软件工程和知识工作的理想选择,Carbon 是为那些“考验模型智能极限”的任务准备的——复杂的多步骤编码与调试、开放式的科学研究与发现。为了这些任务,Carbon 会花比 Argon 更多的 token,去更彻底地探索、更深入地推理、跑更长的验证循环。翻译成人话:Argon 是日常主力,Carbon 是攻坚队。选错了,你要么大材小用,要么小马拉大车。

Google 官方 Gemini 4 Carbon 主视觉:深蓝底色上是 Gemini 四色星标与“Gemini 4 Carbon”字样,右侧一块半透明冰晶状碳块。

不是首发,是放开:先给防守者,再给所有人

先把时间线捋清楚。10 月 28 日前后,Google 宣布 Gemini 4 Carbon,但只开放给 Fairwind 项目里的一批网络安全防御者。11 月 10 日,Carbon 全面可用:付费开发者通过 Google AI Studio 和 Android Studio 里的 Gemini API 付费层使用,企业通过 Gemini for business 使用,Google AI Ultra 订阅者则在 Antigravity、Gemini 应用和搜索的 AI Mode 里用上它。科学家和研究者可以申请,通过 Antigravity 的最高用量层级免费使用 Argon 和 Carbon 六个月——四周前开放申请时已有数千名科学家入选,这次 Carbon 也加了进来。

这种“先防守者、后所有人”的顺序,在模型发布里并不常见,通常的做法是反过来的:先全面开放,再慢慢补安全措施。Google 敢反着来,是因为 Carbon 的能力有一半是安全能力——找漏洞、验证漏洞可利用、生成经过验证的根因补丁。把这样的能力直接交给所有人,等于同时发了矛和盾。先让防守者用两周,等于先让盾熟悉矛。博客里也写了,Carbon 的防护是跟着能力一起加强的:随着每次发布,安全缓解、智能体误用防范、模型对齐和伤害降低措施,都会按能力的比例同步增强。这句话听着像套话,但放在 Carbon 身上是有具体所指的,后面安全那一节会拆开讲。

价格上,Carbon 和 Argon 的介绍价相同:每百万输入 token 2 美元,每百万输出 token 10 美元。Google 在文中把这个价格标注为介绍价(introductory price),也就是说它是有期限的优惠价,但博客正文里没有写介绍价什么时候结束、结束之后是多少。这一点要如实记下来:价格本身是公开的,价格的有效期在正文里是没写明的。打算长期用 Carbon 跑重任务的人,应该自己去查最新的定价页,而不是按今天这个数字做预算。

三组基准,要拆开看

博客给出的基准成绩分三组,每一组都要拆开看口径,不能只抄排名。

第一组是智能体工作流。Carbon 在 CursorBench 4.0、Perplexity 的 WANDR 和 Zapier 的 AutomationBench 上排名第一,而且按 Google 的说法,每项任务的成本比次优的外部模型低两倍多。这是整篇博客里最有分量的一组数字,因为它测的不是“答题”,而是“干活”:在真实工作流里完成自动化任务。CursorBench 测的是编码智能体,WANDR 测的是研究型智能体,AutomationBench 测的是自动化任务。三项第一加成本更低,组合起来说的是同一件事——Carbon 不只是在基准上赢,而是在“干活”这个维度上赢。但也要注意限定词:“次优的外部模型”是谁,博客没有点名;“每项任务的成本”是怎么算的,也没有展开。这是厂商博客的常规写法,数字可信的方向是“Carbon 在这三项上确实强”,不能直接读成“Carbon 在所有智能体任务上都是第一”。

