AI 大模型的竞争，正在从谁更会回答问题，转向谁能真正完成一项复杂工作。
刚刚，Google CEO Pichai 在 x 上宣布，旗下旗舰模型 Gemini 4 Carbon 正式向开发者、企业、科研人员和消费者扩大开放。
距离这款模型首次亮相，才刚不到两周。
10 月 28 日，Google 首次公布 Carbon 时，重点展示了其在网络安全、软件工程和长程任务方面的能力，但使用范围主要限制在特定网络安全防御团队。如今，这款模型终于走出受限测试阶段，开始进入 Google AI Studio、Gemini for business、Google Antigravity，以及面向 Google AI Ultra 订阅用户的 Gemini 应用和搜索 AI Mode。
这次开放，相比此前大模型发布时强调知识问答、数学推理和代码生成能力，Google 这次将真实工作场景放在了更显眼的位置。
Gemini 4 Carbon 全面开放，三项 Agent 评测第一
根据官方披露，Gemini 4 Carbon 在 CursorBench 4.0、Perplexity WANDR 和 Zapier AutomationBench 三项面向真实工作流程的评测中均排名第一，完成任务的成本比表现次优的外部模型低超过 2 倍。这三项评测分别涉及 AI 编程、信息检索与复杂任务执行，以及跨企业应用的业务流程自动化。
其中，Zapier AutomationBench 测试模型能否在真实业务工具和工作流中完成自动化任务。Google DeepMind 公布的成绩显示，Carbon 得分为 53.9%，超过 Gemini 4 Argon 的 51.3%、Claude Opus 5.5 的 42.5% 和 GPT-6 Astra 的 41.4%。
在更加偏向代码和系统操作的 Terminal-Bench 4.0 测试中，Carbon 取得 65.2% 的成绩，高于 Argon 的 57.1% 和 GPT-6 Astra 的 59.1%。
在面向长上下文推理的 GraphWalks 测试中，Carbon 的 F1 分数达到 96.2%，而 Argon 为 84.2%。这项测试的上下文范围为 256K 至 1M Token，主要考察模型在长距离信息关联与图结构搜索任务中的表现。
但值得注意的是，这些成绩并不意味着 Carbon 已经全面领先竞争对手。
Anthropic 于 11 月 9 日发布 Claude Fable 5.2 后，Artificial Analysis 的最新综合评测排名已经发生变化。在其发布版本对比中，Claude Fable 5.2 最高推理配置的 Intelligence Index 得分达到 65，而 Gemini 4 Carbon 的 high 配置得分为 60。
在 FrontierSWE v2 真实软件工程任务中，Claude Fable 5.2 取得 69.9%，Carbon 则为 61.2%。也就是说，不同模型在代码修改、终端任务、企业工作流和长程推理等场景中的表现已经出现明显分化。
所以 Carbon 在部分 Agent 任务中的优势，并不能说明其编程能力全面第一。
此外，Google 官方也明确指出，Gemini 4 Argon 仍然更适合大多数常规软件工程和知识工作任务，Carbon 则主要用于需要深入推理、复杂调试和长时间验证的高难度工作。
而 Google 此次强调的另一项指标是任务成本。
按照官方说法，在上述三项工作流评测中，Carbon 的单任务成本比表现次优的外部模型低超过 2 倍。对于需要频繁调用模型、执行大量工具操作的企业而言，这一指标可能比单纯的基准测试得分更有现实意义。
一条指令调度整个 Agent 团队，Google Antigravity 开始“群体作战”
比评测成绩更值得关注的，是 Google 对 AI 编程工作方式的改变。
在此次发布中，Google 宣布为 Antigravity 预览推出 /swarm 功能。简单来说，开发者不再需要让一个 Agent 独立完成所有工作，而是可以通过一条提示词，调度多个 Agent 同时处理不同任务，并实时查看各自的执行进度。
这些 Agent 可以承担不同角色。
例如，让 Carbon 负责复杂的软件架构设计、任务协调及代码审查，再把相对简单的工作分配给速度更快、成本更低的模型。多个 Agent 可以在隔离的工作空间中并行执行任务，还可以引入专门负责对抗性验证的 Agent，对代码修改结果进行检查。
这样的设计，试图解决当前 AI 编程面临的一个现实问题：即使单个模型的编程能力越来越强，它仍然可能在长时间执行任务时偏离目标，或者在修改一个模块时破坏另一个模块。
