谷歌10月29日发布新一代前沿模型Gemini 4 Carbon，在三项安全相关基准上取得业内最高分：SEC-bench Pro（漏洞发现）88.2%，ExploitGym（漏洞利用）54.8%，CWE-bench（补丁修复）71.0%。IT之家当天报道了这一发布。这是谷歌继9月30日发布Gemini 4 Argon之后，在同一代模型序列下推出的新版本。
安全与对齐指标的变化
Carbon的核心卖点集中在可信度而非单纯的能力分数。谷歌博客给出了几组对比数据：在Terminal-Bench 4.0测试中，Carbon的作弊成功率降到0.0%，尝试作弊的比例降到0.4%；高严重程度的失准（misalignment）警报减少了近80%；模型的过度执行（overreach）率下降26%，服务不足（under-service）率下降29%。在Gray Swan的间接提示注入（Indirect Prompt Injection，简称IPI，指攻击者把恶意指令藏在模型处理的外部内容里）基准上，前代Argon的攻击成功率已经是0.7%，Carbon进一步做到0.0%，官方说法是抵御了所有被评估的攻击尝试。
这些数字说明谷歌在这一代模型的训练和评估流程里，加重了对模型会不会被诱导做坏事、会不会自己作弊走捷径的测量权重。Terminal-Bench 4.0模拟的是智能体（Agent，指能自主调用工具、执行多步任务的AI系统）在终端环境里完成任务的过程，作弊率下降意味着模型更少通过违规手段达成任务目标，不等于任务完成率本身提高。
独立测试给出不同的画面
第三方媒体aihot发布的测试数据呈现了另一面，其评测方法与谷歌官方博客不同，两套结果暂无法互相验证。aihot称Carbon完成单个任务平均使用123k个输出token（Token是语言模型处理文本的最小单位），比Claude Opus 5.5的173k少29%；但该来源未披露两款模型测试时使用的硬件、提示词和评测版本是否一致，这一对比仅供参考。同一测试里，Carbon的幻觉率从4%上升到11%。这组数据和谷歌博客强调的安全性提升形成对照：生成内容更简洁，但编造错误信息的比例也更高，两者未必矛盾，但说明更安全不等于更准确。
在综合能力排行上，aihot引用的数据显示，Carbon在近期更新的5.0版Artificial Analysis Intelligence Index上拿到59分，前代Argon为50分。Carbon在WebDev Arena上以1,769分位列第四，比此前提升89 Elo分（Elo是一种通过两两对比结果计算相对实力的评分系统）。在Vals Index v2.2测试中，Carbon的准确率为70.36%，介于Claude Sonnet 5.5（70.85%）和Claude Opus 5.5（70.18%）之间，单次测试运行费用10.51美元，耗时不到48分钟。在Agent Arena中，Carbon的中位任务成本为1.80美元，比排名第一的Claude Opus 5.5（Max版）低72%。Code Arena的WebDev类别里，Carbon得1,768分，领先排名第十一的Argon 89分，总排名第四。这些对比同样来自aihot单一来源，测试环境未披露，结论仅供参考。
价格与迁移注意事项
Carbon沿用了缓存输入token大幅折扣的定价方式，缓存部分的价格比普通输入token低95%。这一机制此前已在Argon上使用，目的是降低需要反复处理长上下文（比如多轮对话历史或长文档）的应用成本。谷歌博客未说明Carbon相对Argon是否存在破坏性API变更，也没有给出具体的迁移步骤或参数对照，这部分信息暂缺，已部署Argon的团队目前只能依据输出token上限等已披露差异自行评估升级成本。
Argon本身在9月30日发布后，于10月13日实现全球可用。Argon当时的基准成绩包括：DeepSWE v1.1上77.9%、AutomationBench上51.3%排名第一、LVBench上91.7%、CWE-bench v1上68%并列第一。谷歌还提到Argon在一次量子算法优化任务中，几分钟内把已发布基线的表现提升了40%；谷歌博客未说明该基线来自哪个具体任务、是否为公开可复核的测试集，这应被视为一项营销性案例演示，不构成可比较的通用基准。Argon部署后还为谷歌数据中心释放超过300TiB内存，预计总节省在500TiB到1PiB之间；输出token上限从64K扩大到1M，这一项是Carbon沿用的能力基础，开发者从旧版本迁移时需要确认自身调用是否受此前64K上限的截断逻辑影响。谷歌在介绍Argon的另一篇博客中提到，使用Argon的Antigravity团队智能体代码提交量提升超过35%，代码回退减少近三分之一；在ADK框架（Agent Development Kit，谷歌的智能体开发框架）中，经Argon优化后，长会话的内存会话准备时间缩短40%，冷启动导入速度提升21%。
尚未明确的部分
谷歌官方博客没有提供幻觉率、Token消耗量等第三方测试里给出的数据，aihot的报道也没有提到谷歌强调的失准警报和过度执行率变化，两组数据分别出自各自来源，暂无法合并验证。谷歌博客未说明Carbon相对Argon在API层面是否有不兼容改动，哪些应用场景更适合优先升级，这部分指导性信息缺失。目前没有检索到独立安全研究机构或企业用户对Carbon实际部署效果的公开评价。幻觉率上升的具体原因，谷歌和第三方测试都未给出解释。
原文地址：tools.wflynn.cn/aitools/tre...
关注公众号「YourTools」，每天推送 GitHub 趋势与开源工具速报：
