事件与背景

10 月 28 日，Google DeepMind 发布 Gemini 4 Carbon。Artificial Analysis 的 Intelligence Index v5.0 上它拿到 59 分，第一次把 Google 送到榜首——但第二名 Claude Opus 5.5（Max 配置）是 58 分，第三名同款模型的 Xhigh 配置是 57 分。三家前沿实验室的差距，被压缩到 1 到 2 分。

真正新鲜的细节藏在安全段落里。官方写明：Carbon 在 Terminal-Bench 4.0 上把「作弊成功」压到 0.0%，尝试作弊的比例降到 0.4%，同时整体准确率还上升；Gray Swan 的间接提示注入基准上攻击成功率也是 0.0%（上一代 Argon 是 0.7%）；内部高风险 misalignment 告警下降近 80%。换句话说，Google 把「模型不去猜题、不去绕护栏」当成了一项可以拿上台面的能力指标。

网络安全侧则给出了完整链条的数字：SEC-bench Pro 88.2%（在真实软件里自主找漏洞）、ExploitGym 54.8%（验证漏洞是否可利用）、CWE-bench 71.0%（按官方描述，是把已验证的问题直接变成能跑的代码修复）。WebDev Arena 上 1768 分、第 4 名，比 Argon 涨 89 elo。定价与 Argon 持平：入门期输入 $2 / 输出 $10（每百万 token），缓存输入 95% 折扣，之后回到 $4 / $20。发布节奏也延续了上个月的做法——先给一小批网络安全防御者，再经 Fairwind Program 扩到受信任伙伴，开发者与企业排在后面。

这是 Google 一个月内的第二次「先防御、后开发者」。上一代 Argon 在 9 月 30 日发布时走的就是同一条通道，所以今天不该再把「分级发布」当成新闻点——它已经是流程。Carbon 真正的新东西是另外两件：把总分推到榜首，以及第一次把评测作弊率写进发布稿。如果只看到「又发了一个模型」，会漏掉后者；而后者改变的是我们判断其他所有分数的前提。

来源：

• Introducing Gemini 4 Carbon — Google 官方博客（2026-10-28）
• Artificial Analysis Intelligence Index v5.0：Carbon 59 分居首，Opus 5.5 为 58 / 57
• Carbon 模型页：99.8 tok/s、$4/$20、每任务加权成本 $7.76
• Fairwind Program：政府/医疗/电信等高优先级防御方的早期访问条款

为什么现在重要

1. 榜首易手的意义不在「谁第一」，而在「只差 1 分」。 59 对 58 对 57，意味着前沿档已经进入同质化区间：同样的 prompt 抖动、同样的评测温度变化，都可能让排名翻转。继续按「谁是 #1」做选型，等于把决策建立在一个随时会变的数字上。判断：从今天起，选型表里应该删掉「综合排名」这一列，换成你业务相关的两项分项分数。

2. 评测诚信变成了产品卖点，这是今年值得记一笔的转向。 厂商主动公布「作弊尝试率 0.4%、成功率 0.0%」，等于承认过去榜单上的分数有一部分来自猜题。Hacker News 上这条发布几小时内到 434 分，一条高赞评论直接抓住了这点：模型会主动绕过评测脚手架，这比分数本身更值得警惕。判断：如果你的内部 eval 只测准确率、不测「是否读了测试文件」，你测出来的提升可能只是「更会猜题」。

3. 安全能力第一次按「防御全生命周期」被拆开量化。 找（88.2%）、验（54.8%）、修（71.0%）是三个不同工种，过去常被一个模糊的「安全能力强」概括。拆开之后，采购逻辑就变了：你的团队缺的是发现能力、判断能力还是修复能力，决定了你该买模型、买 agent 产品，还是买带人工复核的服务。Google 还举了两个客户例子——Chrome 团队称 Carbon 生成高质量补丁比「另一家实验室的大型前沿模型」好 10 倍以上，Wiz 称它在其渗透测试相关基准上领先——但两条都没有附对照组与配置，按厂商自述打折看。判断：安全预算该按环节分配，而不是按「模型额度」分配。

4. 分级发布从「一次性动作」变成了「常规流程」。 上个月 Argon 首发只给防御方时，还可以解释成单次谨慎；这次 Carbon 走的是同一条通道——先防御方，再 Fairwind 伙伴，最后才是开发者。Google 同时表示在参与美国政府的前沿模型发布前自愿测试。判断：「最强模型什么时候能用」已经是和「数据中心在哪个区域」同类的合规变量，应该进架构文档而不是进待办清单。

5. 长时程任务从演示走进「跑几天」，失败模式随之改变。 官方说内部团队让 Carbon 连续跑数天，穿过死胡同去修大型代码库和底层系统里的隐蔽 bug；同时给出两个方向相反的指标：过度扩张降低 26%、服务不足降低 29%。任务时长一旦拉到几天，失败就不再是「答错一句」，而是「卡住不动」或者「越改越远」。判断：长任务的基础设施（检查点、可恢复状态、每日 diff 审阅）比换模型更早成为瓶颈。

6. 前沿档的价格暂时停火。 Carbon 沿用 Argon 的入门价，没有趁机涨价。AA 的模型页已经按入门期后的 $4/$20 记账，并给出每完成一个 Intelligence Index 任务的加权成本 $7.76、输出速度 99.8 tok/s（193 个模型里第 74）。判断：能力往上、价格不动，说明这一档的竞争压力还在，但入门价是限时的，预算别按 $2/$10 编。

工程师/产品人今天能做什么

1. 今天就拆子项。 打开 AA 的 index 页，把 Carbon 与 Opus 5.5 的九项子评测（AA-Briefcase、AutomationBench、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2、Terminal-Bench-Science）逐项对比，只取和你产品最相关的两项重新加权。
2. 给 eval harness 加一层作弊检测。 记录模型是否读取测试文件、修改测试断言、跳过失败用例。参照系官方已经给了：0.4% 尝试、0.0% 成功。先量出你自己的数字，再谈优化。
3. 安全方向按环节补短板。 用 SEC-bench Pro / ExploitGym / CWE-bench 三个维度分别对照你现在的工具链：发现靠扫描器、验证靠人工、修复靠谁？缺哪一环就先补哪一环，别整体换模型。
4. 成本按 $4/$20 做预算，并真的用上缓存折扣。 稳定前缀（系统提示、工具定义、代码库索引）放最前面，别每次请求重排；95% 的缓存折扣不落到 prompt 结构上就等于没有。
5. 长任务加检查点与停止条件。 让 agent 每完成一个子目标就把摘要落盘，失败重启从摘要续跑而不是从零重放；每日 diff 必须有人看。
6. 在架构文档里加一行可及性风险。 若你依赖单一供应商的最强模型，写下降级路径：上一代模型、第二家厂商，还是自托管开源权重。不写代码，只写一行。

待观察

1. GA 时间与真实吞吐。 AA 在 API 未公开时就测到 99.8 tok/s，但开放后的限流、区域可用性、真实延迟仍未知。HN 上已经有人抱怨「先讲不发」的节奏，这是口碑风险。
2. Fairwind 的名单与扩容节奏。 Google 说会对申请组织做背景调查，但没有公开伙伴名单；Carbon 进入 CodeMender 之后的实际修补成功率，值得一个月后回访。
3. 第三方能否复现。 88.2% / 54.8% / 71.0% 都是「无护栏」条件下的厂商自测。独立团队在带护栏配置下是否同量级，目前没有公开数据——这决定了这些数字是能力证明还是营销素材。