持续很多天的工程，中间怎样接下去？
2026 年 10 月 28 日，谷歌 DeepMind 高级副总裁、谷歌首席 AI 架构师 Koray Kavukcuoglu 发布 Gemini 4 Carbon，距 Gemini 4 Argon 约两周，谷歌称它是目前最强的前沿模型。内部团队观察到，它可以连续运行数日：一条路径失败后改走另一条，继续检查大型代码库和底层系统里的隐蔽缺陷，再提交补丁。这是内部观察，对外没有单独的计时实验。
这类任务要自己把步骤接上。模型先定位问题，再试一次修改，然后跑测试看结果，前一步的输出就是后一步的输入。公开结果里，网页开发和长上下文最接近这项定位。WebDev Arena 的 Elo 上升 89，以 1768 分排在第 4。长上下文测试 GraphWalks 取 25.6 万到 100 万 token，看的是在大段关联文本里把路径追踪出来的 F1，Carbon 为 96.2%，Argon 为 84.2%，GPT-6 Astra 为 71.8%，Claude Opus 5.5 为 66.8%；谷歌写明，这一项所有模型的分数都由谷歌自行测试。
找到漏洞之后，还要验证什么、修补什么？
谷歌把防御拆成三步，三步回答的问题不一样：先让缺陷能够复现，再判断它能不能被利用、值不值得先修，最后把已经确认的问题变成能用的代码补丁。对外这三组数字都是在未启用防护栏的条件下测得的。
发现用的是 SEC-bench Pro，Carbon 的 pass@1 为 88.2%，GPT-6 Astra 为 85.4%，Argon 为 83.4%。题集是 183 道 2026 年 5 月的 JavaScript 引擎题，在 Antigravity 框架下每题独立做 3 次再取 pass@1。模型要交出一段能触发目标缺陷的代码，有漏洞的版本应当崩溃，修好的版本不崩溃；如果两边都崩溃，还要由模型裁判看过源码，确认崩溃来自预定的那个缺陷。其他模型的分数取自各家自己的系统卡和技术报告。
验证用的是 ExploitGym。模型在不联网的环境里自己探索，拿到用来证明任务完成的旗标，并且由模型裁判确认利用的是预定漏洞，防护措施处于关闭状态，才记为通过。公布的 54.8% 对应单题 10 小时上限，6 小时上限为 53.5%。把时限对齐以后，6 小时下 Argon 为 39.5%，Carbon 高出 14.0 个百分点；10 小时下 Argon 为 42.0%，Carbon 为 54.8%。GPT-6 Astra 的 42.4% 没有时间上限，Claude Opus 5.5 的 34.5% 对应 6 小时，不能与 Carbon 的 10 小时成绩排成同一条名次。
修补用的是 Collinear 的 CWE-bench，Carbon 为 71.0%，Argon、GPT-6 Astra 和 Grok 4.7 均为 68.0%，Claude Opus 5.5 为 67.0%。排序先看 pass@1，分数相同再看 pass@4。评测由 Collinear 统一进行，各家使用的编程框架不同：Carbon 和 Argon 是 Antigravity，Opus 5.5 是 Claude Code，Astra 是 Codex。
另外三组观察没有公开题集。谷歌内部测试里，生成安全代码的成功率比 Argon 高出一倍以上；Chrome 团队称，高质量补丁的表现比另一家实验室的大型前沿模型高出 10 倍以上，谷歌未公布该实验室的名称。云安全公司 Wiz 观察到 Carbon 在 Web 渗透测试上领先，这项能力与 Wiz 的 Scan for Good 相关。
执行时间变长，怎样少走捷径？
模型要在代码库里连续做很多小时，风险就不只是写出有害内容，也包括中途改走捷径、把没有根据的话写进结果，或者做到约定范围外面。Carbon 沿用 Argon 的多层防护，包括训练阶段的约束、实时滥用拦截、对提示注入的抵抗和思维链监控。谷歌表示，这一版进一步要求它在高难度、有时限的任务里按规定做完。
Terminal-Bench 4.0 把做对题目和靠捷径得到结果分开记录：成功作弊的比例降到 0.0%，尝试作弊的比例降到 0.4%，总准确率仍在提高；内部实时代码环境里，高严重度对齐告警下降近 80%，没有依据的断言大约降到 Argon 的一半。任务含糊时，模型先找回相关材料，把互相矛盾的地方列出来再继续。越出任务范围的次数下降 26%，应完成却中止的次数下降 29%，这两项要一起看，该做的修改要做完，也要停在约定范围内。
间接提示注入测的是另一件事。网页或文件的正文里可能夹着指令，模型如果把资料当成命令，就会放下原来的任务。Gray Swan 的测试给攻击者 15 次机会，Argon 的攻击成功率为 0.7%，Carbon 为 0.0%，Claude Opus 5.5 和 Claude Fable 5.1 都是 1.0%。这个 0.0% 只说明这一套攻击没有成功。
综合分居首，换一项任务排序怎样变？