第二组是高精度知识工作。Google 和 Artificial Analysis 合作推了一个新基准,多模态知识智能体(Multimodal Knowledge Agent,MKA),专门测模型在智能体工作流里处理带图表、图片、蓝图、示意图和表格的密集文件的能力。Carbon 在这个新基准上排名第二,但每项任务的平均成本比第一名低六倍多。另外两项金融领域的评估也被点名:在 Hebbia 的端到端金融智能体评估上,Carbon 追平了受测的最佳模型;在 Balyasny 资产管理公司的通用金融智能基准上,Carbon 在 23 个前沿模型配置里排第一,覆盖法律专业知识、智能体工具使用与执行、编码与数据工程、感知与上下文理解。这里的判断是:Carbon 的强项不只是写代码,还包括“啃大部头文件、按严格格式出成品”——法律、金融、企业运营场景里,模型要读几百页密集文档,再按既定格式输出格式工整的电子表格、演示文稿和报告。MKA 排名第二这个细节反而值得留意:Google 自己推的新基准,自己只拿了第二,这比包揽第一可信得多。

第三组是网络安全,这是 Carbon 的主场。通过 Fairwind 项目使用的 Carbon for cyber,在找漏洞(SEC-bench Pro)、验证可利用性(ExploitGym)和打补丁(CWE-bench v1)三项关键基准上领先。具体战绩有三条,都来自 Google 自己的系统和合作项目。第一条是 Project Fortify,Google 的自主扫描、分流与修复系统:Carbon 在内部基准上扫描召回率达到 100%,分流精确率达到 95%;在开源代码仓库测试里,比 Argon 本就很强的召回率又相对提升了 25% 以上,发现了此前没被发现的真实逻辑缺陷。第二条是 Google 的云漏洞研究团队用 Carbon 证明了某流行开源软件里的两个漏洞确实是可被利用的漏洞,严重程度堪比近期的 PHP2Shell 漏洞事件,借此帮助维护者把漏洞重新定级为严重并迅速发布补丁——细节要等负责任披露流程走完后才公布。第三条是 Wiz 的 Scan for Good 项目:团队用 Carbon 扫描两家大型 SaaS 服务商,不到两小时就发现了零日漏洞,把原本需要数周的漏洞研究压缩到一个下午,并与受影响的组织合作以创纪录的速度完成修复,帮助缓解了对数万家公司的潜在影响。

这三条战绩有一个共同点:它们讲的都不是基准分数,而是“真实系统里的真实漏洞”。100% 召回率和 95% 精确率是内部基准上的数字,要打折扣读;但“两个漏洞被重新定级为严重”“两小时发现零日漏洞”这两件事,如果属实,是基准分数替代不了的证据。反过来也要说一句:这些全部是 Google 和合作方自己报告的结果,博客里没有第三方独立复现。读者应该把它们当作“厂商报告的实战记录”来读,而不是行业共识。

“/swarm”:一个提示词,变成一支队伍

和 Carbon 同一天发布的,还有 Google Antigravity 里的“/swarm”(预览版)。它把单个提示词变成一支协调行动的智能体队伍,可以实时追踪。按 Antigravity 博客的说法,单个智能体适合范围明确的任务,但一碰到横跨几十个文件和测试套件的改动就力不从心;动态子智能体把这个模式升级成主智能体分派孤立的助手,但仍然受限于单个协调者的上下文,要由它来审阅、综合和路由每一步。“/swarm”换了一种结构:一个协调者拉起多个并行的专业工作者,在隔离的 git 工作树里干活、互不撞车,再配上专门跑测试、挑战每一处改动的对抗性验证者。所有智能体直接在一个共享的、只可追加的消息板上协作,空闲时零 token 成本待机,有需要时立刻激活。

这里有两个细节值得展开。第一是“隔离的 git 工作树”:并行智能体最大的工程麻烦是互相改同一份代码、互相覆盖改动,工作树隔离是解决这个问题的标准做法,Google 把它做进了产品里。第二是“对抗性验证者”:验证者不是走过场跑一遍测试,而是专门负责挑战改动——这和 Carbon 本身“跑更长的验证循环”的定位是同一套思路。Antigravity 还给“/swarm”配了一个内置的 Swarm 界面:在侧边栏里看 Board 动态、Members 名单和 Graph 时间线回放,可以实时看智能体队伍如何辩论权衡、检查每个智能体的工具活动、跳进某个智能体的轨迹里去引导它,或者拖动时间线回看从最初简报到验证通过的代码是怎么收敛的。命令行里用“/swarm board”或 Alt+S 就能打开全屏终端板。

