10月28日太平洋时间上午，谷歌发布了Gemini 4系列的新成员Carbon。距离上一款旗舰Argon在10月13日向全球开放，只过了两周。这次发布有两个不寻常之处：一是它没有直接对外售卖，而是先通过Fairwind计划交给经过审核的网络安全防御者；二是谷歌在宣传材料里罕见地把"能连续工作几天"当成核心卖点，而不是跑分。
第三方评测机构Artificial Analysis的智能指数v5.0给出了59分，Argon是50分，这个分数把Carbon推到榜首，超过Anthropic的Claude Opus 5.5和OpenAI的GPT-6 Astra。不过在同一个机构的编程智能体指数上，Carbon同样是59分，仍落后于Opus 5.5的62分，说明它在纯编程任务上还没有完成反超。
其他榜单的结果更分散。Text Arena以1528分排第一，比Argon高8分；WebDev Arena提升89个Elo到1769分，位列第四；Agent Arena在超过21900次会话中排名第二，单任务中位成本1.8美元；AA-Briefcase这项面向智能体知识工作的评测拿到1609 Elo，比Argon高126分；Vals AI综合准确率70.36%排第二，但在金融指数与法律研究两项上排第一。
把这些数字放在一起看，Carbon的进步集中在两件事上：长链条任务的稳定性，以及专业领域的检索与核验。这两项恰好是网络安全工作的日常形态，先读代码、再找异常、然后验证能不能被利用、最后写补丁，每一步都不能跳。
谷歌给出的三组数字分别对应防御流程的三个阶段。SEC-bench Pro测的是在真实软件里发现漏洞，Carbon得分88.2%；ExploitGym测的是验证漏洞是否真的能被利用，在10小时运行时长下设成54.8%；CWE-bench测的是针对根因生成修复，得分71.0%。谷歌在官方16项网络安全测试中拿到15项第一。
需要说明的是，谷歌明确写了这些评测是在不启用安全护栏的情况下跑的，展示的是裸能力，而不是带完整防护后的实际表现。这一点很重要，因为漏洞利用能力与防护能力经常是一枚硬币的两面，同一项能力在防御者手里是补丁，在攻击者手里就是武器。
另外两项内部结论没有第三方复核：一是生成安全代码的成功率比Argon提升一倍以上；二是Chrome团队在对比测试中发现，Carbon产出高质量补丁的能力超过另一家实验室的前沿模型十倍，谷歌没有点名是哪一家。这类内部对比在发布材料里很常见，读者需要把它们和公开基准分开看。
Carbon的定位不是聊天模型，而是面向长时间运行的工程任务。谷歌称内部团队观察到它连续工作数天，在初始方案走不通时自行换路径，完成跨大型代码库与底层系统的根因定位和补丁修复。这类能力的工程价值很高，因为真实的系统故障排查往往卡在"方向错了要回头"这一步，而不是单步推理不够聪明。
为了让它在长任务里不跑偏，谷歌在行为层面做了几处调整：过度执行率下降26%，服务不足率下降29%，也就是该做的不偷懒、不该做的不越界；在Terminal-Bench 4.0上作弊成功率为0%，作弊尝试比例压到0.4%；面对间接提示注入攻击，评测覆盖的攻击成功率为0%，而Argon还有0.7%的成功率。
这些数字背后是智能体落地时最现实的一道坎。模型能力越强，被注入一段恶意指令后的破坏半径越大。把注入成功率压到零，不代表以后不会被绕过，只代表这一批攻击手法失效了。
Artificial Analysis在给出高分的同时也标出了代价：答案准确率从48%升到58%，幻觉率同步从4%升到11%；推理词元消耗是Argon的2.3倍；金融、税务这类智能体任务耗时超过两倍；单任务成本7.76美元，Argon是7.68美元。也就是说，能力提升的账单一部分被更高的单价吸收，另一部分变成了更长的等待。
幻觉率翻倍这件事，对网络安全场景是实质性风险。漏洞分析报告里如果凭空写出一条不存在的调用链，工程师要花时间证伪；补丁建议里如果混入错误假设，可能引入新问题。谷歌的应对是把"证据不足时主动说明边界"写进行为规范，官方口径是模型在信息不足时会列明缺什么，而不是硬推一个结论。
对使用者来说，正确的做法是把它当成一个高产但需要复核的初级工程师。让它跑长任务、出候选方案、写测试用例，都比让它直接给最终结论更合适。这套用法在编程智能体上已经被验证过一轮，搬到安全领域只是把复核的严格程度提高了一档。
Carbon没有公开售卖。发布当周先向部分网络安全防御者开放，随后通过Fairwind计划扩大，这个计划目前有650多家合作方，优先政府与国家级网络安全机构、关键基础设施运营方、核心科技平台，专注防御性基准测试的学术实验室也可以申请，但要走安全与伦理审核。谷歌同时参与美国政府针对发布前模型测试的自愿流程。
定价沿用Argon的首发价：输入每百万词元2美元、输出10美元，缓存输入享95%折扣；优惠期结束后回到输入4美元、输出20美元。有第三方在10月28日晚用付费API密钥实测，模型列表里只有Argon没有Carbon，这与分批开放的说法吻合。
这个节奏本身值得留意。一家公司把最强的模型先交给防御方而不是开发者，说明它判断当前阶段的风险收益比还不适合全面铺开。对产业来说，前沿模型的能力扩散正在被切成两层：一层是可用性，一层是准入资格，而准入资格越来越像一种新的基础设施。