10 月 29 日，Google DeepMind 正式发布新一代旗舰模型 Gemini 4 Carbon。在 Artificial Analysis 的 Intelligence Index v5.0 榜单上，它拿到 59 分，比长期霸榜的 Claude Opus 5.5 高 1 分，比 GPT-6 Astra 高 2 分，比两周前刚发的上一代 Argon 直接涨了 9 分，重新回到综合能力第一。在 Arena.ai 的盲测里，它拿下 Text Arena 第一，Agent Arena 排第二。
这次谷歌没把重点放在"再多考几分"上，而是押了两个硬方向：长时程工程和网络安全。长时程的意思是能连着跑好几天不跑偏——扔给它一个超大型代码库或者底层系统，它可以自己翻、自己定位那些平时几乎没人发现的隐蔽缺陷，然后动手修。在编程和智能体相关的基准里，它稳定在第一梯队。
网络安全这块是整条链打通：从挖漏洞、验证风险，一直到写出修复代码。具体分数是 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%，官方说它写安全代码的成功率是上一代 Argon 的两倍以上。
可靠性数据给得也比较干脆。Terminal-Bench 4.0 里它"作弊"的成功率被压到 0%，高严重度的行为不一致警报比上代少了近 80%，间接提示词注入攻击的防御成功率做到 100%，越权操作和任务做不完的情况也明显改善。
开放节奏却很保守。本周只向少量网络安全防御专业人员开放，之后通过专属合作计划慢慢扩量，普通用户和开发者什么时候能用，官方没给时间表。价格沿用 Argon 的首发标准：推广期每百万输入 Token 收 2 美元、输出收 10 美元，推广期结束后正式价格翻倍。
boxiyunAI的看法
- 1 分定胜负这件事，意义被夸大了。榜首位置现在两三周换一次，59 和 58 之间差的更像评测噪声，不是能力鸿沟。真正要看的不是名次，是它在你自己的活儿上能不能顶住。
- 方向选得比分数聪明。从"刷榜"转到"连续跑几天别出错"和"安全代码写对"，这两样是真能落到工程里的。我们做企业系统，最烦的就是模型改一半忘一半、补丁打出一个新洞——长时程能力如果真站得住，价值比多考两分大得多。
- 安全能力是双刃剑。同一套能挖洞、能写利用代码的本事，防御方拿来做代码审计、做回归测试是大利好，落到攻击方手里就是加速器。这不是"好"或"坏"的问题，是这条能力一旦存在就收不回去了。
- "发了不落地"值得警惕。先只给安全团队、全面开放没时间表，说明还在做红队打磨。企业采购别看到榜单就排研发排期，等 API 真稳定了再上，否则踩的是试错成本。
- 价格翻倍这条要记进预算。推广期 2 美元 / 10 美元的单价确实便宜，但活动结束翻倍，做成本测算时按翻倍价算才不吃亏。
Gemini 4 Carbon 是一次方向对的更新：不再单纯比谁考得高，而是比谁能连轴转、谁写的代码更安全。但它暂时还是个"只给专业用户用"的模型，普通人能摸到之前，榜单第一更多是广告。对我们这种做实际项目的人来说，值得关注的是长时程和安全审计这两条能力什么时候能用、按什么价用，而不是它今天排第几。