分工上,Google 的建议很明确:把 Carbon 分配给最需要深度推理的角色——架构设计、协调、审计;把更快、更轻的模型配给并行文件编辑和常规实现。Antigravity 博客里还写了一句实在话:Google 内部用“/swarm”做了五周的试吃,工程师们用它处理过多包迁移、跨子系统根因调查和复杂架构重设计;但即使空闲等待是零 token 成本、模型可以动态热切换,并行多智能体系统消耗配额的速度还是比标准聊天快得多。这句话是对开发者最有用的提醒:队伍越大,账单涨得越快。Carbon 本来就比 Argon 更费 token,再乘以一支队伍的规模,成本模型要重新算。

科学那一面:从形式化证明到蛋白质

博客里篇幅最长、最容易被跳过的部分,是 Carbon 在科学研究上的应用。这一节值得细读,因为它回答了一个问题:一个“最强模型”的强,到底强在哪些具体的事上。

第一件事是代码验证。Google 的研究者搭建了一个叫 AlphaProof Code 的智能体框架,做形式化验证,并把它用在一个重大的安全挑战上:用数学方法证明 Signal 加密协议底层代码的正确性。研究者用 Carbon 和其他模型,把安全目标翻译成数学定理,再由 AlphaProof Code 的智能体用 Carbon 生成数百万行 Lean 代码——Lean 是一种写数学证明的计算机语言——帮助证明关键的安全属性,整个过程花了几周时间。而按历史经验,这类任务需要专家团队花数年时间。博客的措辞很克制,说“结果表明 Carbon 有潜力解锁可扩展的形式化验证”,没有说“已经证明了”。这个克制是对的:形式化验证是构建安全软件的黄金标准,但也是最难标准化的工作,一次成功不等于方法已经成熟。

第二件事是酶分析方法开发。只给了实验记录本和原始数据,Carbon 不只做了标准分析,还发现了难以解释的数据异常,并用它们诊断出细微的湿实验假象——比如深孔板里自动混匀不完全——从而显著提高了可重复性。它还改进了色谱峰去卷积的方法,并发现了研究仪器里的痕量样品残留,显著加快了新分析方法的开发,收紧了计算与实验台之间的反馈循环。这件事的含金量在于“发现异常”而不是“执行分析”:模型不是在按流程跑,而是在数据里看到了人没看到的问题。

第三件事是蛋白质结构预测。AlphaFold 3 这类结构预测模型依赖多序列比对(MSA),也就是进化亲缘序列的比对结果来推断氨基酸链如何折叠。问题是,研究不足的病毒、微生物和真核生物蛋白质,在标准数据库里往往只有很少的匹配。Google 的研究者在一个多智能体设置里用 Carbon,在拍字节(petabyte)级别的未标注序列档案、环境与病毒序列目录和三维结构数据库里自主发现远缘同源序列。以 CASP17 盲测集里 7 个低同源蛋白质家族为例,Carbon 平均把检索到的同源序列数量提高了 40 倍,大幅增加了结构预测模型可用的信息,而且不需要重新训练。博客也注明,更广泛的基准测试仍在进行中。这三件事合起来,Carbon 的科学定位就清楚了:它不是“更会答题”,而是“更会在没人知道答案的地方找答案”。

