Gemini 4 Carbon 现已正式推出

1. Gemini 4 Carbon 现已正式推出

[!abstract] 速览

  • Google 推出最新前沿模型 Gemini 4 Carbon,在复杂知识工作、软件工程、网络安全和科学推理中展现卓越性能,并提供 /swarm 预览版用于多智能体协作。
  • 它在 CursorBench 4.0、Perplexity 的 WANDR 以及 Zapier 的 AutomationBench 上均排名第一,且单个任务的成本比同类次优模型低了 2 倍以上。
  • Gemini 4 Carbon 现已通过 Google AI Studio 中的 Gemini API 和 Gemini for Business 面向所有付费开发者和企业用户推出,其首发体验价与 Gemini 4 Argon 相同 (每百万输入 token 2 美元,每百万输出 token 10 美元)¹。
  • 通过 Fairwind 计划访问时,Carbon 在发现 (SEC-bench Pro)、利用 (ExploitGym) 和修补 (CWE-bench v1) 漏洞的关键基准测试中处于领先地位。
  • 在基于 ExploitBench 和 CyScenarioBench 构建的模拟网络攻击测试环境中,针对能够在每次被拦截后迭代优化攻击计划的 “自适应红队智能体”,Carbon 成功拦截了 99% 的攻击路径。

1.1. 摘要

Gemini 4 Carbon 是 Google 迄今最强大的模型,专为长周期智能体工作流设计。它在 CursorBench 4.0、WANDR 和 AutomationBench 基准测试中排名第一,且成本比次优模型低 2 倍。新推出的 /swarm 预览版允许将单个提示转化为实时追踪的协同智能体团队。Carbon 在知识工作、编程、网络安全和科学推理领域均有显著提升,包括对多模态文档的理解、全栈开发、漏洞修复和量子校准实验分析。

1.2. 主要内容

方向 要点
1. 前沿性能与性价比 Carbon 在独立基准测试中排名第一,且单个任务成本比同类次优模型低 2 倍以上,证明其在复杂工作流中的高效性。
2. 多智能体协作能力 通过 /swarm 预览版,开发者可将单个提示转化为协同智能体团队,分别分配给架构设计、协调、审计等角色,并结合并行验证。
3. 知识工作与数据分析 Carbon 融合视觉理解、推理和检索,能从密集文档中提取洞察,并生成精准的电子表格、演示文稿和报告,在 MKA 基准测试中表现优异。
4. 编程与设计 支持全栈开发、3D 游戏设计和 UI 库构建,能够运行 ‘构建并验证’ 循环,并同时检查代码和渲染结果。
5. 网络安全 Carbon for cyber 具备端到端智能,在漏洞发现、利用和修复基准测试中领先,并成功拦截 99% 的自适应红队攻击。
6. 科学与数学推理 在物理、数学和生命科学中表现出色,用于量子校准实验分析、蛋白质结构预测和形式化验证,显著加速研究进程。
7. 模型安全与对齐 强化了对恶意滥用和提示注入的防御,在 ‘智能体诚实度基准测试’ 中通过 92% 的任务,并实现了 0% 的提示注入攻击成功率。

以下文章来源于:谷歌黑板报

谷歌黑板报

Google官方账号。分享Google的产品、技术和文化,介绍Google的互联网营销理念和经验。

Gemini 4 Carbon 发布主视觉:深蓝星空背景,左侧为 Gemini 四角星标与 “Gemini 4 Carbon” 标题,右侧为半透明的冰蓝色多面晶体

开发者、企业、科学家和广大用户现已能够体验我们最新的前沿模型。

同一主视觉的方形版本:深蓝星空背景上的 Gemini 四角星标、“Gemini 4 Carbon” 标题与冰蓝色晶体

作者:

Koray Kavukcuoglu, Google DeepMind 高级副总裁兼 Google 首席 AI 架构师

今天,我们正式向开发者、企业、科学家和广大用户推出 Gemini 4 Carbon。作为我们迄今为止最强大的模型,Carbon 在复杂知识工作、软件工程、网络安全以及科学推理等长周期智能体工作流中展现出了前沿的性能。

两周前,我们通过 “Fairwind 计划” 将 Carbon 开放给了一部分网络安全专家。继近期发布 Gemini 4 Argon 之后,Carbon 再一次刷新了技术的边界。Argon 仍然是绝大多数软件工程和知识工作的理想选择,而 Carbon 则专为挑战模型智能极限的任务而生——例如复杂的、多步骤的编码与调试,以及开放式的科学研究与探索。它通过消耗比 Argon 更多的 token 来进行深度探索、缜密推理并运行扩展验证循环。

