Gemini 4 Carbon 让谷歌重回第一：赢 1 分，而且你今天用不上

谷歌发新模型了。北京时间 10 月 29 日凌晨 1 点，官方博客上线，标题写着「our next frontier model」，正文第一句两个卖点：state-of-the-art 的网络安全能力，和 long horizon（长时间连续作业）能力。

「重回世界第一」这个说法，也不是空穴来风——Artificial Analysis 的 Intelligence Index v5.0 上，Gemini 4 Carbon 拿了 59 分，排第一。第二名 Claude Opus 5.5 是 58，第三名也是它，57。

所以这篇不打算唱反调。它确实是第一。问题在于这个「第一」有多厚，以及你能不能摸到它。

两件事先摆出来：赢第二名 1 分；综合榜第一条评价只有四个字——no publicly available API。剩下的全是这两句的脚注。

一、先说那个 1 分

榜单是 Artificial Analysis Intelligence Index，刚更新到 v5.0，聚合九项评测：AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2（困难子集）、Terminal-Bench-Science。

59 对 58 对 57。看到这个数列，先别急着庆祝——第二和第三是同一个模型的两种思考档位。Opus 5.5 在 Max 档拿 58，在 Xhigh 档拿 57。

这句话翻译一下：谷歌这次领先的幅度，小于对手自己调一档思考深度带来的落差。

也就是说，那 1 分不是「代差」，是「同一水平面上的抖动」。真实含义更接近于：三家现在挤在同一个分数带上，谁某天多训了一轮、多给了点算力，排序就会换。这种事这个月已经发生过不止一次了。

还有一处很多人跳过的细节：这个榜单是「刚更新到 v5.0」。评测项换了一版，历史分数不能直接对比。所以「重回」这个词严格来说不成立——上一版的第一名是谁、差多少，现在已经无从比较。换尺子之后的第一，是新尺子上的第一。

二、「发布」这个词，得加引号

Ars Technica 的标题干脆利落：「its latest frontier AI model that you can’t use」——最新的前沿模型，你用不了。

这不是标题党。Artificial Analysis 的模型页面上，Gemini 4 Carbon 的状态写的是「No publicly available API」。榜单机构都拿不到公开接口，只能按厂商提供的方式测。

谷歌自己的说法是「deliberate approach to rollout」——刻意放慢：

时间	谁能用	状态
本周开始	一小批 cyber defenders（网络安全防守方）	已开放
之后	通过 Fairwind Program 加入的可信合作伙伴	逐步放量
未定	开发者、企业、消费者	「as soon as possible」

公告里给了价格、给了基准、给了排名，唯独没给日期。这不是疏漏，这是标准操作：留一个「soon」在那儿，既不承诺，也不违约。

顺带说一句，谷歌还在参与美国政府的前置测试流程（pre-release model testing）。这个环节值得肯定，但它同时也意味着一件事：正式对你开放的时间，不完全由谷歌决定。

三、净值最高的那行小字：evaluated without guardrails

三个外部基准，谷歌给得很大方，都是百分数，都能查：

基准	测什么	分数
SEC-bench Pro	在真实软件里找真实漏洞	88.2%
ExploitGym	验证漏洞到底能不能被利用	54.8%
CWE-bench	从根因上打补丁	71.0%

但同一段话前面有一句括号说明，很不起眼：evaluated without guardrails，「在去掉护栏的情况下评测」。

这句为什么重要？因为它等于承认：这三个数字，不是你实际能用到的能力，是拆了安全限制之后的理论上限。真实产品里护栏一装回去，分数必然下来。

更该盯住的是中间那个 54.8%。拆了护栏，它也只证明了一半多一点的漏洞真的能被利用。剩下那 45% 是什么状态？找到了、报了，但没法证明后果——在漏洞管理里，这类发现的价值要打不少折扣。

我不认为这是黑点。ExploitGym 本来就是硬基准，54.8% 已经是它上面的最好成绩。但把它读成「AI 已经能自动打穿大部分系统」，那是把 without guardrails 那五个字吃掉了。

四、唯一一处谷歌主动认输的地方

整篇公告都在讲第一、讲领先、讲 state-of-the-art。只有一行是例外：

WebDev Arena 排第 4，1768 分，比上一代涨了 89 elo。

这行我特意留下来，因为它是全文唯一一个「不是第一却还是写出来」的数字。89 elo 的提升在竞技场里不算小，但谷歌没有把它包装成「登顶」——因为没法包装，榜上明明白白排第 4。

这个细节反而让我对前面那些数字多了一点点信任：当一家公司愿意在公告里写第 4 名，说明它知道读者会去查。

五、三个「比某模型好 N 倍」，全都没有名字

接下来是这篇最想吐槽的部分。公告里三处性能倍数，都长这样：

• 「在内部基准上，安全代码生成成功率是 Argon 的 2 倍以上」——哪个内部基准？方法没公开。
• 「Chrome 团队报告，高质量补丁生成能力比另一家实验室的大型前沿模型好 10 倍以上」——另一家是谁？不说。
• 「Wiz 观察到它在网络渗透测试基准上领先」——哪个基准？没细说。

