官宣 23 分钟后，Artificial Analysis 于北京时间 10 月 29 日凌晨 1 时 23 分（UTC 10 月 28 日 17:23）发布对 Gemini 4 Carbon 的首批独立评测：确认其以 59 分成为 Intelligence Index v5 新任第一；该帖同时划出限定——Carbon 在编码代理与知识工作上并未全面领先、幻觉率明显上升，且模型尚未公开可用，评测基于受限推出的版本。

独立评测紧随官宣而来：北京时间 29 日凌晨，Google 官方博客（UTC 17:00）宣布 Carbon 为继两周前 Gemini 4 Argon 之后的下一代前沿模型，称其在网络安全与长程能力上达到 SOTA；Google DeepMind 的帖文进一步称其「能够在不卡壳、不走捷径的情况下连续数天处理复杂任务，交付高质量、可靠的代码」。Google 公布的推出路径是：本周起向部分可信网络防御者开放，经 Fairwind Program 扩展至更多受信伙伴，之后再开放给开发者、企业和消费者。在 AA 的帖文发出之前，59 分登顶与三项网络安全评测成绩都出自 Google 单方口径。

Google 官方博客公布的 Gemini 4 Carbon 评测对比表，AA Index v5.0 一行列出 Carbon 59 分、Claude Opus 5.5 58 分、GPT-6 Astra 57 分

图：Google 官方博客的 Gemini 4 Carbon 评测对比表。

Carbon 在 9 项分项评测中拿下 4 项第一，每任务成本低于 Opus 5.5

AA 在帖文中给出了名次背后的分项：构成 Intelligence Index v5 的 9 项评测里，Carbon（high reasoning）在 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience 与 AutomationBench-AA 四项排第一，59 分主要来自复杂推理、知识与科学任务的领先表现。AA 同时说明，相较其他 Gemini 模型，Carbon 在编码和知识工作上进步显著，「但并非在所有这些领域领先」。

成本一侧，Carbon 每任务成本 7.76 美元，比 Claude Opus 5.5 (max) 的 10.04 美元低约 23%，但约为 GPT-6 Astra (max) 6.25 美元的 1.2 倍；每任务输出 12.3 万 token，比 Opus 5.5 (max) 的 17.3 万少 29%。AA 指出，在同样的 $4/$20 标准定价下，Carbon 的成本与 Gemini 4 Argon（7.68 美元）相当，而 Intelligence Index 得分高出 9 分。Google 官方评测表中的 AA Index v5.0 一行与 AA 的名次吻合：Carbon 59、Claude Opus 5.5 58、GPT-6 Astra 57、Gemini 4 Argon 50、Claude Fable 5.1 49——不过该表属 Google 自报口径，AA 的帖文本身只确认 Carbon 为第一。

Coding Agent Index 落后 3 分，幻觉率从 4% 升至 11%

编码代理是 AA 划出的第一处限定：在 Antigravity CLI 下，Gemini 4 Carbon (high) 在 Coding Agent Index 得 59 分，比 Claude Code 搭配 Claude Opus 5.5 (max) 的 62 分低 3 分，位居第二；Terminal-Bench 4.0（64%）与 FrontierCode v1.1（51%）两项也均列第二，第一都是 Claude Opus 5.5 (max)（FrontierCode v1.1 上为 56%）。AA 评价称，Google 在编码代理领域历来落后，因此这次进步格外突出。

知识工作方面，AA-Briefcase 上 Carbon (high) 得 1,609 Elo，较 Gemini 4 Argon (high) 的 1,483 提升 126 分，但仍落后于 Grok 4.7 (xhigh, 1,638)、Muse Wonder (max, 1,659) 与 Kimi K3.1 Pro (1,678)。增量最大的是 Presentation，上涨 293 Elo 至 1,598；分析质量（Analytical Quality）提升 120 分至 1,671。

幻觉率是第三处变化：AA-Omniscience v1.1 上 Carbon 以 54 分居首，比 Claude Opus 5.5 (max) 的 48 高 6 分、比 Argon 的 46 高 8 分，准确率较 Argon 上升 10 个百分点至 58%；但幻觉率从 Argon 的 4% 升至 11%。AA 强调，这仍是其对比中第二低的水平，仅次于 Argon——作为对照，Claude Opus 5.5 (max) 与 GPT-6 Astra (max) 的幻觉率均为 50%。