通过任务分工、独立工作空间和相互验证，Google 希望将复杂项目从单个 Agent 的连续执行，转变为多个 Agent 的协同完成。
为了展示这一能力，Google 提供了多个实际案例。其中一个项目是重建埃菲尔铁塔的历史施工过程。
开发者只提供一条提示词，Carbon Agent 团队便利用 1887 年至 1889 年间的历史照片与工程图纸，制作出一个基于 Three.js 的交互式 3D 展览。
另一个案例更加复杂。
Google 使用 7 份公开的市议会规划 PDF，其中包含 206 个提取出的工程图视图，让 Agent 团队重建 Google Platform 37 办公区域。
在经历 10 轮夜间执行循环之后，系统生成了一个包含约 90.6 万个三角形网格的 Three.js 交互式 3D 模型。
这些案例并不能直接证明 Carbon 已经能够不经人工干预完成生产级软件开发，但至少展示了 Google 对下一代 AI 编程平台的构想。未来的开发者或许不再只是向模型逐条提出编程要求，而是像管理一个小型工程团队一样，分配目标、检查进度、验证成果。
不过，真正决定这种模式能否大规模应用的，仍然是 Agent 之间的协作成本、错误传播问题，以及复杂项目的最终交付质量。
从金融报告到复杂数据分析，AI 开始进入高精度知识工作
Google 这次还重点强调了 Carbon 在金融、法律和企业运营领域的应用。
与传统文本问答不同，这些工作通常需要模型同时处理大量表格、图表、图片、工程图纸和复杂文档，并根据特定格式输出结果。
例如，一项企业财务研究任务可能需要 Agent 阅读数十份财报、提取关键财务指标、核对不同年份的数据，再制作可以继续编辑的电子表格和分析报告。
其中任何一个环节出现错误，都可能影响最终结论。
Google 认为，现有基准测试还不能充分衡量模型在这种多模态、长流程知识工作中的表现。
因此，Google 与 Artificial Analysis 合作推出了新的 Multimodal Knowledge Agent（MKA）评测，用于测试模型在 Agent 工作流中处理复杂多模态文件的能力。
根据 Google 公布的结果，Carbon 在这项评测中排名第二，但其平均单任务成本比排名第一的模型低超过 6 倍。
这一结果反映出另一种竞争路线：模型未必需要在所有指标中取得绝对最高分，但如果能够以明显更低的成本完成接近领先水平的任务，也可能具备商业价值。
在金融领域，Google 还披露了两项发布前评估结果。
Carbon 在 Hebbia 的 E2E Financial Agentic 评估中，与接受测试的最佳模型表现相当；在 Balyasny Asset Management 的 General Financial Intelligence 评估中，则位居 23 种前沿模型配置的前列。后者覆盖法律知识、工具调用、代码与数据工程，以及感知和上下文理解等多个维度。
如果说 AI 编程和企业自动化代表着大模型已经进入的商业市场，那么科学研究可能是 Carbon 此次展示中更值得长期关注的方向。
Google 公布，研究人员已经利用 Carbon 参与了多项科学研究工作，其中包括密码学代码形式化验证、实验室数据分析和蛋白质结构研究。
首先是密码学领域。
Google 研究人员构建了一个名为 AlphaProof Code 的 Agent 框架，用于对真实软件代码进行形式化验证。与普通代码测试不同，形式化验证的目标是通过数学方法证明程序满足特定性质，而不仅仅是检查它能否通过一组测试用例。
研究团队将这一方法用于 Signal 加密协议底层代码的安全性质证明。
Google 表示，研究人员使用 Carbon 和其他模型，将安全目标转化为数学定理，再由 AlphaProof Code Agent 利用 Carbon 生成数百万行 Lean 代码，协助完成形式化证明。按照 Google 的描述，研究团队在数周内完成了关键安全性质的证明工作，而类似任务过去可能需要专家团队投入数年。
但这项工作展示了大模型可能参与的一种更复杂的软件工程任务：不仅生成代码，还辅助建立关于代码正确性的数学证据。
在生命科学领域，Google 还披露了一项蛋白质研究结果。
AlphaFold 3 等蛋白质结构预测模型会利用多序列比对（MSA）寻找具有进化关系的蛋白质序列，从而获得结构预测所需的信息。
然而，一些研究较少的病毒、微生物和真核生物蛋白质，在现有数据库中难以找到足够多的同源序列，这会限制相关分析。
Google 研究人员采用多 Agent 系统，利用 Carbon 在 PB 级未注释序列档案、环境与病毒序列目录及三维结构数据库中，自主寻找远缘同源序列。
