Gemini 4 Carbon 能给谷歌挽尊吗？

文 | 字母 AI

谷歌旗舰模型的保鲜期，怎么只有 15 天？

美国时间 10 月 28 日，在 Alphabet 第三季度财报电话会召开前约 3 小时，谷歌发布了新一代旗舰模型 Gemini 4 Carbon，以 59 分登顶 Artificial Analysis 最新智能指数，超过了 Claude Opus 5.5 和 GPT-6 Astra，成为全球第一。

模型拿了第一，财报就没那么喜庆了。

Alphabet 第三季度自由现金流恶化至负 90.65 亿美元，连续第二个季度为负，股价盘后一度下跌超 10%。

就在两周前，谷歌才正式向付费用户开放 Gemini 4 Argon。

有网友直接评价："Carbon 比 Argon 强多了。我真希望谷歌当初直接跳过 Argon，那样这次回归会更有说服力。"

还有网友调侃起了谷歌的命名方式：" 两周内从氩（Argon）变成碳（Carbon），下一个就是铁（Iron），然后就该开始热处理了。笑死。"

从已经公开的数据来看，Gemini 4 Carbon 的进步确实相当明显。

可惜谷歌又一次选择了分阶段开放，普通用户只能看着排行榜上的新冠军，继续使用刚被网友建议 " 直接跳过 " 的 Argon。

哈基米重回全球第一

时隔约半年，谷歌终于重回 Artificial Analysis 智能指数的榜首。

上一次 Gemini 位列榜首还是今年 4 月，那时 Gemini 3.1 Pro 与 GPT-5.4、Claude Opus 4.7 并列第一。随后 OpenAI 和 Anthropic 相继推出更强的模型，谷歌直到 Carbon 发布才重新登顶。

在 Artificial Analysis 最新的智能指数 v5.0 中，Carbon 获得了 59 分，较 Argon 的 50 分提高 9 分，比 Claude Opus 5.5 高 1 分、GPT-6 Astra 高 2 分。

在组成该指数的 9 项测试中，Carbon 拿到了 4 项第一，尤其擅长复杂推理、科学研究、知识问答和自动化任务。

其中最值得关注的是编程能力的提升。

在 Artificial Analysis 另一套专门衡量 AI 编程能力的 Coding Agent 指数中，Carbon 获得 59 分，仅次于 Claude Opus 5.5 的 62 分。谷歌过去在这类测试中一直不算突出，这次终于追了上来。

在 Terminal-Bench 4.0 终端编程测试中，Carbon 的成绩也从 Argon 的 57.1% 提高到 65.2%。网页开发方面，Carbon 在 WebDev Arena 上的评分较 Argon 提高 89 个 Elo 分，以 1768 分升至第四名（谷歌官方公告为 1769 分，本文以 Arena 原始排行榜为准）。

长上下文处理能力也有明显改善。在 GraphWalks 测试中，Carbon 的成绩从 Argon 的 84.2% 提高到 96.2%，超过 GPT-6 Astra 的 71.8%。这项测试考察模型在长达百万 Token 的上下文中追踪复杂关联的能力。

不过，在编程 Agent、部分软件工程及电脑操作测试中，Claude 和 GPT 仍然保持领先。

跑分之外，谷歌特地强调了 Carbon 执行复杂任务的能力。

官方公告表示，Carbon 专门针对长时间运行的 Agent 工作流程进行了优化。在内部测试中，它已经能够连续运行数天，反复尝试不同的方法，在大型代码库和底层系统中定位、修复复杂的错误。这意味着，Carbon 有望在遇到困难时继续推进工作，逐步承担过去需要工程师长时间参与的任务。

另一项重点升级是模型的网络安全能力。

根据官方文档，在 SEC-bench Pro 漏洞发现测试中，Carbon 获得 88.2% 的成绩；在 ExploitGym 漏洞利用验证测试中达到 54.8%；在 CWE-bench 漏洞修复测试中达到 71.0%，均取得了领先成绩。

谷歌还透露，在内部安全代码生成测试中，Carbon 的成功率超过 Argon 的两倍。

此外，在 Gray Swan 的间接提示注入测试中，Carbon 也取得了 0% 的攻击成功率。这项测试专门考察 AI 能否抵挡藏在网页、邮件和其他外部资料中的恶意指令。

