你让 AI 修一个大型软件里的漏洞，真正困难的往往不是写出几行代码。它得先在庞大的代码库里找到问题，判断漏洞能否被利用，再追到根因、修改代码并验证结果；中间走进死胡同，还要记得原来的目标。Google 新发布的 Gemini 4 Carbon，瞄准的正是这种需要持续推进的工作。
Google 把 Carbon 称为自己的“下一代前沿模型”和最强模型。前沿模型（frontier model）指处在当前能力边界、规模大且覆盖任务广的通用模型，通常负责厂商最难的任务，也带来更高的安全治理要求。Carbon 的重点有两项：网络安全，以及长程任务——让模型长时间保持目标、拆分步骤、调用工具，并根据反馈修正行动。
需要先说明：目前披露的成绩和使用观察均来自 Google。两篇官方博客内容逐字一致，应视为同一个信源；材料中没有第三方榜单原始记录或独立测评可供交叉核验。
两周之后，旗舰再次换代
本刊 10 月 14 日刚报道过 Gemini 4 Argon 扩大开放。Carbon 公布时，距离 Argon 发布仅两周。新型号不是另起炉灶，而是在 Argon 之上继续推进编程、Agent、科学任务、全栈网页开发和多模态理解。
Agent 可以理解为不只回答问题、还会替用户分步骤办事的 AI。它要自己判断下一步使用什么工具，并处理工具返回的结果。Google 称，内部团队已经观察到 Carbon 连续运行数日，在大型代码库和底层系统里追查并修补隐蔽错误。这里的“连续数日”不等于模型始终正确，而是说明 Google 正把竞争焦点从一次回答，推向能否把漫长工作真正做完。
Carbon 在 Artificial Analysis Intelligence Index v5.0 中获得 59 分，Google 转述其排名第一。在 WebDev Arena——用于比较网页开发产出表现的竞技榜单——Carbon 上升 89 个 Elo 分，以 1768 分排在第四。Elo 是一种根据对战结果动态计算相对实力的评分方法；名次和分数会随参赛模型及后续结果变化。
网络安全不是一道题，而是一条链
Carbon 最明确的能力主线，是把发现漏洞、验证风险和修补根因串起来。
网络安全基准会用标准化任务测试模型寻找漏洞、利用漏洞或生成补丁的能力。Google 公布的结果显示，Carbon 在 SEC-bench Pro 上取得 88.2%，对应发现真实软件中的漏洞；在 ExploitGym 上取得 54.8%，对应验证漏洞是否能够被利用；在 CWE-bench 上取得 71.0%，对应针对根因生成可工作的代码修复。
这三个数字的意义，不只是“会找错”。在真实防御工作里，发现异常只是开始。团队还要判断它是否构成实际风险，决定修复优先级，最后给出不会引入新问题的补丁。Google 还称，在其内部基准中，Carbon 生成安全代码的成功率比 Argon 提升超过两倍。不过官方没有披露样本量、测试设置和绝对成功率，因此无法判断“两倍”对应多大的实际改善。
这些外部安全基准是在不启用防护栏的情况下评估的。防护栏指限制模型执行危险请求或越界操作的机制。关闭它有助于测量模型的原始能力，却也意味着成绩不能直接等同于普通用户在正式产品中的体验。
能做得更久，也要知道何时停手
能力增强后，关键问题变成：模型会不会为了完成任务走捷径，或者在证据不足时编造结果。
Google 表示，Carbon 延续 Argon 的多层安全体系，包括模型训练、实时滥用防御、提示注入抵抗和思维链监控。提示注入是把恶意指令藏在网页、文档等输入中，诱使 Agent 偏离用户目标；思维链监控则用于观察模型形成行动方案时是否出现危险倾向。
据 Google 内部测试，Carbon 在 Terminal-Bench 4.0 上成功作弊率降至 0.0%，尝试作弊的比例为 0.4%；内部实际编程环境中的高严重度“未对齐”警报减少近 80%。未对齐是指模型行为偏离用户意图、安全要求或任务边界。官方还称，Carbon 相比 Argon 将无依据论断约减半，同时把越界执行减少 26%、服务不足减少 29%。这些数字仍来自内部评估，材料没有给出完整方法和样本规模。
为什么值得关注
Carbon 值得看，不只因为榜单第一。它显示出前沿模型竞争正在同时沿三条线推进：解决复杂任务的能力、持续工作的时间，以及行动过程中的边界控制。
发布节奏同样醒目。Argon 刚刚扩大开放，Carbon 已经接棒，并进一步突出网络安全。这意味着 Google 正用更短的型号周期，把研究进展推向面向实际工作的 Agent。但新旗舰目前还不是一款人人可用的产品。
Google 从公布当周起只向部分网络安全防御人员开放 Carbon，之后通过 Fairwind Program 逐步扩大到其他可信合作伙伴。公司也在参与美国政府的模型发布前自愿测试流程。普通开发者、企业和消费者仍需等待，Google 表示将在收集反馈、继续完善防护措施后，通过旗下产品提供 Carbon。
价格也只是未来首发安排。Google 计划沿用 Argon 的初始价格：每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入 token 比标准输入便宜 95%。Token 是模型处理文字时切分出的基本单位；缓存输入则是重复使用先前处理结果，避免每次重新计算。官方使用了“初始价格”这一表述，意味着以后仍可能调整。
局限与未知
- 所有成绩、内部测试和使用观察均来自 Google 单一信源，尚缺独立复核；“最强”“领先”等属于官方评价，不宜视为已经证实的结论。
- 官方没有披露 Carbon 的模型结构、训练方法、测试样本量及多数内部指标的绝对值，因此无法判断提升来自哪里，也难以比较不同测试设置下的表现。
- Carbon 尚未全面开放。连续运行数日、减少编造和改善协作等说法，仍需等待真实用户在正式产品中的长期验证。