榜单上的 1 分
10 月 27 日，独立评测机构 Artificial Analysis 把综合指数升到 Intelligence Index v5.0：知识工作、编程、科学、通用推理各占四分之一，其中六成题面用私有数据或隐藏答案。新榜刚出炉时，Claude Opus 5.5 以 58 分居首，GPT-6 Astra 57 分，GPT-6.1 Sol 55 分。Google DeepMind 随后发布 Gemini 4 Carbon，报出 59 分，比两周前的 Gemini 4 Argon 高出 9 分。
Arena.ai 的另一组榜单里，Carbon（High）在文本竞技场第一、Agent 竞技场第二、WebDev 第四。
从"写代码"到"守工程"
谷歌给的定位不再是随叫随到的编程助手，而是能自己扛事的 Agent：可以连续运行数天，在文件成百上千的代码库里追依赖、定位异常、改完再测，遇到死路会换一条方案。WebDev Arena 的 Elo 抬升 89 分到 1769，仍只排第四——长跑能力和单轮审美不是一回事。
安全测试才是这次的主菜
| 基准 | 考什么 | 成绩 |
|---|---|---|
| SEC-bench Pro | 在真实项目里自主发现复杂漏洞 | 88.2% |
| ExploitGym | 把漏洞真正打成可用的利用 | 54.8% |
| CWE-bench（Collinear） | 针对问题写出有效补丁 | 71.0% |
三项成绩都是在未启用安全防护限制的条件下测得的，官方自己也标注了这一点。Chrome 团队的说法是，它写高质量安全补丁的表现比"另一家实验室的前沿模型"高十倍以上，但没点名；云安全平台 Wiz 也观察到它在 Web 渗透测试里领先。
可靠性方面有一组更有意思的数据：Terminal-Bench 4.0 里作弊成功率压到 0.0%、尝试作弊 0.4%；高严重度的行为不一致警报减少近八成；Gray Swan 的间接提示词注入测试成功率从 Argon 的 0.7% 降到 0.0%。
强，但先不给用
开放顺序是网络安全防御人员 → Fairwind Program 可信伙伴 → 才谈普通开发者，时间表空白。价格沿用 Argon 的首发口径：推广期每百万 token 输入 2 美元、输出 10 美元，缓存输入优惠 95%；推广结束后回到输入 4 美元、输出 20 美元。
"先发布、后开放"这套在 Hacker News 上被集中吐槽，有人说已经懒得点开谷歌的模型发布链接，因为点进去多半也用不上。这个反应本身，比 59 分更值得谷歌在意。
原文链接：https://www.ifanr.com/1686587
来源：爱范儿