在允许攻击者最多尝试 15 次的情况下，Carbon 抵挡住了全部测试攻击。相比之下，Argon 的攻击成功率为 0.7%，Claude Opus 5.5 为 1%，GPT-6 Astra 为 8.5%。

还有一点，比较有意思：Carbon 是个官方认定的 " 老实模型 "。

过去一些 AI 模型为了完成任务，可能会钻测试环境的漏洞，甚至通过不符合任务要求的手段骗取高分。但谷歌宣称，Carbon 在 Terminal-Bench 4.0 测试中的作弊成功率已经降至 0%，作弊尝试率也降低至 0.4%。

在内部测试中，Carbon 缺乏依据的断言数量较 Argon 减少约一半，高严重程度的行为偏离警报下降近 80%。模型越权操作的情况减少 26%，任务完成不足的情况减少 29%。

当然，这些结果仍然受到具体测试条件的限制，但可以看出，谷歌希望让 AI 在执行复杂任务时少耍小聪明。

至于价格，Carbon 暂时沿用了 Argon 的优惠定价。

每百万输入 Token 收费 2 美元，输出 10 美元，缓存输入享受 95% 的折扣。优惠期结束后，价格将分别上涨至 4 美元和 20 美元。

Artificial Analysis 的测试还显示，按照优惠期结束后的标准 API 价格计算，Carbon 平均完成一项综合评测任务的成本为 7.76 美元，与 Argon 的 7.68 美元基本持平（但综合得分提高了 9 分）。

相比之下，Claude Opus 5.5 的单任务成本为 10.04 美元，Carbon 便宜约 23%；GPT-6 Astra 则只需 6.24 美元，比 Carbon 低约 20%。

唯一的问题是，现在还没有多少人能够真正用上 Carbon。

谷歌宣布，本周将率先向少数网络安全防御机构开放模型，再通过 Fairwind 计划逐步扩大至可信合作伙伴。普通消费者、开发者和企业客户还需要继续等待，具体开放时间尚未公布。

变强了，但也变慢了

虽然 Carbon 尚未全面开放，但在正式发布前，已经有部分开发者通过提前访问计划和 Arena 测试到了它。

从目前公开的反馈来看，Carbon 确实比 Argon 强了不少——尤其是在 3D 内容生成方面。

10 月 21 日，X 用户 Lumina 分享了一组测试结果，包括生成体素宝塔，以及用 SVG 绘制骑自行车的鹈鹕。

他认为，Carbon 生成的 3D 内容质量明显超过 Argon，在多种任务中的整体表现也不错。但有一个很突出的问题：太慢了。

Lumina 表示，根据具体任务不同，Carbon 的生成速度比 Argon 慢约 2 至 4 倍。

另一位关注 Carbon 早期测试的网友 Lentils 也给出了相似的评价：3D 能力明显提升，前端和 UI 设计依然不太理想，而且模型变得更慢了。

不过，他也发现一个积极的变化：Carbon 没有以前那么 " 懒 " 了，在执行任务时更加积极，不容易敷衍了事。

速度问题并非个别开发者的错觉。独立评测机构 Vals AI 也发现，Carbon 的能力提升伴随着明显的速度代价。

在金融和税务 Agent 测试中，Carbon 平均完成任务的时间分别是 Argon 的 2.25 倍和 2.12 倍。其中，金融 Agent 的准确率甚至从 67.66% 小幅下降至 67.16%。

法律研究测试中，Carbon 虽然拿到了第一名，但平均每项任务需要近 52 分钟，比 Argon 多耗时约 20 分钟。

另一项争议来自 Carbon 的准确率问题。

有网友在 X 上直言：" 说实话，只要谷歌还没把模型的幻觉率大幅降下来，不管它在基准测试里比其他模型高多少分，我都不感兴趣。"

Artificial Analysis 的 AA-Omniscience 测试则显示，Carbon 的知识问答正确率从 Argon 的 48% 提高到 58%，但幻觉率从 4% 增加到了 11%。

