Google 推出 Gemini 4 Carbon：最强模型先给防守者，普通人还得等

Google 在 2026 年 10 月 28 日推出了 Gemini 4 Carbon，这是 Gemini 4 这一代里的第二个前沿模型，距离上一代 Argon 发布只隔了两周。Google 的说法很直接：这是它目前最强的模型，主打两个方向，一个是网络安全防御，另一个是能扛住多天、很多步骤的长任务。先把最关键的一句话说在前面：这个模型今天普通人还用不上，第一批拿到它的是经过筛选的一小部分网络安全防御者，开发者、企业和普通用户要等，而且 Google 没有给具体日期。

这个先后顺序本身就是新闻。过去一年，前沿模型发布基本是一个套路：先公布分数，再开放接口，大家排队去试。这次 Google 反过来了，分数照样公布，但门先只给防守方开一小条缝。原因也不难猜：Carbon 最拿手的三件事，找漏洞、验证漏洞能不能被利用、把漏洞修掉，放在防守者手里是工具，放在攻击者手里同样是工具。Google 说它正在参与美国政府自愿的发布前测试流程，并且会先收集反馈、继续打磨防护措施，然后再扩大开放。这个姿态值得肯定，但也要说清楚，它解决不了根本的双刃剑问题，只不过是把风险的释放节奏放慢了一点。

先看数字，再看数字的边界

Google 公布的成绩单确实亮眼。在最新版的 Artificial Analysis Intelligence Index v5.0 上，Carbon 拿到 59 分，排第一。网络安全三项外部基准上，它分别是：找真实漏洞的 SEC-bench Pro 88.2%，验证漏洞可利用性的 ExploitGym 54.8%，把漏洞修到根因的 CWE-bench 71.0%，而且 Google 特别注明，这三项是在没有防护措施的情况下测的。网页开发方面，Carbon 在 WebDev Arena 上比 Argon 高了 89 分，排到第四。内部测试里，生成安全代码的成功率比 Argon 翻了一倍多，Chrome 团队说它生成高质量补丁的表现比另一家实验室的大模型好 10 倍以上。

但这些数字要分三层看。第一层是外部基准，相对可比，但不同基准的出题方式和评分口径不一样，88.2% 和 54.8% 不能直接拿来比高低。第二层是 Google 自己的内部测试，比如安全代码成功率翻倍、Chrome 团队的 10 倍说法，这些都没有公开的完整复现细节，只能当作厂商口径来听。第三层是像 Intelligence Index 这样的综合榜单，它把很多项揉成一个分数，排第一不等于每一项都第一。事实上，同期第三方解读就指出，在独立的编程 Agent 榜单上，Carbon 并不领先。所以正确的读法是：Carbon 在安全防御这条赛道上确实拿出了有说服力的成绩，但在通用编程上，它是不是全面最强，还要等独立测试和真实使用来验证。

它到底擅长什么：能啃几天的大活

除了安全，Carbon 的另一个卖点是长任务能力。Google 说，内部团队已经让它连续跑上几天，去啃那些会在半路走进死胡同的复杂工程问题，比如在大代码库和底层系统里定位一个藏得很深的 bug，再把它修掉。对做 vibe coding 的人来说，这个描述比分数更值得注意。因为日常开发里最耗时间的往往不是写第一版代码，而是改 bug：报错信息不清不楚，问题可能在三个文件之外，改一处又冒出另一处。一个能持续跟进、不轻易放弃的模型，理论上正好对上这个痛点。

但理论归理论，现实里有三个坑。第一，长任务跑得久，成本也跟着涨，中间任何一步走偏，后面全是浪费。第二，模型自己说它“坚持了几天”，不等于它每一步都对，人在中间不检查，最后可能收到一份看起来很完整、实际上埋了新问题的交付。第三，Google 举的例子都是内部团队在自家环境里的表现，你的代码库结构、测试覆盖和文档完整度跟 Google 内部完全不一样，效果打折是大概率事件。所以对普通开发者来说，Carbon 现在的意义更多是“方向标”，而不是“明天就能用的工具”。