Google 公布 $2/$10 发布价，AA 统一按 $4/$20 标准价出榜

官方博客给出的价格与 Argon 的发布价相同：每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入享输入价 95% 折扣。AA 在评测帖中给出的口径不同：Google 提供的是五折发布折扣、且未确认截止日期，其全部图表与数字对 Carbon 和 Argon 统一采用 $4/$20 标准定价；缓存输入折后为每百万 0.20 美元。两套数字并不矛盾：2 美元与 10 美元正是 $4/$20 标准价折半后的结果，差别在于 AA 的图表不把这轮没有截止日的五折算进去。

AA 帖文还列出了模型规格：100 万（1M）token 上下文窗口，接受文本、图像、视频与语音输入，输出文本。

Andon Labs 与 Arena.ai 相继公布 Carbon 的独立成绩

独立信号不止 AA 一家。早于 AA 评测帖八分钟，安全评测公司 Andon Labs 在 UTC 17:14:46 宣布 Carbon 在其 Blueprint-Bench 2 上排名第一，并称「AI 已在物理 3D 理解基准上追平人类」，称之为 AI 发展的里程碑。该帖未附方法论细节，结果属评测方单方宣布；Google 官方评测表同样列有 Blueprint-Bench 2 一行，Carbon 以 58.6% 的相似度分数为表中所列五款模型最高。

Arena.ai 在 UTC 17:24:47（北京时间 29 日凌晨 1 时 24 分）的发帖称，Gemini 4 Carbon (High) 首秀即在其社区基准上拿下 Text Arena 第一（1,528 分，Gemini 4 Argon (High) 以 1,520 分列第二）、Agent Arena 第二与 Code Arena: WebDev 第四。Agent Arena 的成绩基于约 21,900 条来自全球社区的真实 agent 会话，净提升 +16.2%，超过 GPT-6 Astra 与 Fable-5.1；中位每任务成本 1.80 美元，比榜首 Claude Opus 5.5 (Max) 低 72%。WebDev 榜上 Carbon 得 1,768 分，距第三名 Claude Sonnet 5.5 (xHigh) 的 1,770 分仅 2 分，比第 11 名 Gemini 4 Argon (High) 的 1,679 分高 89 分——与 Google 博客引用的 1,768 分、+89 Elo、第 4 一致。Arena 还给出分项信号：Steerability 第一（+18.6%）、Praise vs Complaint 第二（+37.9%）、Confirmed Success 第三（+18.7%）。这批数据来自社区真实使用，并非受控复现基准。

编码 harness 复测仍待进行，更广开放时间表未定

AA 在帖文中明确了评测条件：与 Gemini 4 Argon 发布时一样，Carbon 目前只向选定用户推出、尚未公开可用——本次评测基于受限推出（restricted rollout）的版本。

编码数字还带着一处方法论保留。供职 Databricks、曾为 Hyperbolic 联合创始人兼 CTO 的 Yuchen Jin 在 UTC 17:38:22 写道，他的唯一保留是 AA 用 Google 自家的 Antigravity CLI 为 Carbon 跑编码代理评测——这一工具选择 AA 帖文本身已写明；他表示自己几个月没碰过 Antigravity、也不想装，将在 Codex 和 Omnigent 中自行复测，「看看它到底有多好」。截至该帖，这场复测还只是一个计划。两处公开数字的差异也还悬着：AA 给出 Terminal-Bench 4.0 为 64%、居第二，而 Google 官方评测表中同名基准（Terminal-Bench 4.0 (AA)）列出 65.2% 并高亮为所列模型最高，两者评测条件是否相同，两份材料都没有说明。

开放时间表同样未定。Google 博客还称，公司正参与美国政府自愿的发布前模型测试流程，而面向开发者、企业和消费者的开放只给出「尽快（as soon as possible）」，没有具体日期。在 Carbon 公开可用之前，独立检验依据的仍是受限渠道下的数据——AA 的评测基于受限推出版本，Arena.ai 汇总的则是社区用户的真实会话。

参考链接

本文由 AREX Agent 基于公开网络信源自动整合梳理。
AI 可能存在信息遗漏、时序偏差或事实误判。文中观点与事实请结合文末原始链接交叉核验，请勿直接作为决策依据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除