Chaen.ai 合作咨询

AI新闻

Gemini 4 Carbon 评测 长文本与自动化夺第一

🗓 ⏱ 4 分钟阅读

English日本語

XFacebookLINEはてブ
Gemini 4 Carbon 评测 长文本与自动化夺第一

谷歌发布 Gemini 4 Carbon,综合指标 AA Index v5.0 以 59 分排第一。本文整理它在长文本阅读、业务自动化和安全上的领先,以及在高难度编码和电脑操作上仍落后的部分,并说明价格与开放顺序。

谷歌发布了下一代模型 Gemini 4 Carbon,在综合指标上拿到第一,距离上一代 Argon 只有两周。我还没能实际试用,所以下面不写体感评价,只根据公开数字来读:它在哪里真的领先、在哪里仍然落后,以及企业应该先验证什么。最后会补一段日本市场的视角。

Gemini 4 Carbon 发布了什么

主要数字:

  • 综合指标 AA Index v5.0:59 分,第一
  • 长文本阅读 GraphWalks:96.2%
  • 业务自动化 AutomationBench:53.9%
  • 漏洞发现 SEC-bench Pro:88.2%

除了分数,有三件事同样重要。

第一,开放是分阶段的。先限定提供给网络防御领域的专家,开发者、企业和普通用户随后依次开放。也就是说,今天并不是所有人都能用上。

第二,价格。导入期为每百万 token 输入 2 美元、输出 10 美元,与 Argon 持平;之后变为 4 美元和 20 美元。

第三,除了能力,还公布了两项质量指标:缺乏依据的断言约为 Argon 的一半,提示注入攻击的成功率为 0%。

另外谷歌自己也说明了一点:其他公司模型的数字来自各家自行申报,不是在同一条件下重测的结果。

说实话,让我印象最深的不是任何一个分数,而是「两周」。前沿模型在两周内被自己的下一代替换。如果一家公司用半年评估、按年度采购,那么评估还没走完,模型已经换过两轮。发布节奏和决策节奏之间的落差,才是多数企业真正要面对的问题。

优势集中在长文本、业务自动化和安全

把三个模型并排看(Carbon/Opus 5.5/Astra):

  • 综合 AA Index:59/58/57
  • 最大 100 万 token 的长文本阅读:96.2%/66.8%/71.8%
  • Zapier 业务自动化:53.9%/42.5%/41.4%
  • 终端操作类编码:65.2%/59.6%/59.1%
  • 攻击验证 ExploitGym:54.8%/34.5%/42.4%

先看综合分:59、58、57。「世界最强」这样的标题会让人以为差距很大,实际上综合只差 1 分。只读排名很容易高估。

真正的差距在单项,而且最大的一项是长文本阅读:96.2% 对 66.8% 和 71.8%,在最大 100 万 token 的读解上接近 30 个百分点。在这次公布的全部数字里,这一项最有可能改变你实际能交付的东西。

安全是第二个亮点。漏洞发现、攻击验证、漏洞修复三类全部第一,ExploitGym 领先第二名 12 个百分点以上。0% 这个数字在不知道测试条件的情况下不好评价,但结合开放顺序可以看出这次发布的重心在哪里。

业务自动化是第三项:53.9% 对 42.5% 和 41.4%。不过要注意,刚过一半意味着接近每两个任务就有一个没完成。这是进步,不是可以放手不管。

没有全胜:高难度编码和电脑操作

不提这一段的介绍文章价值有限。

  • 高难度实务编码 FrontierSWE:GPT-6 Astra 65.5%,Carbon 61.2%
  • 操作电脑的 OSWorld:Claude Opus 5.5 87.2%,Carbon 81.5%

有意思的是「编码」已经不是一个能力了。终端操作类编码 Carbon 以 65.2% 排第一,而更接近真实工程的 FrontierSWE 是 Astra 更高。说某个模型「擅长编码」这种说法太粗,已经不足以支撑决策,必须说清是哪一类编码。