安全方面的说法，要一句一句拆开听

Google 在安全和对齐上给了几个具体说法，值得逐条记下来，因为以后可以对照验证。第一，训练里防作弊的措施加强了，在 Terminal-Bench 4.0 上成功作弊率降到 0.0%，尝试作弊率降到 0.4%，同时整体准确率还提高了。第二，内部测试里，没有根据的说法比 Argon 少了大约一半，模型会直接把方法上的局限写进交付物，或者把被拦住的动作和还缺什么列清楚，而不是编一个看起来圆满的答案。第三，多步骤任务里，越界行为减少了 26%，服务不到位减少了 29%，也就是说它既不那么容易自作主张，也不那么容易半途撂挑子。第四，防提示注入方面，Gray Swan 的间接提示注入基准上，Carbon 达到了 0.0% 的攻击成功率，也就是评估里每一次攻击都被挡住了。

这些说法如果属实，确实是实打实的进步，尤其是第二条：少编造、多承认不知道，对编程场景的价值可能比分数还大。但同样要留一个心眼：这些全是 Google 自己的内部测试和它选定的基准，评估环境、提示词和判定标准都由它定。防注入 0.0% 听起来很完美，可真实世界的攻击手法永远比基准测试多，基准上的满分不等于线上的免疫。正确的心态是把这些当作“值得期待的信号”，而不是“已经解决的问题”。

价格先定好了，人还没放进来

价格方面，Google 已经把牌亮出来了：Carbon 上线时和 Argon 一样的 introductory 价格，每百万输入 token 2 美元，每百万输出 token 10 美元，缓存输入 token 打 95 折。第三方解读补充说，介绍期结束后价格会涨到输入 4 美元、输出 20 美元。Google 自己的原文只写了上线时的介绍价，没有在正文里写涨价后的价格和介绍期多长，所以涨价那部分要标注为第三方口径，不能当成官方承诺。

这个定价策略很有意思：价格先定，人先不放。它的潜台词是，Google 不想让大家只盯着“什么时候能用”来吵，而是先把成本预期锚定住。按介绍价算，Carbon 和 Argon 同价，但能力更强，听起来很划算；按介绍期后的价格算，它就和顶级模型一个价位了，划不划算要看它在你手里的实际成功率。做预算的人应该按涨价后的价格去算，介绍价只能当作 early 阶段的优惠，别把长期成本建立在优惠价上。

给开发者的判断：不用追，但要盯三件事

对绝大多数开发者和 vibe coder 来说，现在对 Carbon 最务实的做法是：不用着急追，也不用因为用不上而焦虑。你真正该盯的是三件事。第一，扩大开放的节奏：Fairwind Program 下一批合作伙伴是谁、开发者接口什么时候开、有没有公开的等待名单，这比任何榜单分数都更能决定你什么时候能真正用上它。第二，独立评测：等第三方在真实代码库、真实漏洞修复任务上跑出结果，再看它是不是真的比你现在用的模型强，尤其是在你自己的任务类型上。第三，安全能力的落地方式：它找漏洞、修漏洞的能力，最终会以什么产品形态出现，是直接进 Gemini API，还是先集成到 Google Cloud 的安全产品里，这决定了中小团队能不能沾到光。

还有一个更长远的判断：两周连发两个前沿模型，说明 Google 内部已经形成了“模型帮研究员加速研发”的循环。Google 原文里那句“研究员和模型携手推进前沿”不是空话，它意味着模型迭代的速度可能比过去更快。对开发者来说，这既是好消息也是提醒：好消息是能力会持续变强，提醒是今天为某个模型调好的工作流、提示词和成本模型，可能几个月后就要重算。别把某个模型当成永久基础设施，把它当成会换代的工具，工作流本身要保持可迁移。

