谷歌刚刚发布的新模型 Gemini 4 Carbon，在 Artificial Analysis 智能指数 v5.0 中拿下 59 分，超过 Claude Opus 5.5 Max 的 58 分，登顶榜首。这是谷歌首次把自家旗舰模型送上综合榜第一。
测试采用 High 推理档，Carbon 不仅在综合榜上领先，还在四项细分测试中拿下第一。上一代 Gemini 4 Argon 在同一版指数中是 50 分，这次 Carbon 直接涨了 9 分。
这张榜综合了推理、科学、编程和知识工作等九项测试。Carbon 在难题推理、科学任务和知识问答上表现突出。AA 还单独测了代码智能体，Carbon 配上谷歌的工具框架并列第二，榜首仍是 Claude Code 配 Opus 5.5。
四项第一：强在想得久、查得准
Carbon 的强项集中在复杂推理、知识和科学任务上。HLE-Diamond 是高难度推理题；Terminal-Bench-Science 要求模型在终端里处理科学任务，包括读数据、写代码、分析结果。
AA 公开的一道科学任务，要从十个冬天的卫星影像中算出湖面结冰和融冰日期。云、雪和裸冰都要区分，不能只看颜色——模型得真正处理数据、运行程序，只给方法不算做完。
另外两项第一分别是 AA-Omniscience 知识问答和 AutomationBench-AA 自动化工作流。后者测模型能不能操作工具，把一串工作完整做完。
知识问答里，答对和不乱答还得分开看。AA-Omniscience 不只看答对多少，也惩罚不会还乱答。Carbon 正确率升到 58%，幻觉率仅 11%，远低于 Opus 5.5 Max 和 Astra Max 的 50%。
谷歌还在改模型做事的习惯。官方称，Carbon 遇到缺证据的地方会指出缺什么；在有歧义的任务里，会先找资料、指出矛盾，再行动。
代码智能体追到并列第二
谷歌内部团队已见过 Carbon 连续运行数天，在大代码库和底层系统里找 bug、查根因、打补丁，走进死胡同后还会继续找办法。这比"生成一段代码"难得多——任务拖长后，模型得记住改过什么，读懂工具返回的错误，还要判断上一条路值不值得继续。
在 AA 代码智能体指数中，Antigravity CLI 配 Carbon High 得到 59 分；Claude Code 配 Opus 5.5 Max 是 62 分，仍在前面。Carbon 与 Sonnet 5.5 Max、Muse Wonder Full 的工具组合均为 59 分。
Terminal-Bench 4.0 测终端里的实际操作任务，FrontierCode 测代码任务，Carbon 在这两个分项都排第二。在 AA 测的这套工具组合里，谷歌终于有了能和 Claude Code 贴身比较的成绩。
网络安全：找漏洞、验证、修补，三步都领先
网络安全是这次谷歌最用力强调的方向。SEC-bench Pro 测能否找到真实软件里的漏洞；ExploitGym 测能否证明漏洞确实可利用；CWE-bench 测能否修到根因上。
三步里，Carbon 都领先 Argon。验证漏洞可利用性这一项，领先 Astra 和 Opus 更明显。谷歌还提到，内部生成安全代码的成功率超过 Argon 的两倍，Chrome 团队也在试用它做补丁。
能力增强的同时，谷歌也在限制它怎么做事。在特定的间接提示注入评测里，Carbon 抵挡住了全部被测攻击。
真人文本榜第一，Agent 榜第二
Arena 官方数据显示，Carbon High 在文本榜排第一，Agent 榜排第二。文本榜比较用户对回答的偏好；Agent 榜看真实任务对话中的反馈。Carbon 在用户提出异议后调整做法这一项排到了第一。
但在 WebDev Arena（让用户比较模型做出来的网站）中，Carbon High 目前以 1768 分排第 4，前面是 Opus 5.5 Max、Astra Max 和 Sonnet 5.5 xHigh。
领先已坐实，短板也有具体名字
办公任务不能套用"综合第一"。AA-Briefcase 测模型完成知识工作的质量，Carbon 比 Argon 进步很大，仍落在 Kimi K3.1 Pro、Muse Wonder 和 Grok 4.7 后面。
还有一处退步：知识问答里，Carbon 虽然答对更多，幻觉率却高于 Argon 的 4%。答对比例和幻觉率同时上升，不能只看综合分。
连续干几天的效果目前主要来自谷歌团队描述，发布文没有给出可供逐步检查的完整操作记录。Chrome 补丁案例也没有披露完整任务集和对手名称。
单价没涨，标准价下每任务比 Opus 便宜
Carbon 首发沿用 Argon 的半价促销。促销结束后，输入、输出单价都翻倍，但谷歌未给出结束日期。
AA 全部按标准价计算：Carbon 每个智能指数任务的平均费用，比 Opus 5.5 Max 低约 23%，但仍比 Astra Max 贵。和 Argon 相比，Carbon 得分涨了一截，任务费用基本没变。
首发价与标准价对照：
Arena 的 Agent 榜还给了另一种成本口径：Carbon 的任务费用中位数为 1.80 美元，按该榜统计比第一名 Opus 低 72%。这是真实任务样本的统计，不能与 AA 的评测均值直接横比。
本周先给防御者，普通用户还得等
Carbon 目前先通过 Fairwind Program 向部分受信任的网络安全防御者开放，然后扩大到更多合作伙伴。具体日期、公开 API 模型名和普通用户额度，发布文均未公布。
AA 列出的规格是 100 万 token 上下文，支持文字、图片、视频和语音输入，输出文字。模型闭源，不能下载权重自己部署。
从 Argon 到 Carbon，谷歌只隔了两周。新一代最明确的变化是长任务和科学推理补上来了，同时把综合榜第一拿到了手。等公开入口放开，外部开发者才能检查：它能独立推进到哪一步，又在哪一步需要人接手。
参考资料
01｜Google：Gemini 4 Carbon 发布说明
https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/02｜Artificial Analysis：Carbon 独立评测解读
https://artificialanalysis.ai/articles/gemini-4-carbon-new-number-103｜Artificial Analysis：智能指数 v5.0
https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index04｜Google DeepMind：模型成绩对照表
https://deepmind.google/models/gemini/05｜Arena：Carbon 三榜发布帖
https://x.com/arena/status/2115495002998751262
