正文 · 原文
能连肝数日修Bug，免疫提示词注入
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
Argon发布两周啊，谷歌火速掏出新旗舰Gemini 4 Carbon。
这次一举 超越Claude Opus 5.5 和 GPT-6 Astra。
在刚刚更新的Artificial Analysis智能指数5.0中 以59分的高分强势登顶全球第一。
两周前谷歌刚发Gemini 4 Argon时，硅谷还在热议谷歌内部泄露的一个神秘存档点“Carbon”，当时内部工程师给出的评价还是“编程体感逼近Opus 5.5”。
没想到短短半个月，正式版Carbon不仅在智商与长程编程上完成了对Opus 5.5的正面反超，更在代码安全与防作弊上大幅领先。
甚至点亮100%免疫提示词注入天赋。
这什么残暴的进步速度，RSI真让他们给玩明白了？
Carbon首发阶段延续了Argon的半价折扣， 输入2美元/百万Token、输出10美元/百万Token ，账面单价仅为Opus 5.5 （$4/$20） 的一半。
并且针对Agent任务高频使用的缓存命中输入 （cached input） 给出了 95%的骨折价优惠 （低至0.2美元/百万Token） 。
超越Opus 5.5，还能连肝数日死磕底层Bug
两周前发布的Gemini 4 Argon虽然在长文本和多模态上表现惊艳，但在综合智能指数 （53分） 和部分硬核终端任务上，依然被Opus 5.5压了一头。
这一次，Gemini 4 Carbon精准补齐了最后一块拼图，直接将能力推向了“全天候自主工程师”的形态。
在谷歌内部的实战编程环境中，研发团队观察到令人瘫坐的一幕：
Carbon能够 连续运行好几天 ，在庞大复杂的代码库和底层系统中自己摸索；哪怕中途多次撞上“死胡同” （dead ends） ，它也能持续死磕到底，独立完成复杂的多步工程任务。从顺藤摸瓜定位极其隐蔽的Bug根因，到最终写出修复补丁，一气呵成。
Carbon能够 连续运行好几天 ，在庞大复杂的代码库和底层系统中自己摸索；哪怕中途多次撞上“死胡同” （dead ends） ，它也能持续死磕到底，独立完成复杂的多步工程任务。从顺藤摸瓜定位极其隐蔽的Bug根因，到最终写出修复补丁，一气呵成。
这种长线执行能力直接体现在了多项硬核指标的反超上：
命令行与终端工程
在Terminal-Bench 4.0 （AA测试集） 中，Carbon拿到 65.2% ，领先Opus 5.5 （59.6%） 和GPT-6 Astra （59.1%） ；
在科学终端任务Terminal-Bench-Science 0.1上同样以 64.8% 位列第一 （Opus 5.5为59.0%） 。
超长上下文与多步决策
在256k至1M上下文的GraphWalks测试中，Carbon拿到 96.2% ，大幅甩开Opus 5.5 （66.8%） 和Astra （71.8%） ；
在模拟长周期商业经营的Vending-Bench 2中，Carbon最终账户余额达到 16,484美元 ，接近Opus 5.5 （9,235美元） 的1.8倍。
全栈开发与企业任务
在WebDev Arena上，Carbon凭借前端组件与输出质量的提升，Elo分数上涨89分来到 1769分，虽然是 全球第四，但平均任务成本更低。
在衡量企业级工作流价值的Vals Index v2.2上也以 70.4% 微弱领先Opus 5.5 （70.2%） 。
不过，从第三方评测机构Artificial Analysis的拆解来看， Opus 5.5在纯代码工程领域依然保有一部分护城河 。
例如在谷歌自己公布的表格中，有两项指标Carbon未能登顶：
一项是衡量前沿软件工程的 FrontierSWE 2 ，GPT-6 Astra （65.5%） 与Opus 5.5 （62.3%） 依然排在Carbon （61.2%） 前面；
另一项是计算机操作基准 OSWorld-2.1 离线子集，Opus 5.5以87.2%保持第一 （Carbon为81.5%） 。
此外，在搭配各自官方CLI工具的Coding Agent专项指数上，Carbon配合谷歌Antigravity CLI得分为59分，仍以3分之差次于Claude Code加持下的Opus 5.5 （62分） 。
这一波反重力还是拖了哈基米的后腿。
但对于开发者而言，Carbon真正的杀伤力在于 Token消耗效率 。
独立评测数据显示，Opus 5.5虽然能力强，但推理过程极为冗长，完成单次Intelligence Index评估平均要消耗 17.3万输出Token。 而Carbon仅需 12.3万Token ，输出量减少了29%。
这意味着，即便未来Carbon恢复到与Opus 5.5相同的$4/$20标准定价，Carbon的单次任务平均成本 （$7.76） 也比Opus 5.5 （$10.04） 低23%左右 。
如果算上目前$2/$10的首发半价，Carbon在实际生产环境中的账单成本还不到Opus 5.5的四成。
补齐AI编程从“挖洞”到“打补丁”全满贯
除了常规编程，谷歌此次将Carbon的核心差异化卖点押注在了 网络安全防御全生命周期 上。
这也是被逼的没办法，总不能看着家前沿模型天天挖Chrome浏览器和安卓系统的漏洞是吧。
（以下外部基准测试均在移除安全护栏的满血状态下评估） ：
第一步：大海捞针找真洞 （Finding real vulnerabilities）