安全那一面:99% 与 0% 的含金量

Carbon 越强,安全问题越绕不开。博客专门用了一节讲模型安全,而且给出的数字比基准分数更值得细看。

第一组数字是模拟网络攻击测试。在用 ExploitBench 和 CyScenarioBench 搭建的模拟攻击环境里,Carbon 挡住了自适应红队智能体 99% 的攻击轨迹——这个红队智能体每次被挡住之后都会迭代调整攻击计划。Carbon 的防护把每次尝试的突破率降到 0.8%,而 Argon 是 3.1%。在 Gray Swan 的测试里,自动化网络攻击查询的成功率降到 2.17%,Argon 是 9.86%。外部测试机构 Trajectory Labs 做了 132 小时、超过 13,000 次请求,没有发现新的通用越狱方法。这些数字要这样读:0.8% 不是 0%,2.17% 也不是 0%,防护是在“大幅降低”而不是“消除”风险。Google 自己也在博客里承认,提示注入的鲁棒性仍然是需要持续改进的领域,高级自动化红队测试已经表明,在某些分布上,模型面对更复杂的攻击还可以进一步改进。

第二组数字是关于诚实。在一个 375 项任务的智能体诚实基准上,Carbon 通过了 92% 的任务,而 Argon 是 70%。拆开看:Carbon 在 98% 的情况下拒绝填写缺失的实验数据,在 68% 的情况下指出了方法论缺陷。这组数字对做科学和数据分析的人尤其重要:模型最大的毛病不是“不会”,而是“不会还硬编”。一个拒绝编数据的模型,比一个什么都敢编的模型更值得信任。博客还提到,在两周前公布 Carbon 时,Gray Swan 的间接提示注入(IPI)基准上 Carbon 的攻击成功率是 0%,这是第一次有模型达到这个里程碑。但同一段也写了,0% 不代表问题解决了,红队测试仍在继续推进极限。

把这两组数字放在一起,Carbon 的安全叙事就完整了:能力越强,防护也要越强,而且防护的效果是可以被测量的——不是一句“我们很重视安全”,而是突破率从 3.1% 降到 0.8%、攻击查询成功率从 9.86% 降到 2.17%、诚实测试从 70% 升到 92%。但这些也全部是 Google 自己或其委托的测试机构报告的数字,独立验证仍然缺位。读者应该记住方向(防护在变强),而不是把某个具体数字当作定论。

对开发者意味着什么:Argon 还是 Carbon

如果你是独立开发者或小团队,今天的 Carbon 大概率不是你的默认选择,Google 自己就是这么说的:Argon 仍然是大多数软件工程和知识工作的理想选择。Carbon 贵在 token 用量上——它为每个任务花更多的 token 去探索、推理和验证。日常的写代码、改 bug、写文档、做知识整理,用 Argon 更划算。Carbon 值得考虑的场景,博客里其实已经列出来了:多包迁移、跨子系统根因调查、复杂架构重设计、开放式科学研究、网络安全审计——也就是那些“错一次代价很大、值得多花 token 验证”的任务。

一个实用的判断方法是按“验证成本”来选模型。如果任务的验证很便宜——跑个测试、看一眼渲染结果就知道对不对——用 Argon 甚至更轻的模型,错了再改就是了。如果任务的验证很贵——一次架构决策影响未来半年、一个安全审计漏掉一个漏洞就是一次事故、一次科学结论错了就是几个月实验白做——那就值得让 Carbon 多花 token 跑验证循环。Carbon 的价值不在“更聪明”,而在“更愿意花力气验证”。这个区别,决定了它应该出现在你工作流的哪个环节:不是替代 Argon,而是接在 Argon 后面,负责那些值得反复验证的高杠杆环节。

还有一个角度值得补充。同一天,Anthropic 的 Claude Fable 5.2 刚刚拿下 Artificial Analysis 智能指数第一(本站前轮已发过相关内容),Google 随即全面开放 Carbon。这不是巧合,是前沿模型竞争的常态:每一家都在用“最强”这个词,但“最强”的口径各不相同——Fable 5.2 强在综合智能指数,Carbon 强在智能体工作流和网络安全。对开发者来说,正确的做法不是站队,而是按任务选模型:写代码、做智能体、搞安全审计,不同的任务有不同的最优解。Carbon 的全面开放,至少让这个选择题多了一个真实可用的选项,而不是停留在 Fairwind 名单里的传闻。