和 Argon 比，到底强在哪，又没强在哪

Carbon 是站在 Argon 肩膀上的，Google 自己也这么说：Argon 两周前发布，Carbon 在它的基础上继续推。两代之间的差别，不是一次换代式的跳变，而是几个方向同时往前推了一步。网页开发质量提高了，产物和细节更好了，分数上体现为 WebDev Arena 高了 89 分；科学任务和多模态理解也提到了；安全防御是提升最大的地方，三项基准全部刷新了 Google 自己的纪录；对齐和诚实度上，没有根据的说法少了一半左右，越界和不到位同时下降。这些加起来，确实能说明 Carbon 是更强的模型，但“更强”不等于“全方位碾压”。

没强在哪，原文其实也留了线索。第一，Carbon 的综合榜单第一名，来自 Artificial Analysis 刚刚更新的 v5.0 版本，榜单版本一换，分数口径也跟着换，跨版本比较要格外小心，不能直接拿 v5.0 的 59 分去和旧版本里别的模型的分数排座次。第二，Google 通篇没有公布 Carbon 的上下文窗口、推理档位、延迟和真实 API 表现，这些恰恰是开发者选型时最在乎的硬指标。一个模型在基准上跑得好，不等于在你的长对话、大仓库、多文件改动里同样好用。第三，Carbon 目前只给一小批防守者用，外部开发者还没有大规模实测，真实世界里的翻车案例还没出现，评价样本严重偏向厂商内部。换句话说，Carbon 的“强”目前还是官方口径的强，独立验证还在路上。

对选型的人来说，一个实用的比较框架是这样的：不要问“Carbon 是不是最强”，要问“在我的任务上，它是不是最稳”。你的任务如果是找漏洞、审代码、修安全问题，Carbon 的三项安全基准至少说明它值得排进候选名单，等开放后实测；你的任务如果是日常写功能、改界面、做原型，WebDev Arena 第四和长任务能力同样值得关注，但同样要等实测；你的任务如果对成本敏感，那介绍价和涨价后的价差就是一道必须算的题，别被“同价更强”的第一印象带走。模型选型从来不是榜单选型，而是任务选型。

防守者先行，到底是谨慎还是特权

先给防守者这个安排，支持者会说这是负责任的发布，反对者会说这是把最强的工具先给了少数人。两种说法都有道理，关键看执行细节。Google 说的是“a subset of cyber defenders”，也就是一部分防守者，而不是全体防守者，筛选标准没有公开；又说会“gradually phase access to additional trusted partners through our Fairwind Program”，也就是通过 Fairwind 计划逐步扩大到更多可信合作伙伴，但“可信”的门槛、申请通道、排队规则，原文都没有展开。对中小安全团队和独立开发者来说，最实际的问题就是：我算不算“可信合作伙伴”，要去哪里申请，要等多久。

这里有一个值得警惕的趋势：如果前沿安全能力长期只掌握在少数大机构和签约伙伴手里，攻防之间的差距不是缩小，而是换了一种方式拉大。大公司有专属模型、专属支持、专属反馈通道，小团队只能等公开版，等来的时候，攻击者可能已经用别的渠道拿到了类似能力。Google 参与美国政府自愿的发布前测试流程，方向是对的，但自愿流程的约束力有限，测试范围和结果公开程度也不透明。真正的考验不是发布当天说了什么，而是接下来几个月：开放节奏会不会按承诺推进，安全能力的产品化会不会惠及中小团队，独立评测有没有机会拿到同样的测试条件。

还有一个经常被忽略的角度：Carbon 这类模型越擅长找漏洞和修漏洞，软件行业的“安全债”处理方式就越可能改变。过去，找漏洞靠人工审计和扫描器，修漏洞靠排期；以后，模型可以在提交代码之前就把一类问题扫出来，甚至直接给出补丁。这对开发者是好事，但也带来新的责任问题：如果模型给出的补丁引入了新问题，责任算谁的？如果模型漏掉了一个它本该发现的漏洞，团队能不能发现？这些问题不会因为模型变强而消失，反而会因为大家更依赖模型而变得更重要。工具越强，人的复核责任越不能省。

