Gemini 4 Carbon 全面开放：Agent 评测登顶，单价 2 美元

11 月 10 日晚，Google CEO Pichai 宣布内部旗舰模型 Gemini 4 Carbon 正式向所有开发者、企业与消费者开放。距离这款模型 10 月 28 日首次亮相还不到两周，当时它只对一小批网络安全防御团队可用。

此次开放覆盖 Google AI Studio、Gemini API、Gemini for business、Antigravity 平台，以及 Google AI Ultra 订阅用户的 Gemini 应用和搜索 AI Mode。

Google 给 Carbon 的定位是「为考验模型智能上限的任务而打造」，例如复杂多步骤编程与开放式科研；常规软件工程和知识型工作，官方仍建议使用上个月发布的 Argon。换句话说，这是一次旗舰之上的补位，而不是全线换代。

三项工作流评测登顶，综合分仍落后 Fable 5.2

Google 这次把叙事重心从「答题能力」转向「完成真实工作」。官方披露，Carbon 在 CursorBench 4.0（AI 编程）、Perplexity WANDR（信息检索与任务执行）、Zapier AutomationBench（跨企业应用自动化）三项工作流评测中均排名第一，且单任务成本比表现次优的外部模型低超过 2 倍。

在测试真实业务工具自动化的 Zapier AutomationBench 中，Carbon 得分 53.9%，超过 Gemini 4 Argon 的 51.3%、Claude Opus 5.5 的 42.5% 和 GPT-6 Astra 的 41.4%。在偏重代码与系统操作的 Terminal-Bench 4.0 中，Carbon 取得 65.2%，高于 GPT-6 Astra 的 59.1% 和 Argon 的 57.1%。

面向 256K 至 1M 长上下文图结构推理的 GraphWalks 测试，Carbon 的 F1 分数达到 96.2%，Argon 为 84.2%。

但「多项第一」并不等于全面领先。第三方机构 Artificial Analysis 的综合评测中，Claude Fable 5.2 最高推理配置的 Intelligence Index 得分为 65，Carbon 的 high 配置为 60；在真实软件工程任务 FrontierSWE v2 中，Fable 5.2 拿到 69.9%，Carbon 为 61.2%。也就是说，Carbon 的优势集中在长流程 Agent 任务的成本与稳定性上，纯编程生成质量仍是 Anthropic 领先。

/swarm：一条提示词调度一支 Agent 团队

比跑分更值得关注的是 Antigravity 平台同日预览的「蜂群」（swarm）功能：开发者用一条提示词就能调度多个 Agent 并行工作，实时查看各自进度。不同 Agent 可承担不同角色——Carbon 负责架构设计与代码审查，简单任务分给更快更便宜的模型，还可以引入专门做对抗性验证的 Agent 检查修改结果。

这针对的是当前 AI 编程的现实痛点：单个模型再强，长任务中也可能偏离目标，或改了 A 模块弄坏 B 模块。

Google 给出的演示中，一个 Agent 团队仅凭 7 份市议会规划 PDF（含 206 个工程图视图），经过 10 轮夜间执行循环，生成了约 90.6 万个三角面的交互式 3D 办公区模型。演示归演示，协作成本、错误传播和最终交付质量，仍是这套模式能否投产的关键。

安全能力仍是主打：100% 召回与 99% 攻击阻断

网络安全从首次亮相起就是 Carbon 最突出的方向。在 Google 自主安全系统 Project Fortify 的内部基准中，Carbon 扫描环节召回率达到 100%，漏洞分诊精确率 95%；开源仓库测试中召回率较 Argon 相对提升超过 25%，并发现了此前未被识别的真实逻辑漏洞。

对抗性测试的数据同样密集：包含 ExploitBench 与 CyScenarioBench 的模拟环境中，Carbon 的安全机制阻断了 99% 的自适应红队攻击轨迹；单次突破防护比例从 Argon 的 3.1% 降到 0.8%；Gray Swan 自动化攻击测试中，攻击查询成功率从 9.86% 降至 2.17%；375 项任务的 Agent 诚实性测试通过率 92%，Argon 为 70%。

Wiz 的 Scan for Good 项目里，Carbon 在不到两小时内于两家大型 SaaS 提供商的基础设施中发现零日漏洞。模型越擅长找漏洞，被恶意使用的风险也越高，这组攻防数字可以理解为 Google 对这个问题的提前回应。

价格是最大的卖点，但 11 月 30 日后翻倍

Carbon 上线采用与 Argon 相同的限时价：每百万输入 token 2 美元、输出 10 美元——约为 Claude Fable 5.2（8 美元 / 40 美元）的四分之一、GPT-6 Astra 的五分之一。优惠期到 2026 年 11 月 30 日结束，此后调整为 4 美元 / 20 美元。

需要留意的是，单价低不等于总成本低。Google 自己承认，Carbon 在复杂任务中消耗的 token 比 Argon 更多，用于深入探索与多轮验证。

真正有说服力的口径是单任务成本：官方称三项工作流评测中 Carbon 的单任务成本比次优外部模型低超过 2 倍；在与 Artificial Analysis 合作的新评测 MKA（多模态知识 Agent）中，Carbon 排名第二，平均单任务成本比第一名低超过 6 倍。

选型建议：什么时候用 Carbon

综合官方数据与第三方评测，可以把选择逻辑简化为三条：

1. 常规开发与知识工作：继续用 Argon，官方明确表示它更适合大多数软件工程场景，且生态成熟。
2. 长流程 Agent 任务、跨应用自动化、安全扫描：Carbon 的优势区间，尤其是对单任务成本敏感的高频调用场景——11 月 30 日前的限时价值得批量试跑一轮。
3. 追求最高代码生成质量：目前仍是 Claude Fable 5.2 的强项，FrontierSWE v2 领先约 8.7 个百分点，预算充足时不必迁移。

大模型竞争的焦点正在从「谁更聪明」转向「谁完成一项工作的综合成本更低」。Carbon 这次给出的答案是：不追求每个榜单第一，而是在 Agent 工作流里做到「接近最好、便宜得多」。11 月 30 日价格翻倍之后，这个等式是否还成立，是接下来一个月最值得观察的变量。

参考来源：Google 官方博客（Gemini 4 Carbon 发布公告）、InfoQ《谷歌 Gemini 4 Carbon 全面开放》、cnBeta 报道。文中跑分均为官方或评测机构口径，部分成绩尚待第三方复现验证。

延伸阅读：Claude Fable 5.2 发布：编程跑分登顶，30 小时形式化费马大定理、Gemini 4 Argon 规格速查、Meta Muse Ember：0.14 美元一次任务，小模型接管执行层