没写进博客的三件事

第一,介绍价的有效期。博客只写了 Carbon 和 Argon 的介绍价相同(每百万输入 token 2 美元、每百万输出 token 10 美元),并标注为介绍价,但没有写介绍价什么时候结束、结束之后是多少。按这个价格做长期预算之前,先去查最新的定价页。这个数字今天是对的,明天可能就不是了。

第二,免费层。博客列出的使用渠道全部是付费的:API 付费层、Gemini for business、AI Ultra 订阅。免费用户和 AI Pro 用户能不能用 Carbon,博客没有说,也没有说他们被排除在外。这是一个“没说”的空白,不是“没有”的结论。普通用户如果想试 Carbon,最直接的路是看 AI Ultra 的订阅,而不是在免费版里找。

第三,独立验证。CursorBench、WANDR、AutomationBench 的第一名,MKA 的第二名,SEC-bench Pro、ExploitGym、CWE-bench 的领先,以及 99% 的拦截率、0.8% 的突破率——全部是 Google 自己报告的,或者由 Google 委托的机构测出的。Artificial Analysis 是独立的,但 MKA 是 Google 和 Artificial Analysis 合作推的新基准,合作关系本身值得留意。Carbon 到底比 Argon 强多少、比竞争对手强多少,最终要等独立团队拿自己的任务跑一遍才知道。在那之前,博客里的数据应该被当作“厂商报告的口径”,而不是行业共识。

最后回到那句“最强的模型”。Carbon 全面开放这件事本身,比任何一组基准分数都更值得记录:一个两周前还只交给网络安全防御者的模型,现在交到了所有付费开发者手里;一个为“考验智能极限的任务”设计的模型,现在可以被任何人拿去试。它的真正考验不在发布这一天,而在接下来的几个月里——有多少团队真的把它用在 Argon 搞不定的任务上,有多少安全团队真的靠它找到了此前没发现的漏洞,有多少科学家真的靠它做出了此前做不出的发现。这些答案不在博客里,在使用记录里。

阅读 6评论 0

评论 (0)

ME
0/1000
评论加载中...

原始来源

浏览项目广场发布你的项目

相关文章

一名戴眼镜的开发者坐在木桌前敲笔记本电脑,左边外接显示器上是深色背景的 C 语言代码,桌上有绿植
资讯
微软的编程模型终于不当配角了:MAI Code 2 拿 96% 的分数、只收 5% 的钱,但先看清三处“但是”

2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。

开发工作流产品发布模型动态
黑色背景上,一名指挥家背对镜头高举指挥棒,脚下环绕着旋转的光轨,像一支乐队正在被指挥
资讯
一个接口接 45 个模型,坏了自动换一家接着跑:Perplexity 的 Orchestrator 想当模型界的‘总机’

2026 年 11 月 17 日,Perplexity 推出 Orchestrator API:一个接口接通 OpenAI、Anthropic、Google、xAI 与 GLM、Kimi、DeepSeek 等开源权重模型,按回答模型的公开价计费、不收平台费。同一模型挂了就换一家部署接着跑,路由功能还能按任务把请求分给不同的模型。

开发工作流产品发布模型动态
昏暗的办公室里,一名戴眼镜的开发者背对镜头,坐在多块显示代码的屏幕前,蓝紫色灯光映亮了工位
资讯
七周第四款 Gemini 4:Neon 夹在 Carbon 与 Hydrogen 之间,卖的是‘又快又够聪明’

2026 年 11 月 18 日,Google 发布 Gemini 4 Neon:综合指数 61 分排第三、编码指数 58.6 分排第一,价格每百万输入 3 美元、输出 15 美元。它夹在最重的 Carbon 与最轻的 Hydrogen 之间,在 Antigravity 里当总指挥、指挥一群 Hydrogen 子智能体;但按 token 算,它是 11 月里最贵的 Gemini 4,12 月 1 日之后才变成便宜的中间款。

产品发布模型动态AI 编程实践