谷歌 DeepMind 於 10 月 28 日釋出新一代前沿模型 Gemini 4 Carbon，距離上一代 Gemini 4 Argon 亮相僅過去兩週。據 Artificial Analysis 公佈的資料，Carbon 在最新版智慧指數 v5 上拿到 59 分，明顯高於 Argon 的 50 分，登上該指數榜首。
谷歌表示，Carbon 主要針對需要持續執行的代理工作流設計，能夠處理耗時數日的長週期工程問題。內部團隊曾讓模型連續執行多天，期間它自行繞過死衚衕，並完成大型程式碼庫與底層軟體中的根因分析、隱蔽缺陷修復等多步任務。除代理與程式設計能力外，谷歌還稱該模型在科學推理、多模態理解和全棧網頁開發上有所提升；在 WebDev Arena 上，Carbon 因網頁產出質量提高而上升 89 個 Elo 分，以 1,769 分位列第四。
在谷歌自選的 16 項基準中，Carbon 拿下 15 項第一，尤其在長上下文和安全任務上拉開差距。安全方面，谷歌強調 Carbon 覆蓋從發現、驗證漏洞到修補的完整防禦週期。在 Gray Swan 的間接提示注入測試中，Carbon 將攻擊成功率從 Argon 的 0.7% 降至 0.0%，即攔截了所有測試中的操縱嘗試。谷歌同時承認，這並不意味著提示注入問題已被解決，但該測試本身已接近飽和。由於安全能力較強，Carbon 正在接受美國政府自願性預測試流程，初期僅向特定安全專家開放。
第三方評測提供了更多細節。Artificial Analysis 指出，Carbon 在最高推理檔位下領先主要得益於複雜推理、知識檢索和科學任務的高分，在九項單項評測中拿下四個第一。但在 Antigravity 上的代理程式設計測試中，Carbon 雖從 Argon 的 53 分升至 59 分，仍落後於 Claude Opus 5.5 的 62 分。在 AA-Briefcase 的代理知識工作測試中，Carbon 達到 1,609 Elo，比 Argon 提升 126 分，但排在 Kimi K3.1 Pro、Muse Wonder 和 Grok 4.7 之後。其答案准確率從 48% 升至 58%，幻覺率則從 4% 升至 11%，在排名中仍屬第二低。
Vals AI 的評測將 Carbon 放在第二位，準確率 70.36%，落後於 Claude Sonnet 5.5 的 70.85%，領先於 Claude Opus 5.5 的 70.18%，且單次測試成本 10.51 美元、耗時不到 48 分鐘，比兩款 Anthropic 模型更便宜、更快。Carbon 還在 Vals 的金融指數和法律研究基準上領先，但金融與稅務代理任務耗時超過 Argon 的兩倍，法律研究平均每項任務超過 50 分鐘；其推理 token 用量是 Argon 的 2.3 倍，輸出 token 多 64%。
在 Arena.ai 上，Gemini 4 Carbon（High）以 1,528 分領跑文本競技場，並在超過 21,900 次真實會話的代理競技場中排名第二，淨提升 16.2%，可操控性得分最高；其任務成本中位數 1.80 美元，比第一名 Claude Opus 5.5（Max）低 72%。Code Arena 的 WebDev 類別中，Carbon 以 1,768 分位列第四。安全基準方面，谷歌在無護欄條件下測試，Carbon 在 SEC-bench Pro 上以 88.2% 領先所有被測模型。
整體來看，Carbon 在通用智慧與安全能力上表現突出，但在代理程式設計等細分領域仍與 Anthropic 旗艦模型存在差距，而定價與 Argon 持平，意味著谷歌正以加量不加價的方式爭奪企業級代理與安全場景。