Google 发布 Gemini 4 Carbon:综合指数居首,但首发只给受审网络安全防御方
Google 于 10 月 28 日发布 Gemini 4 Carbon,官方称其在 Artificial Analysis 智能指数 v5.0 得 59 分居首,并在 SEC-bench Pro(88.2%)、ExploitGym(54.8%)、CWE-bench(71.0%)三项网络安全基准上领先。但 Google 未给出通用可用日期,本周起仅向部分网络安全防御方开放,随后通过 Fairwind Program 逐步扩展,并正参与美国政府的前发布测试自愿流程。定价沿用 Argon 的 2 美元/10 美元促销价,促销期后翻倍。
- 类别: 大模型与产品
- 事件时间: 2026-10-28(Google DeepMind 官方博客发布;同日 Alphabet 三季报电话会提及)
- 主要来源: [P0] Google DeepMind 官方博客《Gemini 4 Carbon: our next frontier model》(署名 Koray Kavukcuoglu,SVP & Chief AI Architect)
- 证据强度: B(官方博客为 P0;但 Artificial Analysis v5.0 得分、SEC-bench Pro / ExploitGym / CWE-bench 三个分数在核当时未见于公开榜单页面,属 Google 自报;"Chrome 团队称比另一实验室前沿模型好 10 倍以上"为未具名的内部对比)
- 技术锚点: A(架构与训练:对齐训练、捷径抑制)、C(评测:三项安全基准)、D(能力边界:定向发布、双用途限制)
- 本篇关键词: Gemini 4 Carbon、Google DeepMind、Artificial Analysis Intelligence Index v5.0、SEC-bench Pro、ExploitGym、CWE-bench、Fairwind Program、定向发布、双用途能力、Koray Kavukcuoglu
Google 在 10 月 28 日发布了 Gemini 4 系列的下一代前沿模型 Carbon,把它定位成"迄今最强、在网络安全与长程任务上达到 SOTA"的模型。真正值得注意的不是它拿了多少分,而是它的发放方式:Google 没有给通用可用日期,本周起只向"一部分网络安全防御方"开放,之后再通过 Fairwind Program 向受信任伙伴分批扩展,同时参与美国政府的前发布模型测试自愿流程。
一、关键参数
官方博客公布的是能力分数、价格与发放范围,没有公布参数量、上下文窗口与训练数据构成。下表把已确认项与未披露项分开列。
1. 已披露规格
- Artificial Analysis 智能指数 v5.0: 59 分,Google 称为第 1 名
- 网络安全三项: SEC-bench Pro 88.2%(发现真实漏洞)、ExploitGym 54.8%(验证可利用性)、CWE-bench 71.0%(根源修复,Collinear 出品)
- WebDev Arena: +89 elo 至 1769,排名第 4
- 上下文/参数量/训练数据: 官方未披露
- 发布状态: 研究性定向开放(本周起给部分网安防御方),非全量可用;无 GA 日期
2. 定价
- 促销期:输入 2 美元/百万 token,输出 10 美元/百万 token;缓存输入按输入价 95% 折扣
- 促销期后:输入 4 美元、输出 20 美元
- 与 Argon 同为"introductory price",Google 未说明促销期结束时点
二、产品背景
Carbon 距上一代 Argon 发布仅约两周。Google 在博客里把这次提速明确写成一种常态:"Carbon illustrates the pace at which we're pushing the frontier forward"。这个节奏本身就是新闻的一部分——它意味着"发布—评估—补护栏"的周期被压到两周量级。
同时,Google 决定把 Carbon 的主打能力放在网络安全上,而这类能力天然是双用途的:发现漏洞、验证可利用性、生成补丁,同一套能力换个目标就是攻击工具。这直接决定了它的发放方式。
三、采用的技术原理或方法
