Gemini 4 Carbon 讓谷歌重回第一：贏 1 分，而且你今天用不上
谷歌發新模型了。北京時間 10 月 29 日凌晨 1 點，官方博客上線，標題寫着「our next frontier model」，正文第一句兩個賣點：state-of-the-art 的網絡安全能力，和 long horizon（長時間連續作業）能力。
「重回世界第一」這個說法，也不是空穴來風——Artificial Analysis 的 Intelligence Index v5.0 上，Gemini 4 Carbon 拿了 59 分，排第一。第二名 Claude Opus 5.5 是 58，第三名也是它，57。
所以這篇不打算唱反調。它確實是第一。問題在於這個「第一」有多厚，以及你能不能摸到它。
兩件事先擺出來：贏第二名 1 分；綜合榜第一條評價只有四個字——no publicly available API。剩下的全是這兩句的腳註。
一、先說那個 1 分
榜單是 Artificial Analysis Intelligence Index，剛更新到 v5.0，聚合九項評測：AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt v2（困難子集）、Terminal-Bench-Science。
59 對 58 對 57。看到這個數列，先別急着慶祝——第二和第三是同一個模型的兩種思考檔位。Opus 5.5 在 Max 檔拿 58，在 Xhigh 檔拿 57。
這句話翻譯一下：谷歌這次領先的幅度，小於對手自己調一檔思考深度帶來的落差。
也就是說，那 1 分不是「代差」，是「同一水平面上的抖動」。真實含義更接近於：三家現在擠在同一個分數帶上，誰某天多訓了一輪、多給了點算力，排序就會換。這種事這個月已經發生過不止一次了。
還有一處很多人跳過的細節：這個榜單是「剛更新到 v5.0」。評測項換了一版，歷史分數不能直接對比。所以「重回」這個詞嚴格來說不成立——上一版的第一名是誰、差多少，現在已經無從比較。換尺子之後的第一，是新尺子上的第一。
二、「發佈」這個詞，得加引號
Ars Technica 的標題乾脆利落：「its latest frontier AI model that you can’t use」——最新的前沿模型，你用不了。
這不是標題黨。Artificial Analysis 的模型頁面上，Gemini 4 Carbon 的狀態寫的是「No publicly available API」。榜單機構都拿不到公開接口，只能按廠商提供的方式測。
谷歌自己的說法是「deliberate approach to rollout」——刻意放慢：
| 時間 | 誰能用 | 狀態 |
|---|---|---|
| 本週開始 | 一小批 cyber defenders（網絡安全防守方） | 已開放 |
| 之後 | 通過 Fairwind Program 加入的可信合作伙伴 | 逐步放量 |
| 未定 | 開發者、企業、消費者 | 「as soon as possible」 |
公告裏給了價格、給了基準、給了排名，唯獨沒給日期。這不是疏漏，這是標準操作：留一個「soon」在那兒，既不承諾，也不違約。
順帶說一句，谷歌還在參與美國政府的前置測試流程（pre-release model testing）。這個環節值得肯定，但它同時也意味着一件事：正式對你開放的時間，不完全由谷歌決定。
三、淨值最高的那行小字：evaluated without guardrails
三個外部基準，谷歌給得很大方，都是百分數，都能查：
| 基準 | 測什麼 | 分數 |
|---|---|---|
| SEC-bench Pro | 在真實軟件裏找真實漏洞 | 88.2% |
| ExploitGym | 驗證漏洞到底能不能被利用 | 54.8% |
| CWE-bench | 從根因上打補丁 | 71.0% |
但同一段話前面有一句括號說明，很不起眼：evaluated without guardrails，「在去掉護欄的情況下評測」。
這句爲什麼重要？因爲它等於承認：這三個數字，不是你實際能用到的能力，是拆了安全限制之後的理論上限。真實產品裏護欄一裝回去，分數必然下來。
更該盯住的是中間那個 54.8%。拆了護欄，它也只證明了一半多一點的漏洞真的能被利用。剩下那 45% 是什麼狀態？找到了、報了，但沒法證明後果——在漏洞管理裏，這類發現的價值要打不少折扣。
我不認爲這是黑點。ExploitGym 本來就是硬基準，54.8% 已經是它上面的最好成績。但把它讀成「AI 已經能自動打穿大部分系統」，那是把 without guardrails 那五個字喫掉了。
四、唯一一處谷歌主動認輸的地方
整篇公告都在講第一、講領先、講 state-of-the-art。只有一行是例外：
WebDev Arena 排第 4，1768 分，比上一代漲了 89 elo。
這行我特意留下來，因爲它是全文唯一一個「不是第一卻還是寫出來」的數字。89 elo 的提升在競技場裏不算小，但谷歌沒有把它包裝成「登頂」——因爲沒法包裝，榜上明明白白排第 4。
這個細節反而讓我對前面那些數字多了一點點信任：當一家公司願意在公告裏寫第 4 名，說明它知道讀者會去查。
五、三個「比某模型好 N 倍」，全都沒有名字
接下來是這篇最想吐槽的部分。公告裏三處性能倍數，都長這樣：
