Gemini 4 Carbon 基准测试第一 但无公开API

谷歌Gemini 4 Carbon(high)在Artificial Analysis智能指数中以59分登顶。本文解读Gemini 4 Carbon 基准测试的分数差距 以及在公开API尚未开放时企业能做的准备。
先说结论。谷歌的 Gemini 4 Carbon(high)在第三方基准测试机构 Artificial Analysis 的 Intelligence Index(智能指数)上拿到 59 分排名第一,与第二名 Claude Opus 5.5(max)只差 1 分。但图表里 Gemini 4 Carbon 被标注为「没有公开 API」,这条发布也没有给出开放时间和价格。所以我的理解不是「排名换人了」,而是「能真正调用之后才算开始」。下面写三件事:这组分数该怎么读、我自己选模型时怎么用综合指数、以及在 API 还没开放的这段时间里企业能做什么准备。
Gemini 4 Carbon 基准测试第一名的分数排列
这次指数的头部是这样的:
- Gemini 4 Carbon(high)59 分
- Claude Opus 5.5(max)58 分
- GPT-6 Astra(max)57 分
- GPT-6.1 Sol(max)55 分
第一到第三名是 59、58、57,每档只差 1 分;第四名比第三名低 2 分。榜单上谷歌确实站到了最前面,但头部之间的距离几乎可以忽略。Google DeepMind 的 Demis Hassabis 关于这件事只发了「No.1」一句,除此之外没有更多信息可读。
为什么我不把 1 分之差当成胜负
我把头部这几个称为三方混战,理由很直白:综合指数是把多项评测合成一个数字得出来的。只要其中某一项在下一轮稍有波动,头部的顺序就可能对调。把 1 分读成「谷歌赢了」,等到下次更新方向反转时,就没法在公司内部自圆其说了。
对实际工作真正有意义的信号不是顺序,而是「头部挤在一起」这个状态。无论选哪家,最前沿模型的原始能力已经落在差不多的区间里。那么决定选型的因素就会移到别处:能不能调用、多少钱、跑在哪里、自己的数据怎么处理。这条发布对这些问题一个都没有回答——它没有回答,本身就是信息的一部分。
每个分数后面都挂着一个设置
还有一个容易被跳过的细节:分数后面标着设置。Gemini 4 Carbon 是(high),而 Opus 5.5、GPT-6 Astra、GPT-6.1 Sol 是(max)。这些标签具体代表什么、各自的成本如何,从这条发布里看不出来。但它至少说明一件事:比较分数时要确认各自是在什么设置下测出来的。拿掉这个前提只看数字,比较就不是在同一条件下进行的。
「没有公开 API」是图里最重的一行
对在企业里推进 AI 的人来说,这次最重要的细节不是 59 分,而是 Gemini 4 Carbon 被当作「没有公开 API」处理。调用不了的模型进不了业务流程;开放时间和价格都没有写明,也就没法放进计划。
另一边,通过 API 能用到的最强 Gemini 是 Gemini 4 Argon(high)的 50 分,整体排第七。59 对 50。头条里的数字和今天真正能调到的数字之间有差距,把两者混在一起在公司内部传播,会造成很具体的混乱。如果只有「Gemini 第一」这一句话在公司里流传,一线工程师试用能调到的模型时的手感就会和它对不上。我习惯把两份清单分开写:
- 今天能调用的模型里最强的是哪个
- 已发布但还调不到的模型拿了多少分
就这一个习惯,能省掉数量惊人的无效会议。
Artificial Analysis 智能指数 v5.0 怎么看
Artificial Analysis 是第三方基准测试机构,自己不做模型,所以它的数字比厂商自己发布的成绩更适合横向比较。v5.0 的 Intelligence Index 是把 Terminal-Bench 4.0、FrontierCode 2.0、HLE-Diamond、GDP.pdf 等 9 项评测汇总成的综合指数。
综合指数好用,但也有它的性格:9 项变成 1 个数字的那一刻,长处和短处就溶进了平均值里——终端操作的结果和文档处理的结果被当作同一种「分」加在一起。所以我把综合指数当作缩小候选范围的工具,最后一定去看分项。如果业务偏代码生成,该看的分项和偏长文阅读时该看的并不是同一项。综合第一的模型,不等于在你的业务里也第一。
我的看法顺序
- 用综合指数把候选缩到几个
- 看最接近自己实际业务的分项评测
- 确认有没有公开 API
- 用自己的数据做一次短测试
跳过第三步,计划就会建立在买不到的东西上;跳过第四步,「它排第一」就成了唯一的理由,而这种理由一个月后往往就站不住了。
对日本企业和想进日本市场的海外公司意味着什么
对正在日本企业里推进 AI 的人来说,这条新闻的即时影响很小:没有 API 的模型进不了采购讨论。但还是值得记住一点——如果前沿模型持续挤在一两分之内,那么「哪个模型更聪明」这类长时间内部辩论的价值就在下降,而「能不能快速测」的价值在上升。先把评测环境搭好,等新模型带着公开 API 落地的那天,比较只要几天就能做完。每次排名变动就重新辩论一轮的公司,和能用自己数据直接测的公司,差距就出现在这里。
这件事也影响审批流程。日本企业的立项材料通常要经过多层审阅,「基准测试第一」是很容易写进材料的一句话,但它是弱支撑——排名可能在项目上线前就变了。我的建议是把用自己业务数据测出来的结果放在主论证里,外部基准测试放在补充位置。
对想在日本拿到进展的海外 AI、科技公司来说,这次发布的形式本身就是一个提示。英文圈里一句「No.1」自带传播力,不加解释也会有报道。但日本的采购负责人没法靠一个排名在公司内部推动事情。真正决定走不走的问题是:什么时候能用、多少钱、在日语下表现如何、数据放在哪里。分数回答不了这些,在回答之前,结果往往是「有报道但没有评估」。反过来说机会也在这里:能把开放时间、价格、访问方式同时讲清楚的发布,在日本市场格外有力。如果必须把消息拆成「能力发布」和「开放发布」两次,那就把面向日本的细节放进第二次,并把第二次当成真正的发布来做。
怎么用在自己公司
这条新闻能直接落到手上的事有三件,而且都不需要那个模型本身。
- 维护一张表:今天真正能调用的模型对应自己的用途,已发布但调不到的放在另一栏。这能防止一个头条扭曲路线图。
- 用自己的工作做一个小评测集,十题二十题就够。重点是新东西上线那天能立刻跑同一批题。
- 对内同步从「能用/不能用」写起,而不是从排名写起。
榜单还会动。能在一周之内测完,比知道这个月谁领先 1 分更有价值。
常见问题
Gemini 4 Carbon 现在能用吗
在这条发布的时点,它在图表上被标注为「没有公开 API」,开放时间和价格都没有给出。通过 API 能用到的最强 Gemini 是 Gemini 4 Argon(high),50 分,整体排第七。
Artificial Analysis 智能指数是什么
它是第三方基准测试机构 Artificial Analysis 发布的综合指数,该机构自己不做模型。v5.0 汇总了 Terminal-Bench 4.0、FrontierCode 2.0、HLE-Diamond、GDP.pdf 等 9 项评测。
第一名领先 1 分能说明实力差距吗
前三名是 59、58、57,每档只差 1 分,所以我把它们看成实质上的三方混战。综合指数由多项评测合成,任何一项稍有波动都可能让头部顺序对调。
根据 X 帖子整理原帖 ↗