模型 定位 特点
Gemini 4 Argon 绝大多数软件工程和知识工作的理想选择 —
Gemini 4 Carbon 专为挑战模型智能极限的任务而生(复杂的、多步骤的编码与调试,以及开放式的科学研究与探索) 通过消耗比 Argon 更多的 token 进行深度探索、缜密推理并运行扩展验证循环

在评估真实工作流中模型性能的独立基准测试中,Carbon 兼具顶尖的准确性及出色的性价比。它在 CursorBench 4.0、Perplexity 的 WANDR 以及 Zapier 的 AutomationBench 上均排名第一,且单个任务的成本比同类次优模型低了 2 倍以上。

基准测试 结果
CursorBench 4.0 排名第一
Perplexity WANDR 排名第一
Zapier AutomationBench 排名第一

[!tip] /swarm 预览版
为了将 Carbon 的强大能力应用到更大、更复杂的项目中,我们在 Google Antigravity 中推出了 /swarm 预览版,该功能可以将单个提示词转化为一个可实时追踪的协同智能体团队。开发人员可以将 Carbon 分配给需要最深入推理的角色,例如架构设计、协调和审计,同时将其与并行隔离的工作区中速度更快、重量更轻的模型以及对抗性验证器相结合,以测试每一次变更。

[!info] 发布与定价
Gemini 4 Carbon 现已通过 Google AI Studio 中的 Gemini API 和 Gemini for Business 面向所有付费开发者和企业用户推出,其首发体验价与 Gemini 4 Argon 相同 (每百万输入 token 2 美元,每百万输出 token 10 美元)¹。

阶段 输入(每百万 token) 输出(每百万 token)
首发体验价 2 美元 10 美元
2026 年 11 月 30 日优惠期结束后 4 美元 20 美元

1.3. 更高精度的知识工作、作品生成与数据分析

Gemini 4 Carbon 涵盖法律、财务和企业运营等多个领域,它融合了前沿的视觉理解、推理能力和全面检索功能,能够从大量密集文档和数据中提取出切实可行的洞察。它遵循严格的模式和格式,生成精美且精准的电子表格、演示文稿和报告。

现有的基准测试无法充分反映智能体如何处理包含图表、图像、蓝图、示意图和表格等密集型文件的原生推理能力,因此我们与 Artificial Analysis 合作推出了全新的多模态知识智能体 (MKA) 基准测试,用于评估模型在 Agent 流程中的多模态表现。Carbon 在该基准测试中排名第二,同时其单项任务的平均成本比排名第一的模型低 6 倍以上。

在发布前评测中,Carbon 在 Hebbia 的 E2E 金融智能体评测中展现出了与所测试最佳模型持平的深度金融研究能力,并在 Balyasny Asset Management 的通用金融智能 (General Financial Intelligence) 基准测试中,在 23 个前沿模型配置中跃居榜首,该基准测试涵盖法律专业知识、智能体工具的使用和执行、编码和数据工程以及感知和上下文理解等多个领域。

评测 / 基准 结果
Artificial Analysis 多模态知识智能体 (MKA) 排名第二,单项任务平均成本比排名第一的模型低 6 倍以上
Hebbia E2E 金融智能体评测 与所测试最佳模型持平
Balyasny Asset Management 通用金融智能 (General Financial Intelligence) 在 23 个前沿模型配置中跃居榜首

“Gemini 4 Carbon 是我们评估过的用于深度金融研究的最强大的模型,它能够构建更清晰、结构更完善的 Excel 模型,并制作更精炼的 PowerPoint 演示文稿。对于尽职调查工作流程而言,这无疑是一次真正的飞跃。”

—— Shanks Salwan

Hebbia 首席应用 AI 工程师

“我们的基准旨在跳出通用能力的范畴,评估金融团队实际开展的工作。Carbon 在涉及复杂上下文和结构化交付物 (尤其是图表、代码和表格) 的任务中脱颖而出。”

—— Audrey Liu

Balyasny Asset Management 高级 AI 工程师

“Gemini 4 Carbon 的能力远不止于研究。它能从工作场所数据中找到通话摘要、深埋的电子邮件或精确的漏斗数据,并将其转化为针对性的分析和后续方案。在我们的评估中,它在任务完成率领先于我们测试过的所有前沿模型,我们很高兴能将其带给 Glean 的客户,帮助他们应对复杂的多步骤工作。”

