Gemini 4 Carbon登顶AI基准，成本比榜首低72%

谷歌DeepMind在推出Argon仅两周后，又发布了新模型Gemini 4 Carbon，并在Archital Analysis Intelligence Index B5英灵榜单上以59分登顶，前代Argon得分为50分。这款模型在长时程智能体验程和网络防御相关任务上表现突出，同时在Arena首次测试中拿下文本榜第一（1528分），Agent榜排名第二。更引人注目的是其成本优势：每完成一个任务的中位成本仅80美元，比当前Agent榜榜首的Cloud Office 1.5低了72%。这种快速迭代和成本控制能力，正在改变大模型开发的经济账。

性能表现：长时程任务与网络防御成亮点

Gemini 4 Carbon 在 Archital Analysis Intelligence Index B5 英灵榜单上拿到 59 分，超越前代 Argon 的 50 分，显示出代际提升。据 B 站 UP 主分享的截图，该榜单位列第一，表明其在综合智能评估上具备竞争力。

在 Arena 的首次测试中，Gemini 4 Carbon 直接拿下文本榜第一，得分 1528 分，Agent 榜也排到第二。截图显示其分数领先，印证了模型在文本理解和 Agent 任务上的强劲实力。

模型最擅长的领域是长时程智能体验程和网络防御相关任务，这意味着它在需要多步骤推理和持续交互的场景中可能更具优势，对安全防御类应用也有针对性优化。

长时程智能体验程：在AI评测语境中，这类基准通常指需要模型在数十步甚至上百步交互中保持目标一致性、记忆上下文并动态调整策略的任务集，例如多轮工具调用、跨文档信息整合或模拟环境中的持续决策。与单轮问答不同，长时程任务更考验模型的规划能力、错误恢复能力和上下文窗口的有效利用率。模型在该类任务上表现突出，往往意味着其推理链条更稳定，适合构建自主Agent或复杂工作流自动化。

网络防御相关任务：这类评测一般涵盖漏洞识别、日志异常分析、攻击链推断、安全策略生成等场景，要求模型具备领域知识并能处理结构化与非结构化混合数据。针对网络防御优化，可能涉及对安全语料的专门训练或对齐，使模型在威胁检测和响应建议上更可靠。但需注意，真实防御效果还需在动态攻击环境中验证。

成本优势：中位任务成本远低于竞品

Gemini 4 Carbon 每完成一个任务的中位成本只要 80 美元，比现在 Agent 榜榜首的 Cloud Office 1.5 足足低了 72%。截图展示了这一成本对比，凸显其经济性。

这种成本优势直接影响了开发者的预算决策。之前那些上一代旗舰大模型的调用预算，现在直接被压得能受影响——开发者可以用更低的成本获得更强的性能，或者将预算投入到更多任务中。

中位任务成本是衡量Agent经济性的关键指标：它指模型完成一个标准任务所消耗的推理、工具调用和重试等总费用的中位数，而非平均值。中位数能避免极端复杂任务拉高均值，更贴近典型开发者的实际支出。80美元的中位成本意味着大量常规任务可在较低预算内完成，但复杂任务成本可能显著高于此。开发者评估时，应结合自身任务分布——若长尾复杂任务占比高，实际平均成本会高于中位值。

行业影响：快速迭代加剧竞争

谷歌 DeepMind 两周就迭代出一款“千年模型”（原文表述），这已不是追平同行，而是在行业里形成强套（原文表述）。快速迭代节奏让竞争对手面临压力，尤其是在性价比层面。

对于日常使用大模型做开发的用户来说，性能与调用成本的权衡变得更为关键。Gemini 4 Carbon 在性能登顶的同时大幅降低成本，可能促使开发者重新评估模型选型。

开发者该如何选择？

面对性能与成本的双重优势，开发者需要结合自身场景判断：如果任务涉及长时程推理或网络防御，Gemini 4 Carbon 的针对性优化可能带来更好效果；如果成本敏感，其中位任务成本仅为 80 美元，相比竞品有显著优势。

不过，模型的实际表现还需在更多场景中验证，尤其是长时程任务的稳定性和网络防御的真实效果。开发者可以关注后续的独立评测和社区反馈。

（本文基于 B 站 UP 主分享的信息整理，数据来自截图。）