Google 于
2026 年 10 月 28 日发布 Gemini 4 Carbon，距离 Argon 扩大开放仅过去 15 天。Carbon 在编程、长上下文推理和网络安全任务上都有提升。目前它先向部分网络安全防御者开放，普通开发者还没有可公开调用的 API。
Google 发布公告、
Argon 开放公告一些高难度任务的进步相当明显：GraphWalks 长上下文测试从 Argon 的 84.2% 提升到 96.2%，ExploitGym 漏洞利用测试从 42.0% 提升到 54.8%。独立评测也显示 Carbon 比 Argon 更强，不过 Opus 5.5 仍领先于 AA 编程智能体榜，Carbon 也没有包揽各类办公任务的第一名。
Gemini 4 Carbon 相比 Argon，具体提升在哪里？
Google 公布了两款模型在软件工程、电脑操作和长上下文等任务上的成绩。表中的提升幅度以百分点计算。
| 任务与评测 | Argon | Carbon | 提升 |
|---|
| 软件工程：FrontierSWE 2 | 55.0% | 61.2% | +6.2 个百分点 |
| 电脑操作：Agents' Last Exam v1.1 | 69.0% | 77.4% | +8.4 个百分点 |
| 桌面任务：OSWorld-2.1 离线子集 | 74.7% | 81.5% | +6.8 个百分点 |
| 长上下文推理：GraphWalks | 84.2% | 96.2% | +12.0 个百分点 |
来源：
Google 模型评测报告。不同测试的任务和计分方式不同，百分比不能直接横向换算。
编程：更擅长处理复杂的软件工程任务
FrontierSWE 2 衡量软件工程能力。Carbon 比 Argon 高出 6.2 个百分点，但同一张对比表中，GPT-6 Astra 为 65.5%，Opus 5.5 为 62.3%，均高于 Carbon 的 61.2%。
Google 列举的内部用途包括：在大型代码库和底层系统中追踪 bug 根因，并持续排查和修复，有些任务会运行数天。Google 还表示，在内部安全代码生成测试中，Carbon 的成功率超过 Argon 的两倍。这里提升的是生成安全代码的成功率，并不等于所有编程成绩都翻倍。
Google 内部工程结果长上下文与电脑操作也有改善
GraphWalks 要求模型在 25.6 万到 100 万 token 的输入中完成图遍历任务。Carbon 的 96.2% 是该测试的广度优先搜索 F1 分数，反映它在长输入中追踪关系的能力，并不等于阅读任何百万 token 文档都能达到同样的准确率。
电脑操作方面，Carbon 在 Agents' Last Exam 得到 77.4%，在 OSWorld 离线子集得到 81.5%。后者仍低于 Opus 5.5 的 87.2%。这里的 OSWorld 结果来自 82 项无网络任务，不是开放互联网中的任意浏览操作。
评测设置与成绩网络安全：从发现漏洞到验证风险、修复代码
网络安全是这次发布的重点。Google 突出的三项测试分别涉及找漏洞、验证漏洞能否被利用，以及生成修复补丁。
| 评测 | 测什么 | Argon | Carbon |
|---|
| SEC-bench Pro | 发现漏洞并生成验证代码 | 83.4% | 88.2% |
| ExploitGym | 利用真实软件漏洞 | 42.0% | 54.8% |
| CWE-bench | 审计代码并修复漏洞 | 68.0% | 71.0% |
以上为
Google 发布公告中的成绩，公告说明网络安全评测关闭了模型防护机制。
SEC-bench Pro 不只要求模型描述“哪里可能有问题”，而是让智能体在可运行的目标环境里寻找漏洞、生成概念验证代码。
测试介绍
ExploitGym 的漏洞来自用户态程序、Google 的 V8 JavaScript 引擎和 Linux 内核。写出能实际触发漏洞的利用程序，与识别可疑代码是两种不同能力。Google 公布的这轮结果中，Carbon 比 Argon 提升了 12.8 个百分点。
ExploitGym 项目
CWE-bench 检查补丁是否既阻止了漏洞，又保留了软件原有功能。其独立榜单同样列出 Carbon 的程序验证 pass@1 为 71%，Argon 为 68%。每个模型对每项任务有四次尝试，榜单分别报告单次尝试和四次尝试的通过率。
CWE-bench 榜单与方法
CWE-bench 公开的一道例题是修复 Rust 图片占位符解码库：某些格式错误的字符串会让程序崩溃。合格补丁需要让无效输入返回可处理的错误，同时保证正常图片的输出不变。仅仅让程序“不再崩溃”，却把解码功能改坏，仍然不能通过。
独立评测：哪些项目领先，哪些还没有？
Artificial Analysis：综合能力第一，编程智能体第二
AA 在 10 月 28 日公布的评测中，Carbon 的 Intelligence Index v5 分数为 59，Argon 为 50。在衡量智能体知识工作的 AA-Briefcase 中，Carbon 从 Argon 的 1483 Elo 提升到 1609 Elo，但仍低于 Kimi K3.1 Pro 等模型；后者在这项评测中为 1678 Elo。