- 「在內部基準上，安全代碼生成成功率是 Argon 的 2 倍以上」——哪個內部基準？方法沒公開。
- 「Chrome 團隊報告，高質量補丁生成能力比另一家實驗室的大型前沿模型好 10 倍以上」——另一家是誰？不說。
- 「Wiz 觀察到它在網絡滲透測試基準上領先」——哪個基準？沒細說。
「比某個不能說的模型好 10 倍」，是發佈會文學的經典配件。它同時滿足三個條件：聽起來極強、無法被證僞、也不用承擔比較對象選錯了的責任。
我不是說這些數字是編的。Chrome 團隊和 Wiz 都是真實存在的合作方，這種內部驗證通常也真跑了。但當一篇文章裏，可查的外部基準和不可查的內部倍數混在一起講，讀者的注意力會被後者帶走——因爲後者聽起來更猛。這正是它被寫進去的原因。
六、價格：介紹價五折，有效期保密
這部分谷歌總算給得乾淨：
| 項目 | 介紹期價格 | 介紹期結束後 |
|---|---|---|
| 輸入 | $2 / 百萬 token | $4 / 百萬 token |
| 輸出 | $10 / 百萬 token | $20 / 百萬 token |
| 緩存輸入 | 輸入價再打 95% off（約 $0.10） | 按新基準價折算 |
兩條要分開看。好消息是：新模型和 Argon 同價，沒漲價。前沿模型換代不加價，這兩年裏不算常見。
壞消息是：標準價是介紹價的兩倍，而介紹期什麼時候結束，公告裏沒寫。做年度預算的時候，按 $4 / $20 算。按 $2 / $10 算出來的數字，遲早要返工。
還有一點值得記一下：緩存輸入打到 95% off，也就是 0.05 倍輸入價。這個折扣力度目前是所有主流廠商裏最狠的一檔。如果你有那種「同一份超長上下文反覆問」的場景，這個價格結構是真的香——前提是你先能用上。
七、安全那一段，數字漂亮得不像話
谷歌在公告裏列了一串對齊（alignment）指標，我原樣抄下來，因爲它們確實好看：
- Terminal-Bench 4.0 上作弊成功率降到 0.0%，作弊嘗試降到 0.4%，同時準確率還提升了。
- 內部實盤編碼環境裏，高危 misalignment 告警下降接近 80%。
- 無依據斷言（unsupported claims）比 Argon 少約 一半。
- 越界（overreach）降 26%，欠服務（under-service）降 29%。
- Gray Swan 的間接提示注入基準上，攻擊成功率 0.0%（Argon 是 0.7%）。
0.0%、0.0%、80%、一半——這些數字放在一起，反而讓人想問一句：爲什麼全是「降」和「零」，沒有一個是絕對水平？
因爲這些都是相對 Argon 的改善，而 Argon 是兩週前發的。兩週。兩週時間能把高危告警降 80%，要麼說明上一代真的很差，要麼說明這套內部指標的方差比想象的大。兩種解釋都不太好看。
提示注入 0.0% 那條我倒是願意信一半：它明確寫了是在 Gray Swan 的公開基準上，被攻擊成功率爲零的意思是「這一版評測裏所有嘗試都失敗了」——注意是這一版評測。攻防是持續對抗，今天的 0% 不是明天的 0%。
八、還有一件事沒人提：兩週一代
Gemini 4 Argon 是兩週前發佈的。Carbon 建在它上面。
谷歌自己的措辭是「illustrates the pace at which we’re pushing the frontier forward」——展示我們推進前沿的速度。這句話是實話，也是問題。
對做產品的人來說，這意味着：你剛把 Argon 的調用接通、benchmark 跑完、prompt 調順，下一代已經在路上了。模型選型從「年度決策」變成了「月度維護」。這不是谷歌一家的問題，但它是現在最激進的那家。
對寫稿的人也一樣。這篇發出來的時候，下一個代號大概已經在內部跑分了。
九、所以這次發佈，該怎麼看
該承認的
- 它確實拿了 AA Intelligence Index v5.0 的第一，59 分，有據可查。
- 網絡安全這條線是真的下了功夫：三個外部基準都是當前最好成績，不是自說自話。
- 和 Argon 同價、緩存 95% off，價格結構在前沿模型裏算剋制。
- 先給防守方、再放量，這個順序在邏輯上站得住——找漏洞的能力給攻擊者更危險。
該打問號的
- 1 分的領先，小於對手自己換一個思考檔位的落差。這是同一水平帶內的排序，不是代差。
- 榜單剛換到 v5.0，歷史不可比。「重回第一」在方法論上不成立。
- 三個內部倍數全都沒有比較對象的名字，無法複覈，不該被當成結論引用。
- 外部基準是拆掉護欄跑的，不等於你上手就能有這個能力。
- 介紹價五折但沒有截止日期，做預算按雙倍算。
該等的
- 等到公開 API 開放，自己跑一遍真實任務。榜單分數和你的活兒之間，隔着一次完整的評測。
- 等到第三方在帶護欄的條件下復現那三個安全基準。
- 等到有人把 Carbon 和 Opus 5.5 放在同一個 Max 檔上正面對比——現在這個 59 對 58，檔位都沒對齊。
最後說回標題。谷歌這次確實回到了第一的位置，這點不用繞。但「重回世界第一」這個句式裏，藏着一個已經不太成立的假設：存在一個穩定的、可以「回」的第一。
現在的真實狀態是三家擠在一個分數帶裏，每隔幾周換一次座次，而每一次換座次都會配一篇「登頂」的公告。這個「第一」的半衰期，大概和下一代的發佈週期一樣長。
贏 1 分是真的，第一是真的，你今天用不上也是真的。三句話同時成立，這纔是這次發佈的完整形狀。