榜单第一名的模型，你现在花钱也买不到。
10 月 29 日，第三方评测机构 Artificial Analysis 把谷歌的 Gemini 4 Carbon 放上智能指数 v5 的榜首，59 分，压过 Claude Opus 5.5 和 GPT-6 Astra。Hacker News 上这条消息拿到三百三十八个赞、两百四十七条评论，但被顶得最高的讨论不是它有多强，而是它到底什么时候才开放。和上一代 Argon 发布时一样，Carbon 目前只推送给选定用户，公开时间表根本不存在。更有意思的是数据里藏着一个反常识的细节：新模型的幻觉率从 4% 涨到 11%，翻了将近三倍，可这个数字放到全场对比，依然是第二低。这篇文章把官方评测数据拆开，看看这个榜首到底值多少钱，以及你我现在该做什么。
榜单长什么样：九个单项拿下四个第一
先看总分。Artificial Analysis 的智能指数 v5 用九个评测项给模型打分，Carbon 拿到 59 分成为新榜首。这九个单项里它拿了四个第一，分别是 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience 和 AutomationBench-AA，覆盖复杂推理、科学任务和知识可靠性这些硬骨头领域。这个指数由第三方机构维护，九个维度独立计分，目的就是避免单一 benchmark 被针对性刷分。评测方给出的定性是，它在复杂推理、知识和科学任务上领先，编码和知识工作也有大幅进步，但并不是所有维度都领先。
把这话翻译成人话：Carbon 是一台偏科的冠军。它在烧脑的推理题和科学题上把对手甩开，但在编码和日常知识工作这两个工程师最在意的场景里，它只是追近了，还没有反超。这种结构很像一个理综满分但英语刚及格的学生，总分第一，单项有短板，报考志愿的时候不能只看总分条，得拆到单项分数、价格、可用性上逐条对账，这正好是后面几个小节要做的事。
参照物是自家的 Argon。同样的定价档位下，Argon 的智能指数只有 50 分，Carbon 直接抬高了 9 分。同一价格、同一产品线下，一代之间分数涨了近两成，这个进步速度才是榜单背后真正值得盯住的信号。榜单会过时，进步曲线不会骗人。规格层面，Carbon 带着 100 万 token 的上下文窗口，支持文本、图片、视频和语音四种输入模态，输出仍是纯文本，旗舰配置没有缩水。
编码追到离 Claude 只差 3 分
编码是谷歌模型历史上的弱项，这次的数字却相当能打。在 Artificial Analysis 的编码智能体指数上，Carbon 搭配谷歌自家的 Antigravity CLI 拿到 59 分，只比 Claude Code 搭配 Claude Opus 5.5 打出的 62 分低 3 分。单项拆开看，Terminal-Bench 4.0 上 Carbon 拿到 64% 排第二，这个测试让模型在真实终端环境里完成操作任务。FrontierCode v1.1 上拿到 51%，同样排在 Opus 5.5 的 56% 之后，但都已进入贴身距离。
3 分的差距是什么概念？这是谷歌的模型在编码榜单上第一次进入贴身肉搏的区间。评测方特意点出，谷歌在这个领域历史上一直落后，所以这次的改善格外显眼。还有一个细节值得单拎出来说：Carbon 配的是谷歌自家的 Antigravity 命令行工具，而榜首组合是 Claude Code 配 Opus 5.5，编码成绩不仅吃模型能力，也吃配套工具的调教。换句话说，如果你之前因为编码能力把 Gemini 从候选名单里划掉，现在这个决策需要重新做了。编码助手这个赛道上，可选项第一次真正多了一个，而且这一个还带着一百万 token 的上下文窗口。
不过 Hacker News 的评论区给了另一面的证词。多位用户反映 Argon 在网页版里会大段编造内容，有人让它总结项目进展，它直接虚构了整段文字。也有评论指出，网页版的幻觉可能是外层封装没有要求模型核对信息，不代表 API 里的模型本身如此。跑分和体感之间的这条缝到底有多宽，要等 Carbon 开放之后才能验证。
幻觉率翻了近三倍，却还是全场第二低
这是整份数据里最有戏剧性的一个数字。在衡量模型知识可靠性的 AA-Omniscience v1.1 上，Carbon 拿到 54 分，比 Opus 5.5 的 48 分高 6 分，比 Argon 的 46 分高 8 分。准确率从 Argon 的水平提高了 10 个百分点，达到 58%。但代价就写在同一行：幻觉率从 Argon 的 4% 涨到了 11%。这个测试的玩法是专挑模型知识边界上的题目提问，看它答不上来时是老实承认还是硬编一个答案，测的不是知识量，而是模型对自己边界的诚实程度。
