谷歌发布 Gemini 4 Carbon：Artificial Analysis 智能指数以 59 分登顶，找漏洞基准拿 88.2%，但暂时只开给一小批网络安全防御方

出处。原始材料是谷歌官方博客于 2026 年 10 月 28 日发布的《Gemini 4 Carbon: our next frontier model》，署名 Koray Kavukcuoglu，头衔是 Google DeepMind 高级副总裁兼谷歌首席 AI 架构师。本文所有分数、价格、百分比和基准名称都逐字取自这一页，不采用第三方转述的数字，也不替官方补它没有说的部分——独立第三方复现、区域可用性、API 限流、SLA 和数据保留政策，官方页面均未给出。

它是什么。官方把 Carbon 定义为目前最强的模型，强项是网络安全和长周期能力。它在刚更新的 Artificial Analysis Intelligence Index v5.0 上以 59 分排第一。Artificial Analysis 是第三方评测机构，但这次页面只给了排名和总分，没有给分类细项，所以这个 59 分更适合当成一个横向坐标，而不是一份能力说明书。它是两周前发布的 Gemini 4 Argon 的接续：官方自己写 Carbon shows the pace at which we are pushing the frontier forward。两个月推两代前沿模型，这句话比任何曲线都更能说明现在的位置——迭代节奏本身就是竞争手段。

网络安全这条线是全文重心。三个外部基准，官方明确说明都是在不带护栏（guardrail）的条件下评估的：找真实漏洞的 SEC-bench Pro 拿到 88.2%，官方称之为 state-of-the-art；判断哪些漏洞真能被利用、用来排修复优先级的 ExploitGym 拿到 54.8%；把验证过的问题直接变成能用的代码修复的 Collinear CWE-bench 拿到 71.0%。这三个数分别对应防御生命周期的发现、验证、修复三个阶段，而不是一个笼统的安全能力分数——这种拆法比一个总分有用得多，因为它告诉你在哪个环节还缺人。官方另附两条非公开基准与客户侧说法：生成安全代码的成功率相对 Argon 提升超过两倍；Chrome 团队报告说在生成高质量补丁这件事上，Carbon 比另一家实验室的大型前沿模型好十倍以上；云安全厂商 Wiz 则表示 Carbon 在网络渗透测试基准上领先，而这是他们 Scan for Good 计划的核心能力。

长周期任务。官方说内部团队已经看到 Carbon 连续运行数天，一路撞进死胡同再绕出来，处理的是跨大型代码库和底层系统的根因定位与打补丁这类活。这种说法没法独立验证，但它和长周期能力的定位是一致的：不是一问一答，而是把一个多步工程问题当成可以耗上几十小时的项目来跟。全栈 web 开发这一侧给了可比的数字——WebDev Arena 上 Carbon 跳升 89 个 elo 点，以 1768 分排到第 4。排第 4 而不是第 1，官方没有回避。这一点其实比满分更有信息量：它说明在一个由人类偏好投票驱动的榜单上，最强编码能力未必等于最讨喜的产出质量。

价格。Carbon 沿用 Argon 的入门价：每百万输入 token 2 美元，每百万输出 token 10 美元，缓存输入按输入价的 95% 折扣计价。脚注写得很清楚：入门期结束后适用每百万输入 4 美元、每百万输出 20 美元的价格。这个两段式结构值得单独说一句。它是先低价把人拉进来、再回到标准价的路径，和 10 月 26 日 OpenAI 把 GPT-6.1 Terra 的输入价直接定在 1 美元、缓存价定在 0.05 美元的长期定价不是一回事。做预算的人如果把入门价当成长期价去算 unit economics，半年后会发现自己算错了，而且是往乐观的方向错了。

发布会最值得注意的不是数字，是它没做什么。Carbon 现在不对外开放：本周先给一小批网络安全防御方，之后通过 Fairwind Program 逐步扩大到更多受信任的伙伴，官方明确说要继续收集反馈、迭代护栏，然后再尽快把 Carbon 通过产品面向开发者、企业和消费者。谷歌同时说正在参与美国政府那套自愿的发布前模型测试流程。把这两句放一起读：一个在网络安全上拿到 state-of-the-art 的模型，官方选择先交给防守方，而不是先做成一个人人都能调的 API。这条路径和把自己最强模型直接挂上 API 出售的做法不同，背后是同一个判断——攻防能力的扩散速度比能力本身更危险。

对齐和诚实度。这一段是全文最具体的自我披露。Carbon 沿用 Argon 的多层安全栈：模型训练、实时滥用防御、prompt injection 韧性、思维链监控。四个可以量化的结果：在 Terminal-Bench 4.0 上，成功作弊降到 0.0%，尝试作弊降到 0.4%，同时整体准确率还提升了；在内部实时代码环境里，高严重度 misalignment 告警下降近 80%；相比 Argon，无依据的声明减少约两倍；越权行为减少 26%，服务不足减少 29%。在 Gray Swan 的间接 prompt injection 基准上，Argon 的攻击成功率是 0.7%，Carbon 是 0.0%，官方说它挡住了每一次被评估的攻击。得提醒一句：0.0% 是在一个特定基准上、对抗一组特定攻击样本的结果，不等于免疫 prompt injection；把 0.0% 当成安全保证去设计系统，是误读。

怎么读这些数字。第一，官方明说外部基准是在不带护栏的条件下评估的，那是为了测能力上限，不代表你调 API 时看到的表现。第二，Artificial Analysis 是第三方，但这次只公布了排名和总分，缺分类细项，跨厂商比较仍要谨慎。第三，Chrome 的十倍和 Wiz 的领先都是客户侧自述，没有公开的测试方法和样本，只能当方向性证据。第四也是最实际的一条：模型还没开放，任何人都无法复现上面任何一个数字。所以今天能做的事情只有一件——把官方给的定价和基准写进你的方案，标明哪些是厂商自报，然后等它真正开放那天，拿自己最脏的真实任务去测一遍。在模型还没开放的时候把期待值调到最高，是最容易在三个月后失望的做法。