「比某个不能说的模型好 10 倍」，是发布会文学的经典配件。它同时满足三个条件：听起来极强、无法被证伪、也不用承担比较对象选错了的责任。

我不是说这些数字是编的。Chrome 团队和 Wiz 都是真实存在的合作方，这种内部验证通常也真跑了。但当一篇文章里，可查的外部基准和不可查的内部倍数混在一起讲，读者的注意力会被后者带走——因为后者听起来更猛。这正是它被写进去的原因。

六、价格：介绍价五折，有效期保密

这部分谷歌总算给得干净：

项目	介绍期价格	介绍期结束后
输入	$2 / 百万 token	$4 / 百万 token
输出	$10 / 百万 token	$20 / 百万 token
缓存输入	输入价再打 95% off（约 $0.10）	按新基准价折算

两条要分开看。好消息是：新模型和 Argon 同价，没涨价。前沿模型换代不加价，这两年里不算常见。

坏消息是：标准价是介绍价的两倍，而介绍期什么时候结束，公告里没写。做年度预算的时候，按 $4 / $20 算。按 $2 / $10 算出来的数字，迟早要返工。

还有一点值得记一下：缓存输入打到 95% off，也就是 0.05 倍输入价。这个折扣力度目前是所有主流厂商里最狠的一档。如果你有那种「同一份超长上下文反复问」的场景，这个价格结构是真的香——前提是你先能用上。

七、安全那一段，数字漂亮得不像话

谷歌在公告里列了一串对齐（alignment）指标，我原样抄下来，因为它们确实好看：

• Terminal-Bench 4.0 上作弊成功率降到 0.0%，作弊尝试降到 0.4%，同时准确率还提升了。
• 内部实盘编码环境里，高危 misalignment 告警下降接近 80%。
• 无依据断言（unsupported claims）比 Argon 少约 一半。
• 越界（overreach）降 26%，欠服务（under-service）降 29%。
• Gray Swan 的间接提示注入基准上，攻击成功率 0.0%（Argon 是 0.7%）。

0.0%、0.0%、80%、一半——这些数字放在一起，反而让人想问一句：为什么全是「降」和「零」，没有一个是绝对水平？

因为这些都是相对 Argon 的改善，而 Argon 是两周前发的。两周。两周时间能把高危告警降 80%，要么说明上一代真的很差，要么说明这套内部指标的方差比想象的大。两种解释都不太好看。

提示注入 0.0% 那条我倒是愿意信一半：它明确写了是在 Gray Swan 的公开基准上，被攻击成功率为零的意思是「这一版评测里所有尝试都失败了」——注意是这一版评测。攻防是持续对抗，今天的 0% 不是明天的 0%。

八、还有一件事没人提：两周一代

Gemini 4 Argon 是两周前发布的。Carbon 建在它上面。

谷歌自己的措辞是「illustrates the pace at which we’re pushing the frontier forward」——展示我们推进前沿的速度。这句话是实话，也是问题。

对做产品的人来说，这意味着：你刚把 Argon 的调用接通、benchmark 跑完、prompt 调顺，下一代已经在路上了。模型选型从「年度决策」变成了「月度维护」。这不是谷歌一家的问题，但它是现在最激进的那家。

对写稿的人也一样。这篇发出来的时候，下一个代号大概已经在内部跑分了。

九、所以这次发布，该怎么看

该承认的

• 它确实拿了 AA Intelligence Index v5.0 的第一，59 分，有据可查。
• 网络安全这条线是真的下了功夫：三个外部基准都是当前最好成绩，不是自说自话。
• 和 Argon 同价、缓存 95% off，价格结构在前沿模型里算克制。
• 先给防守方、再放量，这个顺序在逻辑上站得住——找漏洞的能力给攻击者更危险。

该打问号的

• 1 分的领先，小于对手自己换一个思考档位的落差。这是同一水平带内的排序，不是代差。
• 榜单刚换到 v5.0，历史不可比。「重回第一」在方法论上不成立。
• 三个内部倍数全都没有比较对象的名字，无法复核，不该被当成结论引用。
• 外部基准是拆掉护栏跑的，不等于你上手就能有这个能力。
• 介绍价五折但没有截止日期，做预算按双倍算。

该等的

• 等到公开 API 开放，自己跑一遍真实任务。榜单分数和你的活儿之间，隔着一次完整的评测。
• 等到第三方在带护栏的条件下复现那三个安全基准。
• 等到有人把 Carbon 和 Opus 5.5 放在同一个 Max 档上正面对比——现在这个 59 对 58，档位都没对齐。

最后说回标题。谷歌这次确实回到了第一的位置，这点不用绕。但「重回世界第一」这个句式里，藏着一个已经不太成立的假设：存在一个稳定的、可以「回」的第一。

现在的真实状态是三家挤在一个分数带里，每隔几周换一次座次，而每一次换座次都会配一篇「登顶」的公告。这个「第一」的半衰期，大概和下一代的发布周期一样长。

赢 1 分是真的，第一是真的，你今天用不上也是真的。三句话同时成立，这才是这次发布的完整形状。