单看涨幅确实吓人，接近三倍。但把全场数据摆开就完全是另一个故事：Opus 5.5 和 GPT-6 Astra 的幻觉率都是 50%。也就是说，这两个对手在知识问答里有一半的回答是编的，而 Carbon 是九分之一。11% 放在绝对值上依然是全场第二低，仅次于自家那个过分保守的 Argon。涨幅可怕，基数仍然优秀。
这个取舍值得想深一层。Argon 那种 4% 的幻觉率是用大量拒答换来的，模型不敢说，所以很少错。Carbon 明显选择了更敢回答的路线，答对率大涨的同时错误率跟着涨。对实际使用者来说，只要任务允许事后核对答案，一个答对率接近六成、编造率只有一成出头的模型，通常比一个什么都不敢说的模型更有用。怕的不是模型会错，而是它错了你不知道。把这几项数据放在一起，Carbon 的画像是敢答、答对率上升、编造率也上升，但绝对编造率仍远低于同价位对手。
一个任务 7.76 美元的账怎么算
评测方给了一个很实用的指标，单任务成本。按标准定价，Carbon 跑一个智能指数任务平均花 7.76 美元，比 Opus 5.5 的 10.04 美元便宜约 23%，但仍是 GPT-6 Astra 6.25 美元的 1.2 倍左右。效率上 Carbon 每个任务平均输出 12.3 万 token，比 Opus 5.5 的 17.3 万少 29%，说明它更倾向用更短的推理链拿到答案，话少但活干完了。输出 token 少还有第二重收益，推理链短意味着等待时间也更少。
拆开账单看结构更有意思。Carbon 官方定价是每百万 token 输入 4 美元、输出 20 美元，和 Argon 完全一样。用 7.76 美元和 12.3 万输出 token 反推，一个任务平均要吃掉 130 万左右的输入 token，这是典型的智能体负载特征，提示词和工具返回占大头。缓存输入便宜 95%，折合每百万 0.2 美元，重复上下文多的场景成本会直接跳水。
把你自己的负载套进去算一遍，比看任何评测都实在。下面这段脚本按官方价目算单任务成本，可以直接跑。
python
def task_cost(input_tokens, output_tokens, cached_tokens=0):
# Carbon 官方价：输入 4 美元、输出 20 美元，每 1M token
# 缓存输入便宜 95%，折合 0.2 美元
normal = input_tokens - cached_tokens
return (normal * 4 + cached_tokens * 0.2 + output_tokens * 20) / 1_000_000
# Artificial Analysis 实测：一个智能指数任务平均 123k 输出 token
# 按官方 7.76 美元反推，输入约 130 万 token
plain = task_cost(1_300_000, 123_000)
cached = task_cost(1_300_000, 123_000, cached_tokens=1_000_000)
print(f"无缓存约 {plain:.2f} 美元，缓存命中后约 {cached:.2f} 美元")跑出来的结果是无缓存约 7.66 美元，缓存命中一百万 token 后约 3.86 美元，直接腰斩。另外谷歌给了 50% 的首发折扣，而且没有公布截止日期，首发期内的实际成本还要再减一半。账单的结论很朴素：贵不贵不取决于榜单排名，取决于你的输入里有多少能命中缓存。
同价涨 9 分，Argon 的位置尴尬了
Carbon 和 Argon 定价完全相同，都是每百万 token 输入 4 美元、输出 20 美元，但智能指数从 50 涨到 59。同价涨 9 分，让刚拿到 Argon 权限没多久的用户处境微妙。知识工作的对比更直观，在 AA-Briefcase 上 Carbon 拿到 1609 Elo，比 Argon 的 1483 高出 126 分。AA-Briefcase 测的是模型处理真实办公任务的能力，用 Elo 等级分排名。其中演示文稿制作单项暴涨 293 分，来到 1598，分析质量也提高 120 分，来到 1671，这两个子项恰好是知识工作者每周都要碰的活。