网络安全防御的核心，是赶在黑客之前从真实软件中揪出深藏的复杂缺陷。在包含V8引擎、Linux内核等真实高危漏洞的 SEC-bench Pro 测试中，Carbon拿下了 88.2% ，不仅大幅甩开前代Argon （78.8%） ，更直接超越了OpenAI的GPT-6 Astra （85.4%） ，创下全新SOTA。
第二步：实战推演验风险 （Validating risk through exploitation）
面对成百上千个潜在漏洞，安全团队到底该先修哪一个？这需要模型像真正的攻击者一样，去验证哪些漏洞是真正可被利用的 （exploitable） 。
在著名的漏洞利用基准测试 ExploitGym 上，Carbon以 54.8% 的成绩再次刷新SOTA （此前Argon为35.1%） ，帮防御者精准排定修复优先级。
第三步：直击病灶打补丁 （Patching at the root cause）
找到并验证漏洞后，终极考验是直接写出能跑通、且不破坏原有功能的修复代码。在Collinear推出的 CWE-bench （涵盖73种常见弱点枚举的真实仓库审计修复测试） 中，Carbon达到了 71.0% ，全面碾压Claude Opus 5.5 （67.0%） 和Argon （68.0%） 。
除了刷爆外部榜单，Carbon在谷歌内部安全基准测试中，Carbon生成安全代码的成功率比Argon 提升了2倍以上 。
更夸张的战报来自谷歌自家的 Chrome浏览器团队 ：在生成高质量安全补丁的实战对比中，Carbon的表现比另一家顶级实验室的大型前沿模型强出10倍以上。
整治Agent作弊，提示词注入100%免疫
模型在终端里连续跑几天，最令开发者头疼的往往不是算力账单，而是模型在遇到高压复杂任务时开始“耍小聪明” （Shortcut & Loophole Exploitation） 。
此前针对Terminal-Bench 4.0的第三方审计就曾揭露，不少高分模型在修不好Bug时，会通过修改测试脚本或走漏洞来伪造“测试通过”。针对这一顽疾，谷歌在Carbon的对齐训练上做了一次重点收敛：
作弊成功率直接干到0.0%
在终端操作基准 Terminal-Bench 4.0 上，Carbon在大幅提升整体准确率的同时，将“成功作弊率”硬生生压到了 0.0% ，连尝试走捷径作弊的比例都跌至 0.4%。
在谷歌内部团队的实况编程环境中，高严重性的失调警报 （misalignment alerts） 更是暴跌了 近80% 。
拒绝不懂装懂，幻觉率远低于竞品
在内部测试中，Carbon做出无根据断言 （unsupported claims） 的频率比Argon 降低了约2倍 。
面对证据缺失或操作受阻，它不再含糊其词或强行脑补，而是把方法论的局限性直接写进交付文档，或者拉出一张清晰的清单告诉人类“还缺什么条件”。
不懂就问，明确执行边界
面对模糊不清的需求，Carbon不会盲目瞎猜或强行推进，而是先检索相关信源，把发现的矛盾点摆到台面上与用户确认。
在端到端执行多步计划时，它的 越界操作 （overreach） 减少了26%，敷衍漏做 （under-service） 减少了29%。
提示词注入100%免疫
当Agent在野外读取网页、邮件和外部代码库时，极易遭到“间接提示词注入” （IPI） 的劫持。
在Gray Swan IPI基准测试中，前代Argon曾以0.7%的极低被攻破率领跑全。
而这一次，Carbon直接交出了 0.0%攻击成功率 的满分答卷，成功抵御了评估中的每一次攻击尝试。
14天闪击战背后：RSI全面提速
从9月底亮相、两周前刚刚全面铺开的Gemini 4 Argon，到今天横空出世、全面反超Opus 5.5的Gemini 4 Carbon。
CEO劈柴哥在x上更是凡尔赛地调侃道 （doge） ：
我之前就说过，我们会 周期性地 发布模型……现在向大家介绍Gemini 4 Carbon。
我之前就说过，我们会 周期性地 发布模型……现在向大家介绍Gemini 4 Carbon。
结合此前曝出的内部信息来看，谷歌实际上在内部同时并行训练和评估了Argon、Barium、Carbon等多个Gemini 4存档点 （其中公开发布的Argon实为内部的Barium-B存档点） 。
在官方公告不起眼的角落里，谷歌DeepMind高级副总裁、首席AI架构师Koray Kavukcuoglu透露了真正的秘密：
“我们的研究人员正与我们的模型携手并进 （working hand in hand） ，以更快的速度推进能力演进，同时同步强化安全护栏。”
“我们的研究人员正与我们的模型携手并进 （working hand in hand） ，以更快的速度推进能力演进，同时同步强化安全护栏。”
换句话说，用最顶尖的AI去辅助训练、评估和优化下一代AI，已经在谷歌内部真正转了起来。
不过，谷歌还是你谷哥，发布≠上架。
由于Carbon具备较强的漏洞挖掘与利用能力，还要进行发布前测试流程。从本周开始，Carbon将率先向一部分网络安全防御人员开放。
还记得Argon从发布到真正给你用过了多久吗，这次等的也不会短就是了。
眼下Anthropic上市的关键节点上，这下该把Fable 5.5放出来了吧？
至于沉迷发中杯Terra模型和短信通知Dot的OpenAI，我祝他好运。
参考链接：
[1]https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/
[2]https://x.com/sundarpichai/status/2115489219804352921?a=TCW5gQam8bc7T7enVWo&s=20