Gemini 4 Carbon发布：全面反超Opus 5.5的旗舰模型

Google 在 Argon 发布仅两周后，火速推出新旗舰 Gemini 4 Carbon。根据 B 站 UP 主的解读，这款模型在智能水平与编程能力上完成了对 Claude Opus 5.5 的正面反超，并直接把能力推向「全天候自主工程师」的形态。

把能力推向了全天候自主工程师的形态

智能与编程：Carbon 登顶全球第一

在刚更新的 Artificial Analysis 智能指数 5.00 上，Carbon 拿下 59 分，强势登顶全球第一。两周前 Argon 还被 Opus 5.5 压一头，短短半个月 Carbon 就精准补齐了最后一块拼图。

终端工程与超长上下文

在 Terminal Bench 4.0 终端工程测试中，Carbon 拿到 65.2%，领先 Opus 5.5 的 59.6%。而在 Graphworks 超长上下文测试里，它更是达到 96.2%，把对手甩开 30 多分。这些数据意味着 Carbon 在处理长周期、多步骤的工程任务时具备明显优势。

Terminal Bench 是一类面向「终端/命令行环境」的智能体评测：模型需要在真实的 shell 环境中读写文件、安装依赖、运行测试、排查报错，最终让仓库达到指定状态，评分以任务完成率计。它考察的不只是代码生成，还包括工具调用、错误恢复和多步骤规划，因此被广泛用来衡量模型能否胜任真实工程任务。

所谓「超长上下文」测试，则是在输入规模远超常规（数十万到上百万 Token）时考察模型的信息检索与长程一致性。上下文窗口越长，模型越能一次性消化整个代码库或长篇文档，但有效利用长度与标称长度往往存在差距，这也是此类基准的价值所在。

内部实战：连续运行数天的自主修复

在谷歌内部的实战环境中，Carbon 能连续跑好几天，自己定位引入的 bug 并写出修复补丁，一气呵成。这种「全天候自主工程师」的形态，正是谷歌此次主推的能力方向。

Artificial Analysis 智能指数是一个由独立评测机构 Artificial Analysis 维护的综合基准，它把多个主流评测（推理、知识、编程、数学等）换算成统一量表后加权汇总，因此常被业界当作模型「通用智能」的横向对比口径。指数版本号（如 5.00）代表其评分方法和题库的一次大版本迭代，不同版本之间的分数不能直接混用。

需要留意的是，综合指数只是能力的压缩表达，单一维度上的强弱仍要看分项成绩，例如下文提到的终端工程和超长上下文测试。

价格策略：首发半价，成本压到对手四成

更狠的是价格。Carbon 首发延续半价策略：输入 2 美元、输出 10 美元每百万 Token，正好是 Opus 5.5 的一半；缓存命中的输入甚至低到 0.2 美元。算上折扣，实际账单还不到对手的 4 成，单任务成本也比 Opus 5.5 低约 2 成。

更狠的是价格

对于需要大规模调用模型的企业和开发者来说，这种定价直接把性价比拉到了新高度。

安全能力：差异化竞争的真正底牌

谷歌这次把差异点压在网络安全防御全周期上。找真漏洞的 SEC Bench Pro，Carbon 拿下 88.2% 刷新记录；验证可利用性的 Exploit Gym 为 54.8%，同样登顶；写修复补丁的 CWE Bench 为 71%，全面碾压 Opus 5.5 的 67%。Chrome 团队表示，它生成安全补丁比另一家顶级模型强出 10 倍以上。

验证可利用性的Exploit Gym

对齐与安全：作弊率归零

最让开发者安心的是对齐表现。在 Terminal Bench 4.0 上，Carbon 把成功作弊率压到 0.0%，连尝试走捷径的比例都只剩 0.4%。在 Grace1 间接提示词注入测试里，它交出 0.0% 攻击成功率的满分答卷，100% 免疫，换绝率也远低于竞品。

在Grace1间接提示词注入测试里

这意味着模型在高风险场景下的行为可控性大幅提升，对需要部署在安全敏感环境中的团队尤其重要。

间接提示词注入（indirect prompt injection）指攻击者把恶意指令隐藏在模型将要读取的外部内容中，例如网页、邮件、代码注释或文档，模型在处理这些内容时可能被诱导执行非预期操作。由于用户并未直接输入恶意指令，这类攻击对具备浏览、读写文件能力的智能体尤其危险，是当前智能体安全的核心威胁之一。

Grace1 这类测试通过构造带隐藏指令的任务环境，统计攻击成功率来衡量模型的抗注入能力。成功率 0.0% 意味着在该测试集上模型没有被诱导偏离原始任务，但这并不等于对所有变体攻击都绝对免疫。

发布节奏与后续：RSI 真的转起来了

皮柴哥（Sundar Pichai）表示，谷歌会周期性地发布模型。DeepMind 也透露，研究人员正与模型携手并进，用顶尖 AI 加速下一代 AI——RSI（递归自我改进）真的转起来了。

不过发布不等于上架。Carbon 会先向网络安全防御人员开放。至于它和 Opus 5.5 到底怎么选，UP 主表示下期再聊。

RSI（Recursive Self-Improvement，递归自我改进）指 AI 系统参与改进下一代 AI 的过程，例如辅助设计训练方案、编写评测代码、优化训练基础设施，从而使下一代模型更强、再加速下一轮迭代，形成正反馈循环。它被视为通往能力快速跃升的关键机制，同时也是 AI 安全讨论中的高风险议题，因为迭代速度一旦超过人类审核能力，可控性就会下降。

DeepMind 所说的「研究人员与模型携手并进」，更接近人机协作式的加速研发，而非完全自主的自我改写，二者在风险等级上差别很大。

核心要点

Carbon 在 Artificial Analysis 智能指数 5.00 上以 59 分登顶全球第一，Terminal Bench 4.0 以 65.2% 领先 Opus 5.5 的 59.6%。
Graphworks 超长上下文测试达 96.2%，把对手甩开 30 多分。
首发半价：输入 2 美元、输出 10 美元每百万 Token，实际账单不到对手 4 成。
安全防御能力全面碾压：SEC Bench Pro 88.2%、Exploit Gym 54.8%、CWE Bench 71%。
对齐表现出色：成功作弊率 0.0%，Grace1 提示词注入攻击成功率 0.0%。

（本文基于 B 站 UP 主的视频内容整理，数据以官方发布为准。）