编程智能体榜中，Carbon high 搭配 Antigravity CLI 得到 59 分，Opus 5.5 max 搭配 Claude Code 得到 62 分。成绩包含开发工具和推理档位的影响，反映的是对应配置下整套智能体的表现。
AA-Omniscience v1.1 中，Carbon 的准确率达到 58%，比 Argon 高 10 个百分点；但报告的幻觉率从
4% 上升到 11%。
AA 发布评测AA 的这个幻觉率，只在未完全答对的问题中计算，分母包含错答、部分正确和放弃作答。比例上升，表示在这些回答中，直接答错的占比提高了，承认不确定或只答对一部分的占比相应降低。它不是“全部问题中答错了多少”的比例。
AA-Omniscience 计分方式Vals AI：金融、检索表现突出，编程排名相对靠后
Vals 同时测试专业工作和编程任务。Carbon 的部分成绩如下：
| 评测 | Carbon 成绩 | 公布排名 |
|---|
| Vals Index v2.2 综合指数 | 70.36% | 30 个模型中第 2 |
| Vals Finance Index 金融指数 | 66.35% | 34 个模型中第 1 |
| Legal Research Bench 法律检索 | 55.77% | 88 个模型中第 1 |
| Vibe Code Bench v1.1 | 89.06% | 122 个模型中第 8 |
排名核查于 2026 年 10 月 30 日，榜单上的模型数量可能变化。
综合榜第一是 Sonnet 5.5，分数为 70.85%。两者相差 0.49 个百分点，小于 Carbon 公布的 ±0.97 个百分点不确定范围，成绩比较接近。Carbon 在金融、法律检索上的排名，高于表中这项编程测试的排名。
Vals 评测结果Arena：用户确认完成任务的比例提高，任务耗时也更长
10 月 28 日的 Agent Arena 综合榜中，Carbon 排第二，Argon 排第七。用户明确确认任务完成的会话比例，Carbon 为 18.05%，Argon 为 12.84%。Carbon 在榜单上仍标注为 Preliminary（初步结果）。
Carbon 的会话耗时中位数也更长，为
11.4 分钟，Argon 为
7.6 分钟。这些会话的任务不同，数据描述的是平台上的实际使用情况，不是让两个模型完成相同任务的速度对照测试。
Agent ArenaFrontierCS 2：长任务评测暴露了哪些问题？
在
FrontierCS 2 于 10 月 29 日公布的独立评测中，Carbon 完成了 48 项中的 25 项，Argon 完成 26 项。两者均通过 Antigravity 对每个任务运行一次，每项最多用五小时改进已发表的代码实现。在双方都有提交结果的 45 项中，Carbon 的平均分为 57.6，Argon 为 52.9；平均分和通过任务数衡量的并不是同一件事。
评测团队检查了 Carbon 全部 25 个通过案例，发现其中三个利用了测试漏洞，且其中一个案例的通过依赖这一漏洞。首轮评测中另有三个运行因 CLI 对后台命令最多只等待 30 分钟而在提交前结束；团队以六小时上限重跑这三项后，其中一项通过。这些结果反映的是本次模型与工具的组合，不能当作所有使用环境下的失败率；读排行榜时，也需要看最终交付物和运行过程。
上下文、输入类型和输出能力
Artificial Analysis 模型页列出 Carbon 支持
100 万 token 上下文，可接收文本、图片、音频和视频，输出为文本。Vals 也列出了 100 万 token 的上下文。
支持多模态输入，指的是模型可以处理这些格式的材料，并不表示它能原生生成图片或视频。例如，用生成的 JavaScript 搭建 3D 场景，仍然是代码经浏览器渲染得到的效果。
Google 的公开 API 目录还没有 Carbon 的独立条目，具体请求参数、配额和控制选项尚未列出。因此，Argon 文档中的功能目前不能直接当作 Carbon 的公开 API 规格。
Google 模型目录现在能用 Gemini 4 Carbon 吗？
截至
2026 年 10 月 30 日，Google 公开模型目录尚未列出 Carbon，EvoLink 也暂未接入。Google 的首批开放对象是部分网络安全防御者，之后计划通过 Fairwind 逐步扩展至可信伙伴；普通用户的开放日期尚未公布。
Google 发布公告 ·
Google 模型目录最新接入状态、模型 ID、EvoLink 价格及上线提醒，请查看
EvoLink Carbon 模型页。目前可以先使用
Gemini 4 Argon。
常见问题
Carbon 会替代 Argon 吗？
Google 表示 Carbon 建立在 Argon 之上，但尚未宣布 Argon 的退役日期。Argon 仍在公开 API 目录中，两者不是可以直接互换的请求型号。
EvoLink Team产品团队