—— Thai Tran

Glean AI 产品负责人

左右滑动查看

1.4. 改进的智能体编程、全栈开发以及 3D 和 UI 设计

Carbon 在需要多智能体协作的工程任务中表现极为出色,例如多包迁移、跨子系统根本原因排查以及复杂的架构重构。对于 Web 应用开发,它能运行 “构建并验证” 的循环、从错误中自动恢复,并同时检查代码和渲染出的 UI,从而构建出完整、可运行的应用程序。其更强的视觉设计、空间推理能力以及对环境细节的关注,也同样适用于 3D 游戏开发和创意编程。

“在我们极力想让应用界面与已有 UI 框架保持一致时,我们在下班前给 Carbon 提交了一份需求清单。一夜之间,Carbon 从零开始构建了一个全新的 Rust UI 库,并重写了我们的 OpenCode 桌面应用,还附带了可运行的 Demo。这是一个极其聪明的模型,现在已经成为我们处理最棘手任务时的首选规划模型。”

—— Kit Langton

OpenCode 软件工程师

“Gemini 4 Carbon 是迄今为止应对高难度布料模拟的最佳前沿模型。它对三维空间、物理学以及复杂而微妙的科学决策的深刻理解,使其变得非常可靠。我们使用了 6 天,期间只需极少的人工干预。它不仅提升了我们现有且经过精细调优的软体模拟系统的运行速度,还增强了其仿真保真度。”

—— Andrew Carr

Cartwheel 首席科学家兼联合创始人

“Gemini 4 Carbon 绝对尊重既有的软件代码。在我们 14,000 个测试用例的代码库中,针对 16 个实际存在的程序缺陷,Carbon 实现了 94% 的修复率,且零回归。”

—— Baki Celtik

HubX 人工智能工程师

“我们的游戏角色必须能够倾听、遵循世界规则,并实时执行多步骤计划。在测试中,Carbon 在这方面的表现极其出色。它准确地执行了玩家给出的复杂指令,同时严守世界设定的边界,并能清晰解释为何某些不可能的行动被禁止。这种卓越的判断力让游戏角色真正活了过来。”

—— Brian Tanner

Artificial Agency 联合创始人兼首席执行官

“在我们的测试中,Gemini 4 Carbon 能够将分析严格立足于源内容,随着证据的更新及时调整结论,并在最终的审查中给出明确的建议。这些能力在高度合规监管的环境中尤为宝贵。在这类环境中,决策往往取决于对复杂信息的严谨审阅。例如,Carbon 在公共部门相关任务中拿到了 100% 的满分,这进一步增强了我们对其提供准确建议能力的信心。”

—— Yashodha Bhavnani

Box 人工智能产品副总裁

左右滑动查看

1.5. 前沿的网络安全能力

Gemini 4 Carbon for cyber 为我们带来了迄今为止最强大的网络安全能力,为安全团队保护关键软件提供所需的端到端智能。通过 Fairwind 计划访问时,Carbon 在发现 (SEC-bench Pro)、利用 (ExploitGym) 和修补 (CWE-bench v1) 漏洞的关键基准测试中处于领先地位:它能够检查软件、追踪漏洞如何在不同系统之间被串联利用,并生成经过验证的根本原因修复补丁。

环节 基准测试
漏洞发现 SEC-bench Pro
漏洞利用 ExploitGym
漏洞修补 CWE-bench v1

Google 内部与外部的早期测试者在实践中都已见证 Carbon for cyber带来的显著成效。

  • 在 Project Fortify (Google 扫描、分类排查与修复的自主系统) 中,Carbon 在我们的内部基准测试中在扫描方面实现了 100% 的召回率以及分类排查方面 95% 的准确率。在开源代码库测试中,相较于 Argon 既有的高召回率,Carbon 进一步提升了 25% 以上,成功挖掘出此前未被发现的真实逻辑漏洞。将这些成果推广应用于 Google,作为全球最大的开源软件用户之一,不仅有助于保障我们自身的系统安全,也为整个开源生态系统的安全提供了助力。

  • Google Cloud 安全漏洞研究 (CVR) 团队最近使用 Carbon 证实了一款流行的开源软件中的两个 Bug 实际上属于可利用漏洞,其严重程度与近期的 PHP2Shell 漏洞相当。通过借助 Carbon 构建概念验证,CVR 团队协助运营人员将该 Bug 重新定义为高危级别并迅速发布了补丁。详细信息将在负责任的漏洞披露流程结束后予以公布。

