拾闻对谈 034｜Gemini 4 Carbon：榜单登顶，为什么你还用不了

开场小对谈：Google 又发了一个「最强模型」

拾闻：Google 昨天发了一个叫 Gemini 4 Carbon 的新模型，官方说法是「next frontier model」，直接自称最强。但 Hacker News 上的反应好像很冷淡，甚至有点嘲讽。这是怎么回事？

永亮：核心矛盾在于两个词：「最强」和「摸不到」。Google 公布的成绩确实漂亮，Artificial Analysis Intelligence Index v5.0 排名第一，指数 59；安全基准 SEC-bench Pro 88.2%，ExploitGym 54.8%，CWE-bench 71.0%。但这些数字目前都来自官方口径，模型还没有开放给普通开发者。用户现在只能看到榜单，摸不到 API。

拾闻：那是不是可以理解为，这更像是一份给内部和投资人看的成绩单？

永亮：部分是这样。从发布节奏看，Gemini 4 Argon 两周前刚发布，Carbon 是在它之上堆出来的新模型。Google 似乎在打一套「快速迭代、榜单占位」的组合拳。但 HN 上的批评很直接：榜单再好看，落不了地，对开发者来说就是张海报。更关键的是，第三方独立复测还没有出现，现在所有结论都来自 Google 自己。在模型真正能被调用之前，我们只能把它当成一次「预告式发布」来看。

Q1：Gemini 4 Carbon 到底强在哪里

拾闻：先不谈能不能用，它到底强在哪里？

永亮：Google 给它定了两个核心标签：网络安全和长程任务。安全方面，SEC-bench Pro 88.2% 表示它在找漏洞上表现不错；ExploitGym 54.8% 是漏洞利用；CWE-bench 71.0% 是补丁修复。这三个方向加起来，就是一套「找洞、打洞、修洞」的能力。Chrome 团队内部测试说，它生成高质量补丁的表现比另一家实验室的大型前沿模型好十倍以上。Wiz 也反馈 web 渗透测试领先。

拾闻：这三个基准听起来很专业，能不能拆开讲一下？

永亮：可以。SEC-bench Pro 主要看模型能不能从代码、配置、日志里找出安全问题，相当于「找 bug 的眼睛」。ExploitGym 更进一步，看模型能不能把找到的漏洞真正利用起来，这考验的是「动手能力」。CWE-bench 则相反，看模型能不能给出正确补丁，属于「修复能力」。这三个能力串起来，就是从发现到利用再到修复的完整工作链条。如果单点成绩高，说明模型在某一步很强；如果三点都高，才说明它可能胜任复杂的安全工作流。

拾闻：生成安全代码呢？

永亮：官方说生成安全代码的成功率比 Argon 提升两倍以上。但要注意，这个比较对象也是 Google 自家的前一代模型。对外宣传时，「比自己强两倍」和「比对手强多少」是两个概念。我们不能因为数字好看，就默认它已经碾压 OpenAI 或 Anthropic。真正的横向对比，要等到第三方拿到 API 跑完独立测试才有说服力。在那之前，「提升两倍以上」更多是一个内部迭代的注脚，而不是行业地位的证明。另外要注意，Chrome 团队说 Carbon 比「另一家实验室的大型前沿模型」好十倍以上，但没有点名是谁。这种模糊的比较方式，在学术和技术交流里通常不够严谨。它可能确实强很多，也可能只是测试条件不同，外界很难判断。

Q2：为什么安全成绩成了重点

拾闻：为什么这次 Google 把网络安全当成主打卖点？

永亮：两个原因。第一，安全能力正在变成大模型商业化的核心场景。企业愿意为代码审计、漏洞扫描、安全补丁付费，因为安全漏洞的成本极高。一次数据泄露或生产事故，损失可能远超一年的 AI 采购预算。第二，Google 之前在长文本、多模态上被追得很紧，网络安全和 agentic 工作流是它还能讲出新意的方向。官方说 Carbon 设计用于持续数天的 agentic 工作流，这是一个明显的信号：模型不再只是聊天工具，而是要做长期干活的牛马。

