谷歌Gemini 4 Carbon登顶，Mistral开源万亿参数模型

AI 领域的竞争节奏依然没有放缓的迹象。本期早报汇总了来自谷歌、Mistral、豆包、微软和扩散智能的五条动态，分别指向模型能力、开源生态、企业服务、资本投入和技术路线五个方向。

谷歌发布 Gemini 4 Carbon，登顶 V5.0 智能指数

谷歌正式发布了最新前沿模型 Gemini 4 Carbon。据 B 站 AI 早报的梳理，该模型在编程、智能体任务和网络安全三类场景上均有显著提升，并在最新 V5.0 智能指数基准测试中夺得榜首。

这组能力组合值得注意。编程和智能体任务通常被视为模型"可用性"的核心指标，而网络安全则与高风险、强对抗场景相关，对模型的稳定性要求更高。谷歌把这三项放在一起强调，意图在于展示模型从写代码到执行任务、再到安全防护的完整能力链条，而不只是刷单一榜单。

从竞争格局看，谷歌此举是在代码智能体与安全领域进一步加固阵地。榜单排名本身会变化，但一个模型能否同时覆盖开发与安全两类工作流，往往决定了它在企业采购中的位置。

V5.0 智能指数：这是第三方评测机构（通常指 LMArena 或类似独立基准平台）发布的大模型综合能力排名体系，通过人类偏好投票与标准化任务测试对各模型进行打分。该指数通常涵盖推理、编程、数学、多轮对话等维度，因其相对独立于厂商自评而受到行业关注。V5.0 版本据信引入了更细粒度的智能体任务与安全对抗测试，因此榜单变化往往能反映模型在真实工作流中的可用性差异。需要注意的是，任何单一榜单都存在任务分布偏差，企业选型时仍应结合自身场景做验证。

Mistral 开源万亿参数模型，主打网络安全

Mistral 正式公开了旗下万亿参数 AI 大模型的权重，重点面向网络安全应用场景。

官方给出的理由很直接：开放权重的模型能够让企业和机构自主掌控自身的网络防御体系，从而获得闭源模型无法提供的安全控制力。这个逻辑在安全领域有现实基础——防御方往往不希望把敏感日志、流量数据和告警上下文发送到外部 API，本地可控的权重意味着数据不出域。

万亿参数级别的模型以开放权重形式发布，在当前开源生态中属于较为激进的路线。它同时也把一个老问题重新摆上台面：权重开放后，能力提升与滥用风险如何平衡。Mistral 选择以网络安全为切口，算是对这个问题的部分回应。

开放权重（Open Weights）与开源模型：开放权重指模型训练完成后的参数文件被公开发布，使用者可下载、本地部署甚至微调，但训练数据、训练代码和完整训练流程未必公开。它与严格意义上的开源（如 OSI 定义）存在区别，后者要求训练数据与代码同样可获取。开放权重的核心价值在于数据不出域与自主可控，尤其适合安全、医疗、金融等对合规要求高的场景。万亿参数模型以开放权重发布，意味着部署门槛极高，通常需要数十至上百张 GPU 组成的集群，因此实际受益者更多是大型机构而非个人开发者。

豆包工作开放第三方模型，首批接入 Kimi、GLM、DeepSeek

豆包工作宣布向企业客户开放第三方模型服务，首批接入 Kimi、GLM 与 DeepSeek^广告 等系列模型。

接入方式做了简化：企业无需另行采购或申请，直接按用量扣除已有的 AI 点数，并支持按部门或成员灵活配置权限。这套设计的重点是降低多模型协同办公的使用门槛——企业在同一个平台上可以按任务类型调度不同模型，而不必为每个模型单独走一遍采购流程。

对模型厂商而言，这意味着多了一条分发通道；对企业而言，多模型协同从"技术选型问题"变成了"配置问题"。这种平台化的中间层，可能会成为企业 AI 落地的一种常见形态。

微软拟发债至少 250 亿美元，为 AI 投入提供资金

据彭博社报道，微软计划发行美国投资级债券，至少募资 250 亿美元，这是其时隔 9 年多首次开展此类发债。债券已分为最多 10 个期限档次，跨度从 2 年到 40 年不等。

资金用途指向人工智能领域的大规模投入。用长期债券为 AI 基础设施融资，等于把当下的资本开支摊到更长的周期里，这本身就说明微软对 AI 投入的回报周期有较长预期。多档期限的设计也便于匹配不同期限的资金需求。

值得留意的是融资方式的转变。现金流充裕的巨头转向债券市场，通常意味着资本开支的规模已经超出了内部资金的舒适区间。

扩散智能开源 35B 三叶草模型，走扩散语言模型路线

扩散智能发布了 35B 规模的三叶草系列首款模型，并以 Apache 许可开源。

该模型采用 MoDE 架构的扩散语言模型路线，具备全局思维，通过多轮迭代生成结果。这与主流自回归模型逐 token 生成的范式不同：扩散路线先形成整体表示，再迭代细化，理论上在生成速度和全局一致性上有优势。

扩散智能给出的结论是，在较大参数规模下，扩散语言模型能够与自回归模型竞争，并保持更快的生成速度。这条路线能否在工程上站稳，还要看后续的开源反馈和实际部署表现，但 35B 规模加 Apache 许可的组合，至少为研究者和开发者提供了一个可验证的样本。

扩散语言模型与自回归范式：主流大语言模型（如 GPT、Llama 系列）采用自回归方式，即逐个 token 预测下一个词，生成过程是串行的。扩散语言模型借鉴图像生成中的扩散思想，先对整段文本形成带噪声的全局表示，再通过多轮去噪迭代细化输出，理论上支持并行生成，从而提升速度并增强长程一致性。MoDE（Mixture of Diffusion Experts） 则是将混合专家架构与扩散路线结合，让不同专家网络处理不同去噪阶段或语义子空间，以控制计算成本。该路线目前仍处早期，工程成熟度与生态工具链远不及自回归模型，35B 规模的开源样本对验证其可扩展性具有参考意义。

几条线索合起来看

五条动态指向同一个趋势：模型能力的竞争正在从单点指标转向工作流覆盖。谷歌用编程、智能体、安全三项能力组合证明覆盖面，Mistral 用开放权重切入安全这一高门槛场景，豆包工作用平台化方式聚合多家模型，微软用长期债券为算力投入输血，扩散智能则在生成范式上另开一条路。能力、场景、平台、资本、路线，每一环都在被重新分配。

你最看好哪个新模型？欢迎在评论区聊聊。