发布了什么

2026 年 10 月 28 日，Google 发布 Gemini 4 Carbon，官方说法是在编码、代理任务和网络安全三项上都有「显著提升」。The Verge 记者 Emma Roth 的报道提到：Carbon 在 Artificial Analysis Intelligence Index（v5.0） 上排第一，排在 Claude Opus 5.5 和 GPT-6 Astra 之前，并且相对本月早些时候发布的 Argon 有明显改进。

最容易被忽略的是分发范围：Carbon 不是通用开放。Google 先把它交给一批网络安全防御公司，之后通过 Fairwind 计划 扩大。这一句话决定了其余内容该怎么读。

两项安全基准分别在测什么

两个结果值得单独拎出来，因为它们测的不是一回事：

  • SEC-bench Pro 测模型能不能找出真实世界里的漏洞。Google 说 Carbon 排第一，并且在这项上赢了 GPT-6 Astra。
  • ExploitGym 测模型能不能把漏洞变成可用的攻击。Carbon 在这项上也是第一。

这两项放在一起，就是「先给防守方」的原因：一个在「找漏洞」和「把漏洞武器化」上都更强的模型，从厂商角度是双用途资产。先给安全团队、后给大众市场，是有意的排序，不是产能不足。

对代理真正重要的三条

比榜单名次更值得看的是三句话，因为它们正好对应代理真实翻车的方式：

  1. 长任务。 Google 说内部团队见过 Carbon 在复杂多步工程任务上「连续跑好几天，卡进死胡同还能继续推进」。能不能长时间坚持，是演示和干活的区别。
  2. 抗提示注入。 Google 声称 Carbon 更不容易被提示注入带跑。对任何要读不可信文本——网页、邮件、PDF——的代理来说，这才是真正的漏洞面，不是跑分。
  3. 少说没依据的话。 Google 说 Carbon 的「无依据断言」比 Argon 少一半。实际含义是幻觉率下降：你不会读到一句凭空编出来、却和文件对不上的话。

这三条都还没有第三方验证，而且都是出了名难测的行为，模型也不在公众手里。

只给防守方这件事，比排名更重要

一个登顶但你调不到的模型，是信号不是工具。实际影响有三点：

  • 暂时不构成价格压力。 Carbon 报价输入 2 美元、输出 10 美元每百万 token，与 Argon 首发价相同。在通用开放之前，它无法压低别人的价格。
  • 没有独立评测。 第三方测不了自己拿不到的东西。
  • 路线图风险。「最终会扩大」是发布稿里约束力最弱的一句话。

对做桌面代理的人来说，诚实的结论是：盯着它，别围着它做计划。

今天就能用上的部分

在自己机器上跑代理，真正能用的是 Carbon 被考核的那张清单，而不是模型本身：

  • 测长时间坚持。 给代理一个中间埋了死胡同的任务，看它是绕出来，还是编一个「已完成」。
  • 用你自己的文档测注入。 在代理会读的 PDF 或网页里放一句指令，看它会不会照做。
  • 数「没依据的句子」。 让代理总结五个文件，然后逐句回查。这个比例才是你真实的质量指标。

这三项测试跟模型无关，但它们决定了代理能不能被信任去碰桌面上一个真实的文件夹。MOOGH 的设计就是让这三种失败都看得见：执行前先把计划摆出来、动作全程记日志、超出授权文件夹就停下来等批准。下载 MOOGH，拿这张清单去测一个桌面代理。

相关阅读

常见问题

跟 Anthropic 的对比成立吗？

榜单是第三方做的，所以排序至少不是 Google 自评。但它在你这类任务上是否成立是另一回事——榜单是对你没做过的任务取平均。

「能跑好几天」可信吗？

Google 归因于内部团队，没有公开的执行记录。多天运行通常受限于上下文管理和成本，而不是原始能力，所以把它当方向，别当规格。

要不要因此换模型？

别因为一个未开放的版本换。今天想要更好的抗注入能力，能动的杠杆是架构——范围、审批、日志——而不是一个你调不到的模型。