Google 本次未发布配套技术报告,架构、训练范式与数据构成均未披露;官方只说明了安全与对齐侧的改动。
1. 已披露的技术信息
- 沿用 Argon 的多层安全栈:模型训练、实时滥用防御、提示注入韧性、思维链监控
- 在对齐上比 Argon "更进一步",把模型往"面对复杂或高压任务时以正确方式响应"的方向训练
- 进一步抑制训练中的"抄近道"行为,同时保持高质量编码表现
- 面向长程智能体工作流设计,Google 称内部团队观察到模型可持续运行数天,跨大型代码库与底层系统做根因定位和补丁
2. 未披露项
- 参数量、激活参数、上下文长度、训练数据构成:官方未披露
- 安全栈的具体检测机制与阈值:仅在系统卡/安全报告层面提及,博客未展开
四、解决的问题
官方把痛点拆成了两段:一是长程工程任务(跨大型代码库的根因定位与补丁)过去难以稳定跑完;二是网络安全防御生命周期里的"发现—验证—修复"三段各自需要不同能力,过去由不同工具和人工环节拼接。Carbon 试图用一个模型把这三段串起来。
五、相比较上一代产品的提升
下表为 Google 自报数据,对比对象为两周前发布的 Gemini 4 Argon;"生成安全代码成功率提升 2 倍以上"与"比另一实验室前沿模型好 10 倍以上"均为内部或未具名对比,未见公开复现。
| 维度 | Carbon | 上代 Argon/对照 | 变化 | 来源与口径 |
|---|---|---|---|---|
| 智能指数 | 59(v5.0) | 未给出 Argon 对应分数 | 官方称第 1 | Google 博客,引用 Artificial Analysis v5.0 |
| 安全代码生成成功率 | 提升 2 倍以上 | Argon | 相对提升 >100% | Google 内部基准,未公开 |
| 高质量补丁生成 | 称好于某实验室前沿模型 10 倍以上 | 未具名前沿模型 | 内部对比 | Google 转述 Chrome 团队评价 |
| WebDev Arena | 1769(第 4) | Argon 未给出 | +89 elo | Google 博客 |
| 提示注入成功 | Google 称 0.0% | — | 官方自报 | 二手转述,未回溯系统卡原文 |
需要说明的是,同一批二手报道转述的"幻觉率从 Argon 的 4% 升至 11%"未在 Google 官方博客中出现,本文未将其作为事实使用。
六、后续演进计划
- 本周起:向部分网络安全防御方开放
- 随后:通过 Fairwind Program 向更多受信任伙伴分批扩展
- 并行:参与美国政府的前发布模型测试自愿流程
- 尚无:面向开发者、企业与消费者的产品面(Google 称"as soon as possible",未给日期)
七、相关产品横向对比
下表按"综合指数"这一单一口径比较,数据来自 Artificial Analysis 指数(经 AI Times 转述)与 Google 自述。这些模型的可获得性差异很大,分数相同不等于可用性相同。
| 模型 | 智能指数(v5.0) | 可获得性 | 每百万 token 输入/输出价(美元) |
|---|---|---|---|
| Gemini 4 Carbon | 59(Google 称第 1) | 仅受审网安防御方 | 2 / 10(促销期后 4 / 20) |
| Claude Opus 5.5 | 58 | 公开可用 | 官方未在本期材料中出现 |
| GPT-6 Astra | 57 | 公开可用 | Terra 为其十分之一(OpenAI 表述) |
| Kimi K3.1 Pro | 55(Moonshot 称全球第 4、开源第 1) | API 可用,权重承诺 11 月 4 日 | 2 / 10 |
领先 Opus 5.5 与 GPT-6 Astra 仅一到两分,这提示"第 1 名"的实际含义是当前评测口径下的微弱领先,而非代际差距。
八、定价或者使用策略
促销价与 Argon 持平(2/10 美元),缓存输入折扣 95%。Google 明确写了促销结束后涨到 4/20 美元,但没有给促销期长度。对高频调用方来说,缓存折扣的实际影响可能大于标价本身——这一点与 10 月 27 日 OpenAI 发布 Terra 时把缓存输入价压到 0.05 美元是同一个方向。
