Gemini 4 Carbon 发布，重回第一：59 分登顶意味着什么？

最后更新时间：2026 年 10 月 30 日。本文是发布资料解读，未进行 Carbon 账号实测。

Gemini 4 Carbon 来了。Google 在 10 月 28 日公布这款新模型，Artificial Analysis 随后确认：Carbon 的 High 推理版本在 Intelligence Index v5 中拿到 59 分，排名第一。“Google 重回第一”有据可查，但需要补上限定：这是特定综合指数和推理档位的排名，不代表所有编程、写作、办公任务都第一。¹²

更值得关注的是开放状态。Carbon 先面向部分网络安全防御人员开放，再通过 Fairwind 项目逐步扩大范围。普通用户看到发布新闻，不等于已经能在 Gemini 网页或公开 API 中直接调用。本文把榜单成绩、使用门槛和选型方法分开说明。

一、Gemini 4 Carbon 发布，先看清三个结论

对想直接开始工作的读者，可以先在 AIMirror GPT 中文站（AIMI）或 AICNBox 查看当前模型列表，用已有可用型号测试本文任务。两个入口均为第三方服务；本文未确认它们已开放 Carbon，不作可用性、额度或速度承诺。

二、“重回第一”到底是哪一个第一？

Artificial Analysis 的发布分析显示，Carbon 在综合指数的九项评测中，有四项位居第一，包括 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience 和 AutomationBench-AA。这个结果说明它在复杂推理、知识与科学任务上具有竞争力。²

但综合分数不能替代任务细节。同一机构的编程智能体指数中，Carbon 配合 Antigravity CLI 为 59 分，Claude Opus 5.5 配合 Claude Code 为 62 分。这里比较的是“模型加工具环境”，不是脱离工具、权限和提示词的纯模型能力。

知识工作也不是全面登顶。AA-Briefcase 中，Carbon 获得 1609 Elo，较 Argon 的 1483 有提升，但仍落后于部分参评模型。把“综合第一”写成“做 PPT、写报告、写代码全部第一”，会丢掉影响选型的重要信息。²

三、Carbon 的变化为什么值得关注？

Google 把重点放在长流程工程任务与网络安全防御：模型需要面对失败路径，继续定位根因，再生成修复方案。官方称内部团队观察到它连续处理持续数天的工程任务。这里描述的是厂商观察，不是所有用户都能复制的运行时长保证。¹

对开发者来说，真正值得测试的是连续工作能力：读完日志后能否定位相关模块，修改后能否运行正确测试，测试失败时是否承认问题，是否会把尚未完成的工作写成已经完成。一个补丁写得漂亮，却没有通过验证，仍然不能交付。

安全能力也要放回使用边界。防御团队需要的是可复核的漏洞证据、影响范围和回归测试，而不是单独一段攻击演示。处理真实系统时应使用明确授权的环境，先检查依赖和日志，再验证修复；本文不把榜单表现当作安全审计认证。

四、参数与价格：别把发布价当成长期预算

Artificial Analysis 的模型页列出 1M token 上下文，支持文本、图像、语音、视频输入，输出文本。这是评测机构页面列示的规格；公开产品可用的具体限制，仍需以实际开放后的接口文档和账号配置为准。³

Google 公告给出的价格分为两个阶段，单位均为每百万 token：¹

公告未明确 Carbon 推广期结束日期，不应直接套用其他型号的活动截止时间。预算应同时保存推广期和常规价两种方案。API 单价也不是会员价格，更不能推导出第三方平台的充值额度。

假设一次任务读取十万输入 token、生成两万输出 token，完全不计缓存和其他费用，按推广价计算为 0.4 美元，按常规价为 0.8 美元。这只是算例；真实任务还可能消耗推理输出、工具调用和重试成本。评估时最好记录每次请求的实际计费结果。

五、怎样与 Claude、GPT 做一次有意义的比较？

不要问三个模型“谁最强”，而要给它们同一份材料、相同权限和相同验收标准。下面是一套建议测试流程，并非本文已完成的实测。

第一组测试代码修复。选一个历史缺陷，隐藏正确补丁，提供报错和测试环境。观察模型能否定位根因，是否修改无关文件，最后有没有执行回归测试。用实际通过率评判，不按回答长度评分。