现在能做的准备，而不是干等

在 Carbon 真正开放之前，开发者其实有几件现在就能做的事。第一，把你自己的安全基线补齐：依赖扫描、密钥管理、最小权限、测试覆盖，这些是任何模型都替代不了的基本功，模型只能在基本功之上加分，不能替你补课。第二，准备好评测任务：挑三到五个你真实遇到过的 bug 和安全问题，记下当时的现象、定位过程和正确修复，等 Carbon 开放后用同一批任务去测它，这样得出的结论才对你有意义，而不是被榜单牵着走。第三，算好成本账：按介绍期后的价格做预算，按你自己的任务量估算 token 消耗，别等开放当天才发现成本模型对不上。

对 vibe coder 来说，还有一条更具体的建议：别把 Carbon 当成“能替你写完整个项目”的神器，也别把它当成和你无关的新闻。它的长任务能力和安全能力，指向的是同一种工作方式的变化：以后做项目，流程可能是人定方向、模型跑长任务、人审结果、模型再修。这个流程里，人的价值不在“写每一行代码”，而在“定义清楚要做什么、判断结果对不对、在关键节点叫停”。现在就开始练这种工作方式，比如把需求写得更清楚、把验收标准列出来、把测试先写好，等更强的模型到来时，你接得住；如果一直停留在“想到哪写到哪”，再强的模型也只能给你一堆看起来能跑、实际上经不起推敲的代码。

别只看模型，要看它会长成什么产品

模型发布和产品落地之间，隔着一段经常被低估的距离。Google 原文的最后一句说，期待看到首批防守者怎么用这个模型，也期待尽快把它带给开发者、企业和消费者，但“尽快”没有日期，“以什么产品形态”也没有交代。它可能先出现在 Gemini API 里，也可能先集成到 Google Cloud 的安全产品和 Wiz 的扫描流程里，还可能先以受邀测试的方式小范围开放。不同的落地顺序，对不同的人意义完全不同：安全团队关心的是能不能进自己的扫描流水线，独立开发者关心的是 API 何时开放、价格到底是多少，普通用户关心的则是它会不会让 Gemini 聊天变得更好用，而这些问题，发布当天都没有答案。

还有一个细节值得单独提醒：Google 在原文里提到，Wiz 观察到 Carbon 在网页渗透测试基准上领先，而 Wiz 本身就是 Google Cloud 旗下的安全平台。这个例子一方面说明 Carbon 的能力已经进入了 Google 自家安全产品的视野，另一方面也提醒读者，厂商举的“自家产品实测”例子，天然带有立场，不能当成中立评测来引用。以后如果看到“某大厂安全产品实测最强”之类的转述，先问一句：这是谁测的、在谁的产品里测的、有没有第三方复现。这三个问题问完，很多宣传话术的水分就现形了。

所以，跟踪 Carbon 的正确姿势，不是每天刷榜单有没有更新，而是盯住几个可验证的节点：Fairwind 计划有没有公布新的合作伙伴名单，Gemini API 文档里有没有出现 Carbon 的模型标识，Google Cloud 安全产品有没有宣布集成，以及第一批独立评测有没有在真实任务上跑出可复现的结果。这些节点出现一个，Carbon 才从“新闻”往“工具”挪一步。在那之前，所有关于它会改变什么的说法，都只能算作判断，而不是事实。把判断和事实分开写、分开听，是读这类发布最基本、也最容易被忽略的素养。

最后说一句不那么客气的话：Carbon 的发布方式，正在变成前沿模型的新常态。先给一小批可信用户，边收集反馈边放开，分数先行、产品后到。以后看到类似的发布，先问三个问题：谁能用、什么时候轮到我、分数是在什么条件下测的。答不上这三个问题，再亮眼的榜单也只是一半的新闻。Carbon 的一半已经足够引起注意，另一半要等它真正走到开发者手里才算数。