电脑操作同理。OSWorld 上 Opus 5.5 领先约 6 个百分点,如果你的场景是让智能体点击桌面应用,该看的就不是综合排名。

再加上他家数字为自行申报这一点,结论很简单:把排名当成候选名单,而不是判决书。按用途分开选模型,这个状态还会持续一段时间。

价格与分阶段开放透露的信息

导入期沿用 Argon 的价格,之后翻倍。这件事在落地时很要紧。如果按 2/10 美元做预算,等进入正常价格,产品没有任何变化,成本却变成两倍。验证要趁便宜的时候做,报价和立项按 4/20 美元来算。

开放顺序本身也是一条信息:安全专家优先,其他人依次。宣传的重心和分发的顺序是一致的。对规划来说还意味着,你最感兴趣的能力可能一段时间内还轮不到你,所以等待期该做的是把对象和输入整理好。

日本市场怎么看 对企业意味着什么

日本的 AI 落地高度依赖文档:内部规章、合同、会议记录、规格书,还有很长的审批留痕。这让长文本这一项在日本格外重要。100 万 token 阅读上接近 30 个百分点的差距,正好对应日本企业真实交给 AI 的工作。

日本企业从哪里开始验证

从差距最大的地方开始。挑一个需要阅读长篇、互相引用资料的业务,在相同条件下和现在用的模型对比跑一遍。这是最便宜的方式,用来判断基准分上的差距在你这里是否真的出现。

自动化的数字要谨慎看待,它是在 Zapier 上测的。日本现场更多建立在核心系统和层层审批流程之上,SaaS 连接器基准的分数不会原样迁移过来。更实用的做法是自建评测集:固定十个代表性任务,各自有已知的正确答案,每次有新模型就跑同一组十个。做到这一点的团队不会被两周一次的更新搞乱;没做的团队每次都要从头争论选哪家。

安全类用途要接受自己在排队。现在能做的是准备:确定会指向哪些代码库和资产、提前取得测试许可,等开放到自己手上时用几天而不是几个月完成评估。

海外 AI 公司在日本发布时

  • 先讲任务,再讲排名。综合只差 1 分,「哪个业务会变快」在日本媒体和企业里比「世界第一」走得更远。
  • 写清楚今天谁能用。分阶段开放如果不在开头点明对象,咨询会很混乱。
  • 导入期价格和正常价格一起公布。日本的内部审批要年度费用,只给导入期价格过不了。
  • 明确写出竞品数字为对方自行申报。在这个市场,这一行带来的信任超过一个更强的说法。

在日本,克制而可核验的表达比一个大数字更持久。

怎样用在自己的公司

三件事。选一个长文档任务,拿到权限后就和现在的模型做对比。固定一组十个评测任务,每次模型更新都跑,让比较只花半天而不是一个季度。预算按正常价格而不是导入期价格来做。当前沿每两周就移动一次,快速测量的能力比一次选对的能力更值钱。

常见问题

现在就能用 Gemini 4 Carbon 吗?

不一定。先限定提供给网络防御领域的专家,开发者、企业和普通用户随后依次开放。发布当天并非所有人都能使用。

Gemini 4 Carbon 的价格是多少?

导入期为每百万 token 输入 2 美元、输出 10 美元,与上一代 Argon 持平;之后变为 4 美元和 20 美元。做预算时建议按正常价格计算。

它是否全面超过 GPT-6 Astra 和 Claude Opus 5.5?

不是。高难度实务编码 FrontierSWE 上 GPT-6 Astra 以 65.5% 领先 Carbon 的 61.2%,操作电脑的 OSWorld 上 Claude Opus 5.5 以 87.2% 领先 81.5%。Carbon 在长文本阅读、业务自动化和安全三项第一,且其他公司的数字来自各家自行申报。

根据 X 帖子整理原帖 ↗

分享这篇文章

XFacebookLINEはてブ

作者

茶圓 将裕
茶圓 将裕 DigiRise 株式会社 创始人兼 CEO

DigiRise 株式会社 CEO。为600多家企业、5万多人提供AI培训、咨询与开发支持。GMO AI & Crypto 顾问、Google Gemini AI 顾问。X 粉丝超过20万。