但先别急着喊碾压。知识工作这个维度上 Carbon 依然不是第一，它前面还站着三个对手：Grok 4.7 的 1638、Muse Wonder 的 1659，以及 Kimi K3.1 Pro 的 1678。Kimi K3.1 Pro 压了 Carbon 将近 70 个 Elo 分，这个差距不算小。国产模型在知识工作榜单上压住谷歌新旗舰，这在一年前还很难想象，说明办公自动化这个赛道的座次远没有定型，接下来半年这个榜单大概率还会再洗牌。
把四个关键数字摆在一起对比，格局会更清楚。
| 模型 | 智能指数 v5 | 编码智能体指数 | 幻觉率 | 单任务成本 |
|---|---|---|---|---|
| Gemini 4 Carbon (high) | 59，第一 | 59，第二 | 11% | 7.76 美元 |
| Claude Opus 5.5 (max) | 未登顶 | 62，第一 | 50% | 10.04 美元 |
| GPT-6 Astra (max) | 未登顶 | 未进前二 | 50% | 6.25 美元 |
| Gemini 4 Argon (high) | 50 | 低于 Carbon | 4% | 7.68 美元 |
可以看出一个清晰的分工：要编码选 Claude，要综合智能选 Carbon，要极限低幻觉反而得选老款 Argon，预算敏感选 GPT-6 Astra。没有全能冠军，只有按场景点菜。这才是这份榜单对普通开发者最有用的读法，谁告诉你某家模型全面碾压，谁就是在替厂家做宣传。对自己负载的实测结果，永远排在任何榜单前面。
发布节奏本身成了吐槽对象
Hacker News 两百多条评论里，热度最高的主线不是跑分，而是谷歌的发布节奏。Carbon 和 Argon 一样，宣布即登顶，开放无日期。有用户直白地说，别家都是宣布后几天内就能用，谷歌偏偏玩某个时候再说的套路，能力进步这么快，这种饥渴营销根本吊不住人，点进来看一眼发现用不了，转身就走了。还有老用户翻旧账，说 Gemini 团队历来擅长发漂亮的跑分图，然后在实际可用性上消失，等真拿到手往往又贵又难用。
更尖锐的猜测指向发布时机。有评论翻出时间线：Argon 宣布时正撞谷歌内部绩效评估季，Carbon 宣布时正撞季度财报发布。下面一片附和，说这系列发布的目标受众根本不是开发者，而是考评委员会和股东。也有人从工程角度辩护，认为先宣布再慢慢放量是大模型安全流程的正常操作，还拿 Anthropic 的 Mythos 举例，说它同样提前好几个月宣布。两种解读都有道理，但消耗的是同一个东西，开发者对谷歌发布会的信任额度。
作为用户还吃到了一个具体的苦果。有 Pro 订阅者说 Argon 的限额低到五条消息就触发四小时冷却，网页版还出现过照着文件名虚构内容的严重幻觉。榜单分数是实验室里跑出来的，这些吐槽才是生产线上磨出来的。两边都听一听，对新模型的预期才不会失真。
等它开放之前该做什么
先把一个误区排除掉：盯着榜首等开放没有意义。智能指数每周都在变，等你排到 Carbon 的试用资格，榜单可能已经换了人。更靠谱的动作是趁现在盘自己的负载结构，看看任务里输入 token 和输出 token 的比例。Carbon 的定价结构决定了输入越重、缓存命中越多的负载越划算，输出重的长推理负载优势会缩水。顺手把系统提示词这类固定内容整理成可复用的前缀，缓存命中率的每一分提升都是直接打折。现在把这些底子摸清楚，开放当天你就知道该不该迁。
如果你已经有 Argon 权限，可以做一次针对性的自建评测。挑二十个你生产环境里真实出过错的知识问答，分别喂给 Argon 和手头在用的模型，统计答对率和编造率，把题目和结果留档。Argon 那种 4% 幻觉率换来的拒答习惯，在必须核对答案的场景里可能反而是优点。等 Carbon 开放后同一套题再跑一遍，幻觉率从 4% 到 11% 的变化落在你的数据上是什么样，比任何公开榜单都更接近真相。
至于现在就要下单的人，格局其实很清楚：编码重负载继续用 Claude，综合任务可以试 GPT-6 Astra 的 6.25 美元单价，知识工作重的可以看看 Kimi K3.1 Pro。Carbon 登顶最大的意义不是让谁立刻换模型，而是证明谷歌把价格钉在原地、把分数往上抬了 9 分。这个价格锚点会逼着所有对手跟进，等财报季的热度过去，受益的是每一个买单的人。