Gemini 4 Carbon：综合评测登顶，优先向网络防御者开放

首批开放聚焦网络防御

Google DeepMind 发布 Gemini 4 Carbon，将网络安全和长周期任务作为重点能力方向。模型首先通过 Fairwind 计划向受信任的网络防御者开放，更广泛的开发者访问尚无明确时间表。

公布的网络安全评测成绩包括：

评测	任务方向	成绩
SEC-bench Pro	漏洞发现	88.2%
ExploitGym	漏洞利用	54.8%
CWE-bench	漏洞修补	71.0%

这些成绩反映的是特定测试环境中的表现，不能直接等同于实际部署中的可靠性。

综合榜单领先，但并非所有任务都领先

在 Artificial Analysis Intelligence Index v5 中，Carbon 以 59 分位列第一，并在组成指数的九项评测中领跑四项，包括 HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench。

其他评测呈现出更细分的能力分布：

• 文本交互：Text Arena 得分为 1528，排名第一。
• 智能体任务：Agent Arena 排名第二，每项任务的成本中位数为 1.80 美元。
• 金融与法律：Vals Index 综合排名第二，在金融指数和法律研究评测中排名第一。
• 长期经营与空间理解：Vending-Bench 2 和 Blueprint-Bench 2 均排名第一；后者成绩追平了人类基线。

编程则不是 Carbon 全面占优的领域。在 Coding Agent Index 中，使用 Antigravity CLI 的 Carbon 得分为 59，低于 Claude Code 搭配 Opus 5.5 的 62 分；FrontierSWE 成绩为 61.2%，也落后于 GPT-6 Astra、Opus 5.5 和 Sonnet 5.5。

编程智能体成绩与运行框架有关，不能直接推断模型在其他工具链中会有相同表现。

成本需要区分标价与优惠

列出的标准价格为每百万输入 Token 4 美元、每百万输出 Token 20 美元。首发提供五折优惠，对应输入 2 美元、输出 10 美元，优惠结束时间未明确。缓存输入价格为每百万 Token 0.20 美元。

在 Artificial Analysis 综合指数测试中，Carbon 每项任务成本为 7.76 美元，低于 Opus 5.5 的 10.04 美元，但高于 GPT-6 Astra 的 6.25 美元。这是特定评测工作负载下的成本，不代表所有应用的实际支出。

幻觉率与安全指标需分开看

Carbon 在 Omniscience 评测中领先，但该项测试记录的幻觉率由 Argon 的 4% 上升至 11%，仍为被测模型中的第二低水平。

与此同时，公布的安全测试显示，Carbon 在 Terminal-Bench 4.0 中的成功作弊率降至 0.0%，作弊尝试率降至 0.4%。这些指标与幻觉率衡量的行为不同，不宜合并为单一的“更安全”结论。

对于网络防御场景，榜单名次之外，还需要关注漏洞判断是否准确、修补方案能否复现，以及实际工具链中的错误率。首批受限开放也意味着，普通开发者暂时还无法充分验证这些表现。