  • 作为 Wiz 的 “Scan for Good” 计划的一部分,团队使用 Carbon for cyber 来评估公共数字基础设施中的漏洞。例如,在针对两家大型 SaaS 提供商进行扫描时,该模型在两小时内便发现了 0-day 漏洞,将原本需要数周的漏洞研究时间缩短至一个下午。团队与受影响机构紧密合作并创纪录地完成了修复,从而帮助降低了对数万家公司的潜在影响。

“在对内核驱动漏洞研究的受控评估中,我们测试的每一个模型都找到了相同的核心内存损坏漏洞。Carbon for cyber 则更进一步:它理解驱动程序的约束条件,区分出哪些发现是切实有效的、哪些则不然,并额外挖掘出了 4 个经过核实的漏洞。这就是‘发现问题’与‘可付诸行动的结论’之间的本质区别。”

—— Chris Corde

SentinelOne 首席产品官

“Gemini 4 Carbon for cyber 是我们迄今测试过的得分最高模型之一,并且在我们的多项评估中,它仅用前代模型一半的步骤就达成了这一成果。其中一个突出表现是:它成功将多个难以利用的漏洞串联起来,伪造成一个管理员会话 (exploit)。在我们测试的大多数模型中,几乎没有能完成此项任务的,而 Carbon 却能够稳定解决。对于 Gemini 而言,这款模型带来了一次跨越式的飞跃,更是防御者工具库中不可或缺的关键工具。”

—— David Slater

Armadin 创始人兼首席架构师

“Carbon for cyber 给我们留下了深刻印象。它能够系统化、有条不紊地梳理庞大且多样化的代码库,并生成深层攻击链,这种能力堪称同类最佳。即使在超长上下文窗口下,该模型的卓越表现也在 Chainguard Harness 中脱颖而出。我们会将把它更深入地集成到我们自主的漏洞发现与修复系统中。”

—— Dan Lorenc

Chainguard 创始人兼首席执行官

“将 Carbon for cyber 这种深度推理模型引入网络安全领域,能够帮助防御者深入评估复杂的代码库,并精准判断漏洞是否具备真正的可利用性。我们早期测试表明,Carbon 具备极高水平的精准度,足以协助工程师穿透干扰噪声,将精力集中在最能发挥人类经验与判断力的核心环节。”

—— John White

思科高级安全倡议小组总监

左右滑动查看

1.6. 更强的科学与数学推理能力

Gemini 4 Carbon 在物理、数学和生命科学领域的推理能力显著提升,能够综合实验数据、验证假设,并针对多步骤的专业领域问题进行推理。对于药物毒性研究公司 Axiom Bio 而言,Carbon 目前已成为转化科学 (translational science) 领域性能最领先的模型,其帮助他们发现了此前未留意的全新毒性机制。目前,Axiom 正将其生产环境下的科学分析与 AI Agent 全面迁移至 Carbon 和 Argon,以助力开发更安全的药物。

Google 各地的研究人员一直在 Google Antigravity 中使用 Carbon 来为他们的工作提速:

  • 代码验证: 研究人员构建了一个名为 AlphaProof Code 的全新智能体框架用于形式化验证,并将其投入到一项重大的安全挑战中:从数学上证明 Signal 加密协议底层代码的正确性。研究人员将 Carbon 与其他模型结合,把安全目标转化为数学定理。随后,AlphaProof Code 智能体借助 Carbon 在 Lean (一种用于编写数学证明的计算机语言) 中生成了数百万行代码,帮助他们在几周内证明了关键的安全属性。而这一任务在过去通常需要专家团队花费数年才能完成。这一结果表明了 Carbon 在实现可扩展形式化验证的潜力,而形式化验证一直被视为构建安全软件的 “黄金标准”。

  • 酶测定法开发: Carbon 仅凭实验室记录本和原始数据,便超越了常规分析,成功识别出难以解读的数据异常,并通过这些异常诊断出湿实验中一些隐蔽的偏差 (例如深孔板内自动化混匀不完全的问题),从而大幅提高了实验的可重复性。此外,Carbon 还改进了色谱峰解卷积的方法,并发现了研究仪器中的微量样品残留,显著加速了新测定法的开发,并缩短了计算与实验之间的反馈闭环。

