Gemini 4 Carbon超过Opus 5.5，登顶AA智能指数

AA 的榜首换成了 Gemini 4 Carbon。

谷歌 10 月 28 日发布的新模型，在 Artificial Analysis 智能指数 v5.0 拿了 59 分。

测的是 High 推理档，超过了 Claude Opus 5.5 Max 的 58 分，也超过了 GPT-6 Astra Max。

上一代 Gemini 4 Argon，在同一版指数里是 50 分。这次谷歌总算把自己的旗舰送到了最前面。

图：AA同版指数对照

这张榜综合了推理、科学、编程和知识工作等九项测试。Carbon 有四项排第一，尤其擅长难题推理、科学任务和知识问答。

AA 还单独测了代码智能体。Carbon 配上谷歌的工具框架并列第二，榜首仍是 Claude Code 配 Opus 5.5。

四项第一，强在要想得久、查得准的活

AA 把它的强项落在了复杂推理、知识和科学任务上。

HLE-Diamond 是高难度推理题；Terminal-Bench-Science 要模型在终端里处理科学任务，包括读数据、写代码、分析结果。

AA 公开的一道科学任务，要从十个冬天的卫星影像中，算出湖面结冰和融冰的日期。云、雪和裸冰都要区分，不能只看颜色。

这道题要交出具体日期，模型得处理数据、运行程序。只给一套方法还不算做完。

另外两项第一，是 AA-Omniscience 知识问答，以及 AutomationBench-AA 自动化工作流。后者测模型能不能操作工具，把一串工作做完。

图：Carbon的四项第一

知识问答里，答对和不乱答还得分开看。

AA-Omniscience 不只看答对多少，也惩罚不会还乱答。Carbon 在这项测试的综合分超过了 Opus 5.5 和 Argon，正确率升到了 58%。

它的幻觉率是 11%，低于 Opus 5.5 Max 和 Astra Max 在这项测试里的 50%。这里说的是 AA 这套知识题的口径，不能直接当成日常聊天出错的概率。

图：知识问答与幻觉率

谷歌也在改模型做事的习惯。官方说，Carbon 遇到缺证据的地方，会把缺什么写出来；在有歧义的任务里，会先找资料、指出矛盾，再行动。

能连续干几天，代码智能体追到并列第二

谷歌在发布文里说，内部团队已经见过 Carbon 连续运行数天，在大代码库和底层系统里找 bug、查根因、打补丁，走进死胡同后还会继续找办法。

这比“生成一段代码”难得多。任务拖长后，模型得记住改过什么，读懂工具返回的错误，还要判断上一条路值不值得继续。

AA 的独立评测也看到了进步。

在 AA 代码智能体指数里，Antigravity CLI 配 Carbon High 得到 59 分；Claude Code 配 Opus 5.5 Max 是 62 分，仍在前面。Carbon 与 Sonnet 5.5 Max、Muse Wonder Full 的工具组合均为 59 分。

