返回首页 文章与观点 Blog
📚 · 共 4 篇

Google 发布 Gemini 4 Carbon:新榜首 59 分,但考卷没护栏,监考是自己家

Gemini 4 Carbon 三个外部安全基准第一,AA v5.0 拿 59 登顶,接 Opus 5.5 的 58。但分数是 Google 自己填的,模型发布当天普通用户还拿不到。拆一下这份成绩单里哪些是真的,哪些要等。

🎧 听这篇文章 --:--

Google DeepMind 品牌实拍(图源 TechCrunch)

本文视频版:真人开场收尾加动画拆解,125 秒讲完这份榜单的疑点。

早上那条微头条刚说过,Artificial Analysis 的新版 v5 榜单,闭源榜首是 Claude Opus 5.5,58 分。

那是榜单上线一刻的成绩。同一天晚些时候,Google 把新旗舰 Gemini 4 Carbon 放上了同一个榜:59 分,接管榜首。

三个安全基准,全是”发布时最佳”。SEC-bench Pro 88.2%,测从真实软件里挖漏洞;ExploitGym 54.8%,测能不能把已知漏洞变成可运行的攻击;CWE-bench 71.0%,测把漏洞修在根上。出题方倒是都硬——学界两家加创业公司一家,连 ExploitGym 的论文里都记着 OpenAI 模型越狱沙箱的前科,动的是真格。

Google 官方 TPU 数据中心实拍(图源 Google 官方博客素材)

但这份成绩单有个官方自己标注的脚注:”Carbon excels across key external benchmarks (evaluated without guardrails)”——无护栏跑分。带护栏的产品内表现是什么样,博客里没有对照数据。

安全数据更微妙。作弊成功率降到 0.0%,间接注入攻击抵抗 0.0%,高危 misalignment 告警降八成。看着漂亮,细看归因:几乎全是 Google 自测。Gray Swan 是真外部公司,出题是它的,可成绩单还是 Google 填的;”Wiz 也观察到 Carbon 领先”——Wiz 是 Google 自家子公司。

还有个细节。Google 公布的对比表格里没列 Kimi K3.1 Pro,而 AA 官网上 Kimi 在 Terminal-Bench 4.0 拿 67%,比 Carbon 的 65.2% 高。据 CellCog 核查,这才是完整的榜单。

Gemini 品牌标识(图源 the-decoder)

最狠的一刀是分发节奏。官方原话叫”deliberate approach to rollout”:本周起先给一小撮网络防御者,再经 Fairwind 计划逐步扩大——审批制,背景审查,650 多家伙伴。普通开发者?官方说法是”as soon as possible”,没有日期。发布当天,AA 的 Carbon 页面报错,OpenRouter 上只有上一代 Argon。满分模型,你摸不到,自然也没人能独立复测。

这套玩法有它的逻辑:能挖洞的模型也能造洞,先让防守方拿到手没毛病。但代价是”分数先行、验证缺席”的闭环——榜单第一是真的,验证是缺的。Carbon 到现在连专属安全报告都没有,官方那份责任开发深读只写了 Argon。

定价倒是实在,intro 价 2 美元每百万输入、10 美元每百万输出,缓存再打 95 折。注意脚注:intro 期结束后变 4 美元和 20 美元,截止日期没公布。

GPU 数据中心机房实拍(图源 ExtremeTech)

一个月两个旗舰,榜首只换了一天的人。Vince Cerf 说过互联网考验的是信任工程,模型榜单也一样——分数是一夜的事,验证是慢工。

你信 59 分,还是等别人复测?