在 CASP17 盲测数据集中的 7 个低同源蛋白家族上，Carbon 使检索到的同源序列数量平均提高了 40 倍。
Google 表示，更大范围的评测仍在进行中。
此外，Carbon 还被用于实验室检测方法开发。研究人员向模型提供实验记录和原始数据，模型识别出自动化混合不充分等较难发现的实验异常，并协助分析色谱峰重叠及仪器样本残留问题。
这些应用展示了 AI 科研的一个新方向：模型不仅负责总结已有文献，还开始帮助研究人员检查实验数据、寻找异常、提出可验证的分析路径。
网络安全能力升级：漏洞召回率 100%
网络安全仍然是 Carbon 最突出的技术方向之一。
10 月 28 日首次公布 Carbon 时，Google 就展示了它在漏洞发现、漏洞利用验证和漏洞修复三个环节中的表现。
在 SEC-bench Pro 漏洞发现评测中，Carbon 得分达到 88.2%；在 ExploitGym 漏洞利用能力测试中取得 54.8%；在 CWE-bench 漏洞修复测试中取得 71.0%。
11 月 10 日，Google 又公布了新的实际应用案例。
在 Google 自主安全系统 Project Fortify 的内部基准测试中，Carbon 在扫描环节实现了 100% 的召回率，漏洞分诊精确率达到 95%。在开源代码仓库测试中，Carbon 的召回率相较于 Argon 实现了超过 25% 的相对提升，并发现此前未被识别的真实逻辑漏洞。
Google Cloud Vulnerability Research 团队还利用 Carbon 验证了某款流行开源软件中的两个缺陷确实可以被利用，并构建了概念验证代码，帮助维护者将其重新认定为严重漏洞并及时发布补丁。
出于负责任的漏洞披露要求，Google 暂未公开具体漏洞细节。
在 Wiz 的 Scan for Good 项目中，Carbon 还被用于检查公共数字基础设施。
Google 表示，在针对两家大型 SaaS 服务提供商的扫描中，Carbon 在不到两个小时内发现了零日漏洞，随后相关团队与受影响企业合作开展修复。
如果这些实际应用能够在更大范围内得到验证，AI 可能改变安全研究中最耗时的部分工作：从大量代码中寻找潜在缺陷，验证它们能否被利用，并提出可运行的修复方案。
但问题也随之而来。
模型越擅长发现和验证漏洞，其能力就越有可能被恶意使用。
因此，Google 此次也公布了新的安全防护评估。在包含 ExploitBench 和 CyScenarioBench 的模拟网络攻击环境中，Google 表示，Carbon 的安全机制阻断了自适应红队 Agent 发起的 99% 攻击轨迹。
其单次尝试突破防护的比例从 Argon 的 3.1% 降至 0.8%。
在 Gray Swan 的自动化网络攻击测试中，攻击查询成功率从 Argon 的 9.86% 降至 Carbon 的 2.17%。
外部机构 Trajectory Labs 则在 132 小时、超过 1.3 万次请求的测试中，没有发现新的通用越狱方法。
Google 还披露，在其包含 375 项任务的 Agent 诚实性测试中，Carbon 的通过率达到 92%，高于 Argon 的 70%。
而针对能力更强的网络安全版本，Google 仍然采用 Fairwind Program 的受控开放方式，并未将相关能力全部直接提供给普通用户。
价格降至 Claude Fable 5.2 的 1/4
在模型能力之外，价格是此次发布的另一个重要看点。
Google 宣布，Gemini 4 Carbon 在公开 API 中采用与 Argon 相同的限时优惠价格：每百万输入 Token 2 美元，每百万输出 Token 10 美元。
相比 Claude Fable 5.2 每百万输入 Token 8 美元、输出 Token 40 美元的标准价格，Carbon 当前的单位 Token 价格为其四分之一。
不过，这一价格优势有明确期限。
Google 官方注明，优惠期将于 2026 年 11 月 30 日结束。此后，Carbon 的公开 API 标准价格将调整为每百万输入 Token 4 美元、输出 Token 20 美元。
届时，其单位 Token 价格将是当前优惠价格的两倍。
另一方面，单位 Token 价格低，并不代表完成同一项任务的实际成本一定更低。Google 自己也承认，Carbon 在复杂任务中会使用比 Argon 更多的 Token，以进行深入探索、推理和多轮验证。
Google DeepMind 高级副总裁、Google 首席 AI 架构师 Koray Kavukcuoglu 也 x 上发文，为 Gemini 4 Carbon 的全面开放造势。
