谷歌 DeepMind 于 10 月 28 日发布新一代前沿模型 Gemini 4 Carbon，距离上一代 Gemini 4 Argon 亮相仅过去两周。据 Artificial Analysis 公布的数据，Carbon 在最新版智能指数 v5 上拿到 59 分，明显高于 Argon 的 50 分，登上该指数榜首。
谷歌表示，Carbon 主要针对需要持续运行的代理工作流设计，能够处理耗时数日的长周期工程问题。内部团队曾让模型连续运行多天，期间它自行绕过死胡同，并完成大型代码库与底层软件中的根因分析、隐蔽缺陷修复等多步任务。除代理与编程能力外，谷歌还称该模型在科学推理、多模态理解和全栈网页开发上有所提升；在 WebDev Arena 上，Carbon 因网页产出质量提高而上升 89 个 Elo 分，以 1,769 分位列第四。
在谷歌自选的 16 项基准中，Carbon 拿下 15 项第一，尤其在长上下文和安全任务上拉开差距。安全方面，谷歌强调 Carbon 覆盖从发现、验证漏洞到修补的完整防御周期。在 Gray Swan 的间接提示注入测试中，Carbon 将攻击成功率从 Argon 的 0.7% 降至 0.0%，即拦截了所有测试中的操纵尝试。谷歌同时承认，这并不意味着提示注入问题已被解决，但该测试本身已接近饱和。由于安全能力较强，Carbon 正在接受美国政府自愿性预测试流程，初期仅向特定安全专家开放。
第三方评测提供了更多细节。Artificial Analysis 指出，Carbon 在最高推理档位下领先主要得益于复杂推理、知识检索和科学任务的高分，在九项单项评测中拿下四个第一。但在 Antigravity 上的代理编程测试中，Carbon 虽从 Argon 的 53 分升至 59 分，仍落后于 Claude Opus 5.5 的 62 分。在 AA-Briefcase 的代理知识工作测试中，Carbon 达到 1,609 Elo，比 Argon 提升 126 分，但排在 Kimi K3.1 Pro、Muse Wonder 和 Grok 4.7 之后。其答案准确率从 48% 升至 58%，幻觉率则从 4% 升至 11%，在排名中仍属第二低。
Vals AI 的评测将 Carbon 放在第二位，准确率 70.36%，落后于 Claude Sonnet 5.5 的 70.85%，领先于 Claude Opus 5.5 的 70.18%，且单次测试成本 10.51 美元、耗时不到 48 分钟，比两款 Anthropic 模型更便宜、更快。Carbon 还在 Vals 的金融指数和法律研究基准上领先，但金融与税务代理任务耗时超过 Argon 的两倍，法律研究平均每项任务超过 50 分钟；其推理 token 用量是 Argon 的 2.3 倍，输出 token 多 64%。
在 Arena.ai 上，Gemini 4 Carbon（High）以 1,528 分领跑文本竞技场，并在超过 21,900 次真实会话的代理竞技场中排名第二，净提升 16.2%，可操控性得分最高；其任务成本中位数 1.80 美元，比第一名 Claude Opus 5.5（Max）低 72%。Code Arena 的 WebDev 类别中，Carbon 以 1,768 分位列第四。安全基准方面，谷歌在无护栏条件下测试，Carbon 在 SEC-bench Pro 上以 88.2% 领先所有被测模型。
整体来看，Carbon 在通用智能与安全能力上表现突出，但在代理编程等细分领域仍与 Anthropic 旗舰模型存在差距，而定价与 Argon 持平，意味着谷歌正以加量不加价的方式争夺企业级代理与安全场景。