这里的幻觉率，衡量的是模型在没有完全答对的问题中，有多少比例给出了错误回答，而没有承认自己不知道。

前面提到过，谷歌在官方公告中还专门强调 Carbon 缺乏依据的断言较 Argon 减少了一半，两项测试的任务和统计口径不同。

还有不少开发者对谷歌的发布方式感到不满。

在 Hacker News 上，有网友抱怨，谷歌每次都急着宣布新模型，却迟迟不给出明确的开放日期。等到 Carbon 真正向公众开放，OpenAI 和 Anthropic 可能已经发布了下一款更强的模型。

有网友给出了一个很损的比喻，他觉得谷歌这次的发布方式，简直就像一个人四处炫耀：" 我有个女朋友，只不过她在另一所学校，你们都不认识她。"

模型拿了第一，但账还没算完

Carbon 发布后几个小时，谷歌母公司 Alphabet 公布了第三季度财报。

如果只看营收和云业务的增长情况，谷歌的成绩其实相当漂亮。

第三季度，Alphabet 总营收达到 1275.77 亿美元，同比增长 25%。其中，Google Cloud 营收 307.09 亿美元，同比增长 103%，营收规模较去年同期翻了一倍多。云业务的营业利润也从去年同期的 35.94 亿美元增长至 111.21 亿美元，利润率由 23.7% 高至 36.2%。

用户规模同样在增长。皮查伊在财报电话会上透露，Gemini App 的用户数已经达到 10 亿，成为谷歌历史上增长最快的产品；谷歌自有模型 API 每分钟处理近 320 亿 Token，是一年前的四倍以上。

然而，资本市场的反应却相当冷淡。

10 月 28 日美股常规交易时段，Alphabet 股价还上涨了 1.34%。但随着财报公布，股价迅速转跌，盘后跌幅一度超过 10%。

Carbon 刚刚帮谷歌拿下全球第一，似乎也没能挽住投资者的信心。

原因之一是广告业务不及预期。第三季度谷歌广告收入达到 820.12 亿美元，同比增长约 11%，但比分析师预期低约 14.1 亿美元。

财报电话会上，谷歌高管表示，AI Mode 虽然带来了快速增长的查询量，但目前每次查询的广告变现水平仍低于传统搜索，因此也在一定程度上拖累了谷歌搜索业务的收入增速。

与此同时，谷歌花钱的速度越来越快。

第三季度，Alphabet 资本开支达到 513.55 亿美元，自由现金流降至负 90.65 亿美元，连续第二个季度为负。

虽然本季度的现金流还受到 52 亿美元欧盟罚款支付，以及 TPU 系统备货等因素影响，但基础设施投资的压力确实存在。

Alphabet 预计，2026 年全年资本开支将达到 1950 亿至 2050 亿美元，2027 年还会继续显著增加。

为了满足持续增长的算力需求，谷歌甚至开始使用第三方算力，首席财务官预计，这将在短期内给云业务利润率带来压力。

在电话会上，皮查伊也透露了 Carbon 接下来的发展计划。谷歌正在开发 Carbon 的蒸馏版本，希望在兼顾算力成本、响应延迟和模型质量的前提下，将其部署到 10 亿用户规模的产品中。

这也从侧面说明，把模型做到全球第一，与把全球第一的模型交到 10 亿用户手里，中间仍然隔着相当大的成本和工程难题。

当然，谷歌有自己的优势。它已经拥有庞大的用户群体、盈利能力持续增长的云业务，以及能够对外销售的 TPU 系统。即使最强模型暂时不能全面开放，谷歌仍然有很多渠道将 AI 能力转化为收入。

而且谷歌已经开始在内部尝到 AI 带来的生产率红利。皮查伊透露，过去几周，谷歌的 Chrome、广告和搜索团队使用 Argon 编写和优化代码，交付的代码量增加了 35%，错误减少了 30%。

如今，谷歌也已经开始在内部部署 Carbon。皮查伊认为，新模型的能力又有了明显提升，随着更多员工获得使用权限和算力支持，未来一年谷歌内部的生产效率还有望进一步提高。

Carbon 确实为谷歌挽回了技术上的面子，也让它在与 OpenAI、Anthropic 的竞争中重新占据了有利位置。

但资本市场需要的，恐怕不止一张漂亮的排行榜。