第二组测试文档分析。准备五份有版本差异的需求文档，让模型整理冲突、给出处，并把无法判断的地方列为待确认。重点看证据位置是否正确，而不是结论是否听起来专业。

第三组测试前端实现。提供相同页面要求，固定浏览器尺寸，检查布局、可访问性、交互和移动端溢出。漂亮的静态首屏不能代替完整表单、错误反馈和键盘操作。

测试材料怎样准备才不会误导结论？

先把输入材料冻结成一个版本：代码记录提交号，文档标记日期，数据保存字段说明。不要让一个模型拿完整仓库，另一个只拿报错截图；也不要在中途不断给落后的一方追加提示，却把结果算成同条件测试。权限和材料不一致时，只能比较各自工作流，不能据此断言模型能力高低。

验收结果也需要分层。程序能启动，只能说明基础运行没有立即失败；通过单元测试，不代表覆盖了真实业务边界；引用存在，也不意味着引用内容支持结论。最好提前列出关键失败场景，让模型提交结果后再逐项核对。对于少量高价值任务，记录人工审查耗时往往比记录首字响应速度更有用。

对多人协作任务，还应记录由谁确认需求、谁批准修改、谁完成最终验收。模型给出的自评分可以作为线索，不能替代这些责任环节。

最后保存失败记录。模型拒绝继续、遗漏需求、错误调用工具或多次修改仍未通过，都属于评测结果。不要只展示最成功的一轮，也不要把工具故障自动归咎于模型。把失败原因分为输入缺失、环境限制、工具错误和推理错误，后续才知道应改提示词、补权限，还是切换模型。

六、三个可复制的 Carbon 测试提示词

代码仓库任务

先阅读 README、依赖和测试配置，不要立即编辑。
目标：【填写缺陷】。约束：【禁止改动范围】。
先给出根因假设、证据位置和最小修改方案。
修改后运行相关测试，分开说明已验证、失败、未覆盖事项。
没有执行的命令不得声称通过。

长文档任务

仅根据提供的材料制作需求对照表：
需求、原文出处、版本差异、冲突点、待确认人。
事实与推断分别列出。找不到依据就写缺少材料。
最后给出需要人工决策的三个问题，不自行替业务方作决定。

前端任务

根据需求实现页面，先列出页面状态与验收条件。
覆盖桌面、手机、加载、空数据和失败反馈。
完成后核对布局溢出、键盘操作、按钮行为与资源地址。
说明实际检查方式；没有浏览器验证就明确标记。

这些提示词也可用于现有 GPT 或 Claude。先跑出一个可复核的基线，等 Carbon 获得权限后再比较，比盲目等待榜首模型更实用。

七、Gemini 4 Carbon 常见问题

Gemini 4 Carbon 现在所有人都能使用吗？

不能按全面开放理解。Google 表示先向部分安全防御人员开放，再通过 Fairwind 扩展可信合作伙伴。具备相应业务需求的团队可查看官方项目说明；普通用户先使用当前账号已开放的型号，不要把未知模型 ID 写进生产配置。¹⁴

Gemini 4 Carbon 第一名是否意味着可以替换所有模型？

不意味着。AA 综合指数第一、编程智能体第二和知识工作成绩描述的是不同能力。先按自己的代码、文档、办公任务做对照，再决定替换哪些环节；保留旧模型作为失败回退路径。

AIMI 和 AICNBox 是否已经支持 Gemini 4 Carbon？

本文没有核实到这两个入口已开放 Carbon。进入后先看模型列表、版本说明和权限提示，必要时询问服务方；仅显示“Gemini”不能证明是 Carbon。测试时使用公开或脱敏材料，也不要把第三方服务当作 Google 官方产品。

Gemini 4 Carbon 值得现在迁移 API 吗？

对没有访问权限的团队，先准备测试集更合适。获得权限后再核对模型标识、结构化输出、工具兼容、速率限制及价格，先部署到测试环境。出现输出或费用异常时，回退到已验证的配置，不直接覆盖生产模型。

八、看懂榜首之后，把任务跑通

Gemini 4 Carbon 的综合排名值得关注，受限开放状态也同样影响选型。建议先保存一组真实任务和验收记录，等权限到位后比较正确率、返工量与总成本，而不是仅凭一个榜单分数购买服务。

需要先建立多模型测试流程，可以打开 AIMirror GPT 中文站，同时收藏 AICNBox，从当前实际可用型号开始。一个结果可复核、成本可记录、失败可回退的工作流程，比追逐“第一”的标签更有长期价值。