九、应用场景、方法或者案例
1. 网络安全防御(当前唯一开放场景)
- 目标用户: 受审的网络安全防御方(Google 未公布名单与准入标准)
- 具体做法: 用模型做漏洞发现、可利用性验证、根源修复三段闭环
- 当前状态: 定向开放,非规模部署
- 独立佐证: Wiz 称观察到 Carbon 在 Web 渗透测试基准上领先(Wiz 与 Google 有 Scan for Good 合作,属利益相关方)
2. 长程软件工程(Google 内部使用中)
- 目标用户: Google 内部工程团队
- 具体做法: 跨大型代码库与底层系统做根因定位与补丁生成,可持续运行数天
- 当前状态: 内部使用,非对外服务
十、局限与待验证事项
1. 适用范围
- Carbon 的分数目前只有 Google 一方的陈述。核当时,公开榜单页面上未见 Carbon 对应条目,Artificial Analysis v5.0 的 59 分无法从第三方页面独立确认
- 三个网络安全基准 Google 明确写了"evaluated without guardrails",即这些是能力上限口径,不等于带护栏后的生产表现
- 绝大多数读者用不上它:定向开放意味着这些分数暂时无法被外部复现或证伪
2. 待验证指标
- 通用可用日期: Google 未给,这是判断"第 1 名"能否转化为实际竞争力的关键
- Artificial Analysis 是否会在公开页面上线 Carbon 条目、分数是否被复核或修订
- 幻觉率变化的官方口径: 二手报道的 4%→11% 未见于官方博客,需要系统卡原文确认
十一、判断与思考
1. 需要验证的宣传点
"第 1 名"与"10 倍以上"是两类不同强度的说法:前者有第三方指数背书但仍需页面确认,后者是内部未具名对比。依据: Google 博客原文对前者给出了机构名与版本号,对后者只写了"another lab's large frontier model"。可验证指标: Artificial Analysis 公开页面是否上线 Carbon;Chrome 团队是否给出可复现的补丁质量评测。
2. 值得关注的信号
发布顺序比分数更能说明 Google 的顾虑。依据: 一个号称综合第一的模型,首发对象被限定在网络防御方,且同期参与政府前发布测试。成立条件: 只有当这类能力被证明可被直接用于攻击时,定向首发才是理性的;若后续 GA 迅速放开,则说明限发更多是流程性而非风险性考量。可验证指标: Fairwind Program 的扩展速度与 GA 间隔。
3. 对读者的启示
作者推断:对绝大多数团队,近期真正可用的变化不是 Carbon 本身,而是两周一代的发布节奏带来的价格与可获得性波动。依据: Argon 到 Carbon 仅两周,且两家头部厂商同期都在压低 agent 工作负载的单位成本。可验证指标: 各家缓存输入价格与每任务成本的公开对比测试。
十二、安全与伦理
1. 突破的边界
被推高的是"自动化攻防闭环"的能力边界:同一模型既能发现、验证并修复漏洞,也能把这套流程反向使用。Google 明确把这些基准标注为"无护栏评估",说明它自己也区分了能力上限与部署后行为。不成立的条件: 若三家基准的测试集与实际生产软件分布差异很大,实验室分数不代表真实攻防效果。第三方/红队结果: 本期未检索到针对 Carbon 的独立红队评测。
2. 新增风险面与安全措施
新增风险面主要是双用途滥用(自动化漏洞挖掘与利用)。已披露的安全措施包括:多层安全栈(训练、实时滥用防御、提示注入韧性、思维链监控)、对齐训练加强、捷径抑制、定向发放、参与美国政府前发布测试。覆盖范围:官方未说明这些措施在无护栏评估下是否生效——恰恰相反,基准分数是在无护栏条件下测得的。
3. 硬性约束与价值争议
官方要求层面: 美国的前沿模型前发布测试为自愿流程,Google 称正在参与;这属于自愿而非强制。价值取舍: Google 选择了"防御方优先"的发放顺序,把能力先给防守侧;代价是广大开发者与企业在可预期的时间内无法使用或验证。作者看法: 这种排序在双用途能力上是合理的工程选择,但它同时让外部无法独立检验这些分数,客观上削弱了公关叙事的可核查性——这一点应作为阅读前提,而不是对 Google 的指责。
- Google DeepMind 官方博客