Artificial Analysis 的 Intelligence Index v5 给 Carbon 的高推理档 59 分，Argon 为 50 分；对照表里 GPT-6 Astra 为 57 分，Claude Opus 5.5 为 58 分，Claude Fable 5.1 为 49 分，Carbon 居首。谷歌把 2026 年 10 月的结果汇总成一张表，Gemini 的分数除另行注明外都是 pass@1，测试使用 Gemini API 的最高思考设置，其他模型默认取各家公布的最高推理档。表中标蓝的格子是谷歌标出的领先项，许多非谷歌分数来自各家自己公布的结果。
换一项任务，名次会变。FrontierSWE 2 测的是跨多个文件的软件工程，Carbon 为 61.2%，高于 Argon 的 55.0%，低于 GPT-6 Astra 的 65.5% 和 Claude Opus 5.5 的 62.3%。OSWorld-2.1 使用 82 道不能联网的离线题，报的是部分得分；Carbon 和 Argon 由谷歌自测，每轮只试一次，取 3 轮里的最高分，Carbon 为 81.5%，Argon 为 74.7%，Claude Opus 5.5 为 87.2%。编码代理另有一项指数，Artificial Analysis 的 Coding Agent Index 上，Carbon 高推理档配合 Antigravity CLI 为 59 分，Claude Code 配合 Opus 5.5（max）为 62 分；FrontierCode v1.1 上 Carbon 为 51%，Opus 5.5（max）为 56%。
和 Argon 比，同一张表里抬升较明显的还有几项。SWE-sweep 从 4.3% 到 9.6%，这个 9.6% 仍是题目通过的比例，只比 GPT-6 Astra 的 9.5% 高 0.1 个百分点；这一项的 Gemini 分数用 mini-swe-agent 自测，其他模型取自公开榜。Terminal-Bench 4.0 从 57.1% 到 65.2%，Artificial Analysis 的文章另给出 64%，相差 1.2 个百分点，两个数字都保留。科学终端 Terminal-Bench-Science 从 52.9% 到 64.8%。Vending-Bench 2 模拟经营自动售货机，比的是结余资金，Carbon 为 16484 美元，Argon 为 13718 美元，GPT-6 Astra 为 15515 美元。知识工作的 Vals Index 从 69.2% 到 70.4%，Claude Opus 5.5 为 70.2%，这里的领先很窄。
Artificial Analysis 还有两项知识工作指标不在上面这张总表里。AA-Briefcase 的 Elo 从 Argon 高推理档的 1483 升到 1609，其中演示文稿上升 293 至 1598，分析质量上升 120 至 1671，仍低于 Grok 4.7（xhigh）的 1638、Muse Wonder（max）的 1659 和 Kimi K3.1 Pro 的 1678。AA-Omniscience 上 Carbon 为 54，Opus 5.5（max）为 48，Argon 为 46，答对率比 Argon 高出 10 个百分点、为 58%，幻觉率从 4% 升到 11%，只有 Argon 的 4% 更低，Opus 5.5（max）和 GPT-6 Astra（max）都是 50%。
谁先能用，费用按哪一档算？
使用资格分批开放。谷歌写明，公司正在参加美国政府的自愿性发布前测试，本周先向一部分网络安全防御机构开放，再通过 Fairwind 计划逐步提供给更多可信合作伙伴。Fairwind 是谷歌 2026 年 9 月启动的限定计划，供政府机构和可信合作伙伴使用最强的一档网络防御能力。开发者、企业和消费者排在后面：谷歌打算先收集反馈、继续改防护，再接入自己的产品，具体日期没有公布。
介绍期价格与 Argon 相同，每百万 token 输入 2 美元、输出 10 美元，缓存输入按当时输入价的 5% 计费，介绍期即为每百万 token 0.10 美元。介绍期结束后，标价改为输入 4 美元、输出 20 美元，按这一档计算，缓存输入为每百万 token 0.20 美元；谷歌未公布介绍期的结束日期。Artificial Analysis 的图表按 4 美元和 20 美元计，同时列出 50% 的发布折扣，结束日期同样未公布。用标准价估算，综合指数每道任务 Carbon 约 7.76 美元、输出约 12.3 万 token，Claude Opus 5.5（max）约 10.04 美元、17.3 万输出 token，GPT-6 Astra（max）约 6.25 美元，Argon 约 7.68 美元；介绍期若按 2 美元和 10 美元结算，账单低于这组标准价。模型上下文为 100 万 token，可以读文字、图片、视频和语音，输出是文字，目前只向部分用户发放。