  • 蛋白质结构预测: 像 AlphaFold 3 这种结构预测模型,通常利用演化亲缘关系的蛋白质多序列比对 (MSA) 来推断氨基酸链的折叠方式。因此,对于那些在标准数据库中匹配项极少、研究较少的病毒、微生物和真核生物蛋白质上往往难以做出准确预测。我们的研究人员采用多智能体协作模式,利用 Gemini 4 Carbon 在拍字节级 (PB) 规模的未注释序列库、环境与病毒序列目录以及 3D 结构数据库中自主发现远缘同源序列。例如,在 CASP17 盲测集的 7 个低同源性蛋白质家族中,Carbon 将检索到的同源物数量平均提高了 40 倍,在无需重新训练模型的情况下,为结构预测模型提供了更丰富的信息。尽管更广泛的基准测试仍在进行,但通过解决这一上游搜索瓶颈,我们有望为构建蛋白质组中那些难以表征区域的结构模型,开辟一条切实可行的新途径。

[!note] 科学家计划
四周前,我们开放了申请通道,免费为 1,000 名科学家提供为期六个月的 Google Antigravity 中 Argon 的使用权限,以加快他们的研究步伐。目前,已有数千名科学家加入了该计划。今天,我们将开放范围进一步扩大,允许现有及未来的项目参与者使用 Carbon 模型。此后,随着我们最新的前沿模型陆续推出,该计划也将持续为他们提供使用权限。申请通道目前仍在开放,我们将根据资格审查、名额及筛选结果,每周滚动进行引入。

1.7. 模型安全与保障方面的进展

随着新模型的发布,我们持续深化安全保障措施、防范智能体滥用、强化模型对齐并减少潜在危害,确保这些保障力度与模型自身能力的提升保持同步。

由于 Gemini 4 Carbon 引入了更强大的网络安全能力,我们在 Argon 坚实的安全保障体系基础上,进一步增强其抵御恶意滥用与提示词注入攻击的稳健性。

1.7.1. 降低前沿模型被滥用的安全风险

我们强化了针对滥用行为的安全保障机制,以确保更强的防御性推理能力不会转化为攻击性风险。在基于 ExploitBench 和 CyScenarioBench 构建的模拟网络攻击测试环境中,针对能够在每次被拦截后迭代优化攻击计划的 “自适应红队智能体”,Carbon 成功拦截了 99% 的攻击路径。

测试项 Gemini 4 Carbon Gemini 4 Argon
单次尝试的突破率 0.8% 3.1%
Gray Swan 测试中自动化网络攻击查询成功率 2.17% 9.86%
Trajectory Labs 外部测试(132 小时、超过 13,000 次请求) 未发现任何新的通用 “越狱” (jailbreak) 手段 —

1.7.2. 促进安全且符合对齐的模型交互

发布 Carbon 时,我们展示了其在模型全生命周期 monitor flag rates 所衡量的对齐能力方面的显著提升,以及数据捏造现象的减少。最新结果显示,在包含 375 项任务的 “智能体诚实度基准测试” (agentic honesty benchmark) 中,Carbon 成功通过了 92% 的任务 (相比之下 Argon 为 70%)——在 98% 的情况下拒绝填补缺失的实验数据,并在 68% 的情况下主动指出方法论上的缺陷。

模型全生命周期失准指标对比柱状图(Gemini 4 Carbon 对比 Gemini 4 Argon,越低越好):RL 训练警报为 0.023% 对 0.050%;评测作弊中尝试作弊为 0.4% 对 3.6%、成功作弊为 0.0% 对 2.4%;内部部署高严重性警报为 0.016% 对 0.078%

1.7.3. 保护用户免受间接提示词注入 (Indirect Prompt Injection) 攻击

[!warning] 提示词注入防护
两周前,我们分享了 Carbon 在 Gray Swan IPI 基准测试中实现了 0% 的提示词注入攻击成功率,这是首次达成该里程碑。与此同时,我们也意识到,抵御提示词注入的稳健性依然是一个需要持续改进的领域。我们先进的 “自动化红队测试” (automated red teaming) 正在不断突破现有极限,并且在某些特定场景分布下,模型面对复杂精密的攻击仍有进一步提升的空间。这为我们持续推动提供了宝贵的数据,以推动模型安全迈向更高水平提供了关键数据支持。

数据来源:

¹ 2026 年 11 月 30 日优惠期结束后,将适用每百万输入 token 4 美元及每百万输出 token 20 美元的定价。此定价仅适用于面向公众开放的 Carbon 模型。


Google for Developers 灰色文字标志横幅,左侧为 Google 彩色 G 图标