图：代码智能体排第二

这里比的是“模型加工具框架”。Terminal-Bench 4.0 测终端里的实际操作任务，FrontierCode 测代码任务。

Carbon 在这两个分项都排第二。

它已经追到了第一梯队。在 AA 测的这套工具组合里，谷歌终于有了能和 Claude Code 贴身比较的成绩。

找漏洞、验证风险、修补，三步都往前走了

网络安全是这次谷歌最用力强调的方向。

下面的成绩是谷歌在外部基准上测的，测试时没有启用安全防护限制。它们不是 AA 独立复现的成绩。

SEC-bench Pro 测能不能找到真实软件里的漏洞；ExploitGym 测能不能证明漏洞确实可以利用；CWE-bench 测能不能修到根因上。

图：网络安全三步对照

三步里，Carbon 都领先同表里的 Argon。验证漏洞可利用性这一项，领先 Astra 和 Opus 更明显；修补这一项，几家仍比较接近。

对防御者来说，只报一个“可能有问题”的位置，还不够决定修复优先级。能复现风险，再给出能工作的补丁，这套流程才有用。

谷歌还提到，内部生成安全代码的成功率超过 Argon 的两倍。Chrome 团队也在试用它做补丁。

能力增强的同时，谷歌也在限制它怎么做事。官方报告，在特定的间接提示注入评测里，Carbon 抵挡住了全部被测攻击。

提示注入，就是网页或文件夹带指令，诱导模型背离用户原本的要求。模型要在读资料时守住用户的指令。

真人文本榜第一，Agent榜第二

Arena 官方的上榜帖给出了另一组结果：Carbon High 在文本榜排第一，Agent 榜排第二。

文本榜比较用户对回答的偏好；Agent 榜看真实任务对话中的反馈。Carbon 在用户提出异议后调整做法这一项，排到了第一。

网站成品的投票里，它还没到榜首。

WebDev Arena 让用户比较模型做出来的网站。

Carbon High 目前以 1768 分排第 4，前面是 Opus 5.5 Max、Astra Max 和 Sonnet 5.5 xHigh。

图：WebDev暂列第四

领先已经坐实，短板也有具体名字

网站榜目前是初步成绩。Carbon 和紧邻模型的分数区间有重叠，名次还会随投票变化。

办公任务也不能套用“综合第一”。

AA-Briefcase 测模型完成知识工作的质量，Carbon 比 Argon 进步很大，仍落在 Kimi K3.1 Pro、Muse Wonder 和 Grok 4.7 后面。

还有一处退步：知识问答里，Carbon 虽然答对更多，幻觉率却高于 Argon 的 4%。答对比例和幻觉率同时上升，不能只看综合分。

连续干几天的效果，目前主要来自谷歌团队的描述，发布文没有给出可供逐步检查的完整操作记录。

Chrome 补丁案例也没有披露完整任务集和对手名称。安全防护测出零次成功攻击，只能说明那套测试的结果，不能保证现实里永远不中招。

综合榜第一有第三方成绩支撑。具体到办公、代码和网站制作，Carbon 仍各有排在前面的对手。

单价没涨，标准价下每任务比Opus便宜

Carbon 首发沿用 Argon 的半价促销。token 是模型处理文本的计量单位，推理过程也会消耗输出 token。

促销结束后，输入、输出单价都翻倍。谷歌没有在这篇发布文里给出结束日期。

图：首发价与标准价

比较账单，要看它为完成任务用了多少 token。

AA 全部按标准价计算：Carbon 每个智能指数任务的平均费用，比 Opus 5.5 Max 低约 23%，但仍比 Astra Max 贵。

图：得分与每任务成本

和 Argon 相比，Carbon 得分涨了一截，任务费用基本没变。和 Opus 相比，它花费更低、综合分略高，每任务的输出 token 也更少。

Astra 的分低一点，费用也更低。几家的取舍，在这张图上比单看价格表清楚。

Arena 的 Agent 榜还给了另一种成本口径：Carbon 的任务费用中位数为 1.80 美元，按该榜统计比第一名 Opus 低 72%。

这是真实任务样本的统计，不能与 AA 的评测均值直接横比。

这些是评测任务的加权平均费用，不是每次聊天的账单。首发半价期间会更便宜，不能拿促销价和别家的标准价混成一个长期结论。

本周先给防御者，普通用户还得等

Carbon 目前先通过 Fairwind Program，向部分受信任的网络安全防御者开放，然后扩大到更多合作伙伴。

谷歌说，会尽快把它带给开发者、企业和普通用户。具体日期、公开 API 模型名和普通用户额度，这篇发布文都没有公布。

AA 列出的规格是 100 万 token 上下文，支持文字、图片、视频和语音输入，输出文字。模型闭源，不能下载权重自己部署。

从 Argon 到 Carbon，谷歌只隔了两周。新一代最明确的变化，是长任务和科学推理补上来了，同时把综合榜第一拿到了手。

谷歌说它能在内部连续干几天。等公开入口放开，外部开发者才能检查：它能独立推进到哪一步，又在哪一步需要人接手。

参考资料

01｜Google：Gemini 4 Carbon 发布说明

https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

02｜Artificial Analysis：Carbon 独立评测解读

https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-1

03｜Artificial Analysis：智能指数 v5.0

https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index

04｜Google DeepMind：模型成绩对照表

https://deepmind.google/models/gemini/

05｜Arena：Carbon 三榜发布帖

https://x.com/arena/status/2115495002998751262