谷歌Gemini 4 Carbon登顶第一：综合评分超越GPT-6，连续数天自主编程|carbon|智能体|知名企业|网络安全|自主编程|谷歌

谷歌又把大模型排行榜的第一名拿回来了。

距离上一款旗舰模型发布仅仅两周，谷歌 DeepMind 再次推出新模型，并在最新综合评测中超过了 Anthropic 和 OpenAI。

当地时间 10 月 28 日，谷歌正式发布新一代前沿模型 Gemini 4 Carbon。在独立评测机构 Artificial Analysis 最新公布的综合测评 Intelligence Index v5.0 榜单中，Carbon 以 59 分排名第一，超过 Claude Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分。

除了综合评分，Carbon 还在多项具体评测中超过两大竞争对手。在考察复杂编程任务的 Terminal-Bench 4.0 中，Carbon 得分达到 65.2%，超过 Claude Opus 5.5 的 59.6% 和 GPT-6 Astra 的 59.1%；在智能体综合能力测试 Agents' Last Exam 中，Carbon 以 77.4% 的成绩领先两者。此外，在科学研究、知识准确性和自动化任务等评测中，Carbon 也取得了领先成绩。

两款模型分别以化学元素氩（Argon）和碳（Carbon）命名。谷歌披露，新模型在编程、复杂推理、科学研究及网络安全等方面均取得了明显进展，甚至已经能够连续数天自主执行复杂的软件工程任务。

不过，这款刚刚登顶的模型暂时不会面向普通用户开放。谷歌决定优先将其提供给少数网络安全防御人员，并继续开展安全测试，再逐步扩大使用范围。

两周提升9分，谷歌重新登顶

此次 Carbon 登顶的时间点可以说非常赶巧。

就在新模型发布前一天，Artificial Analysis 刚刚推出 Intelligence Index v5.0，对原有的模型评测体系进行了较大调整。新版指数涵盖知识工作、编程、科学以及通用推理四个领域，各占总评分的 25%。

为了提高评测难度，新版指数引入了真实代码库中的编程任务、科学研究任务等新测试，并将采用私有测试数据或隐藏答案的评测权重提高至 60%，以降低模型通过接触公开测试题而获得高分的可能性。

10 月 27 日，新榜单刚刚公布时，Claude Opus 5.5 以 58 分领先，GPT-6 Astra 以 57 分排名第二，GPT-6.1 Sol 得到 55 分。相比之下，两周前发布的 Gemini 4 Argon 只有 50 分。

一天后，Carbon 的出现改变了排名。根据 Artificial Analysis 公布的独立评测结果，Carbon 在新版指数包含的九项测试中拿下四项第一，分别涉及高难度推理、科学研究、知识准确性和自动化任务。

在考察科学研究能力的 Terminal-Bench-Science 测试中，Carbon 取得了 64.8% 的成绩，超过 GPT-6 Astra 的 63.3% 和 Claude Opus 5.5 的 59.0%。在衡量知识准确性与幻觉问题的 AA-Omniscience v1.1 测试中，Carbon 得到 54 分，同样领先于 Claude Opus 5.5 的 48 分。

编程能力的提升同样明显。在谷歌公布的 Terminal-Bench 4.0 测试中，Carbon 得分为 65.2%，超过了 GPT-6 Astra 的 59.1%。

不过，Carbon 还没有在所有领域占据优势。Artificial Analysis 的 Coding Agent Index 显示，Carbon 得到 59 分，编程能力暂时仍落后于 Claude Opus 5.5 的 62 分。在另一项软件工程评测 FrontierSWE 2 中，Carbon 的 61.2% 也低于 GPT-6 Astra 的 65.5%。

总体来看，Carbon 在综合推理、科学任务和部分智能体任务上的进步更为突出，而复杂软件工程仍是头部模型竞争最激烈的领域之一。

已能连续数天编程，网络安全能力大幅提升

相比综合排名的变化，谷歌此次更加突出 Carbon 执行长时间复杂任务的能力。

过去，大模型已经能够根据自然语言生成程序，但处理大型软件项目仍然存在不少困难。一个隐藏在底层系统中的软件缺陷，可能涉及大量文件、复杂的调用关系和多轮调试，需要模型持续定位问题、修改代码，并根据测试结果反复调整方案。

谷歌表示，在内部实际编程环境中，研究团队已经观察到 Carbon 能够连续运行数天，处理大型代码库和底层系统中的复杂工程问题。即使中途遇到障碍，模型仍能继续寻找其他解决方案，最终定位并修复一些隐蔽的软件缺陷。

可见，AI 正在从完成单次编程请求，逐渐发展为能够长期承担工程任务的自主智能体。

其他方面，Carbon 在长上下文测试 GraphWalks 中取得了 96.2% 的成绩，高于 Argon 的 84.2%。在网页开发评测 WebDev Arena 上，其 Elo 评分提高了 89 分，达到 1768 分，排名第四。

而在此次发布中，网络安全是谷歌重点强调的另一项能力。软件安全工作通常需要经历多个环节：找到代码中的漏洞，判断漏洞能否被实际利用，再编写补丁完成修复。Carbon 在覆盖这三个环节的测试中均取得了领先成绩。

在漏洞发现测试 SEC-bench Pro 中，Carbon 得到 88.2%，超过 Argon 的 83.4% 和 GPT-6 Astra 的 85.4%。找到漏洞之后，还需要判断它是否真的能够被利用。在 ExploitGym 测试中，Carbon 的得分从 Argon 的 42.0% 提升至 54.8%，提高了 12.8 个百分点。