他透露，Google 内部已经大量使用 Carbon 处理最复杂的长程任务，包括协助研究团队通过数学方法验证 Signal 核心加密协议的安全性质。此外，Carbon 在 CursorBench 4.0、Perplexity WANDR 和 Zapier AutomationBench 等独立基准测试中也名列前茅。
他还分享了一个颇具看点的案例：Google 团队利用 Carbon 分析阿波罗登月舱的历史照片和技术图纸，尝试重建这款人类首次载人登月使用的航天器。 由于阿波罗登月舱并没有完整返回地球的实物可供研究，团队主要依靠留存的历史影像和工程资料，让 Carbon 重建出可视化的 3D 模型，并进一步制作成演示视频。
实测：生成质量不如 Fable 5.2，但胜在价格低
除了基准测试成绩，Gemini 4 Carbon 在实际软件开发中的表现也获得了开发者的认可。尤其是在需要长时间自主执行的复杂编程任务中，Carbon 已经开始承担从技术方案设计到代码实现的完整工作流程。
OpenCode 软件工程师 Kit Langton 表示：“当时，我们一直无法让应用程序的界面与现有 UI 框架保持一致。于是，在一天工作结束前，我们向 Carbon 提交了一份需求清单。结果，一夜之间，Carbon 就从零开始构建了一个全新的 Rust UI 库，还重写了我们的 OpenCode 桌面应用，并提供了能够正常运行的演示程序。这是一个思考能力极其出色的模型。如今，在处理最棘手的任务时，Carbon 已经成为我们首选的规划模型。”
随着 Gemini 4 Carbon 正式开放，首批获得提前体验资格的开发者也开始陆续分享自己的测试结果。相比官方公布的基准测试成绩，这些来自真实使用场景的反馈，或许更能反映 Carbon 在实际任务中的表现。
在 x 上，一位提前体验 Carbon 的开发者对新模型给出了积极评价。
他表示：“我有幸提前体验了 Gemini 4 Carbon，它是一个非常优秀的模型，相比 Argon 有所改进。”
不过，在他看来，Carbon 的价值并不只是性能提升，还在于它提供了不同于 Claude 和 GPT 的问题解决思路。
“拥有一个思维方式与 Claude/GPT 不同的 AI 非常有用。它同样功能强大，但也有自己的优势和劣势。”
该开发者还展示了一个颇有意思的测试案例：他向 Carbon 提供了一段视频，要求模型使用 Three.js 复现视频中的画面和效果。最终，Carbon 成功生成了相应的 Three.js 实现。
这一案例展示了 Carbon 将视觉信息转化为可运行代码的能力。相比单纯理解视频内容，模型还需要识别画面中的视觉元素及其变化，并将其转化为三维场景和程序逻辑。
还有开发者使用 Gemini 4 Carbon 和 Claude Fable 5.2 分别生成“废墟机器人”动画，并对比两款模型的生成效果。测试者认为，在质量方面 Fable 5.2 仍然略胜 Carbon 一筹。但 Carbon 的成本远低于 Fable 5.2。
在另一项 3D 动画生成测试中，有开发者利用 Gemini 4 Carbon 从零编写了一套自定义 CUDA/C++ 路径追踪器，并集成 MuJoCo 刚体物理引擎，设计出一套长达 60 秒的鲁布·戈德堡机械装置（即通过一系列连锁反应完成任务的复杂机械系统）。
整个动画在 MuJoCo 中模拟了 12 万个重力与物体接触计算步骤，未使用关键帧动画。此外，Carbon 还完成了 3D 工作室场景搭建，并将连续运镜与定制的 Lyria 3.5 音乐轨道同步。最终，开发者展示了一段融合物理模拟、3D 渲染、连续镜头和音乐的完整动画，体现了 Carbon 在复杂编程、物理仿真与多媒体内容制作方面的综合能力。
另一位开发者则展示了 Gemini 4 Carbon 在 3D 建模和物理模拟方面的能力。仅凭一张参考图片，Carbon 就构建出一座以 19 世纪巴黎为灵感的交互式物理实验室，名为 Analyse Spectrale（Mod. M1-2-15）。 整个场景包含 92 个由黄铜、铜和硼硅酸盐玻璃构成的精密部件，还实现了实时 Beer-Lambert 光吸收与 Rankine 涡旋效果、轴向爆炸视图，以及复古档案风格的 Bento 用户界面。其中，界面还包含以 60 FPS 运行的 SVG 瓦特指示器和工程示意图。
令开发者惊讶的是，Carbon 不仅高度还原了不同材料的真实质感，还自主设计了整套 UI，而他并未提供任何界面设计参考。 他感叹道：“Gemini 模型在 3D 和物理模拟方面真的越来越强了，简直令人震惊！”
参考链接：