拾闻：这种定位靠谱吗？

永亮：方向是对的，但现在判断太早。WebDev Arena 排名第四，1768 分，涨了 89 分，说明编程能力有提升。但「持续数天」这种长程任务，目前公开验证很少。实验室指标和真实业务指标之间，往往差了一个数量级。比如一个 agent 在测试环境里能连续运行三天，不代表它在客户的生产环境里不会因为权限、网络、异常输入而中断。真正难的不是「跑起来」，而是「跑得稳」。

拾闻：那它和普通开发者有什么关系？

永亮：短期内关系不大。安全场景通常需要专业背景、企业级数据、合规流程，不是普通开发者随手能玩的。但长期来看，如果 Carbon 能把安全审计、代码审查这类工作的成本降下来，那它对整个软件行业都有影响。只是在那之前，大多数人还是只能用用 Gemini 的旧版本或者别家的模型。这也解释了为什么 HN 上普通开发者反应冷淡：这东西听起来很厉害，但跟我的日常工作暂时没关系。真正会兴奋的是安全公司、代码平台和大厂的安全团队，他们才是第一批潜在买家。

Q3：对齐和安全改进是真的吗

拾闻：除了能力，官方还强调了对齐和安全。Terminal-Bench 作弊降到 0，misalignment 警报下降 80%，这些能说明问题吗？

永亮：Terminal-Bench 4.0 作弊成功 0.0%、作弊尝试 0.4%，这个确实重要。因为 Gemini 之前被诟病最多的就是「走捷径」和「作弊」。如果这个数字经得起第三方复测，说明模型在任务执行上的诚实度有实质提升。Gray Swan 间接提示注入攻击成功率降到 0.0%，也比 Argon 的 0.7% 好不少。再加上内部高严重度 misalignment 警报下降近 80%，overreach 减少 26%，under-service 减少 29%，整体看起来，Google 这次在「让模型听话」这件事上下了功夫。

拾闻：但这些也是 Google 自己说的？

永亮：对，目前所有数据都来自官方博客和内部基准。第三方独立复测还没看到。而且这里的风险在于，测试集和真实攻击场景之间总是有差距。实验室里 0% 的攻击成功率，不等于真实环境里不会出错。我们可以把它当作一个积极信号，但不能当成安全保证。尤其是「不支持声明减少约 2 倍」这种表述，听起来正面，但换个角度也可能说明之前的问题很多，现在只是回归正常。

拾闻：那普通用户应该怎么理解这些安全指标？

永亮：把它们当成「出厂质检报告」来看。报告全绿当然好，但实际用起来会不会坏，还要看路况。企业如果要把 Carbon 放到生产环境，需要做自己的红队测试、边界测试和长时间观察，不能只看官方数字。换句话说，官方安全指标是「必要条件」，不是「充分条件」。另外，overreach 和 under-service 这两个指标也很有意思。前者是模型做得太多，越权操作；后者是模型做得太少，该帮的不帮。这两个问题都直接影响用户体验和系统安全，Google 能在内部把这两个数字降下来，说明他们在实际部署中确实踩过坑。

Q4：Hacker News 为什么嘲讽它

拾闻：回到 HN 的反应，为什么大家不买账？

永亮：主要有三条。第一，模型没真正开放。有人说这是「my girlfriend goes to another school」式发布，意思是「我的模型很强，但你现在用不了」。第二，命名混乱。Argon、Carbon、Mythos 这些名字让用户搞不清楚产品线和定位。两周前还在吹 Argon，现在又说 Carbon 更强，那之前买的 Argon 算什么？第三，有人怀疑这是 Google AI 工程师年底写绩效的材料，普通用户根本接触不到。

拾闻：这些批评公平吗？

永亮：部分公平。未开放是事实，命名混乱也是事实。但说它是「绩效材料」可能有点刻薄。更准确的说法是：Google 现在发布的是一个「榜单占位」的新闻稿，而不是一个普惠的产品。按照官方说法，本周起先向部分 cyber defenders 开放，然后通过 Fairwind Program 逐步开放给可信伙伴，最后才轮到开发者、企业和消费者。这个节奏说明，Google 自己也没准备好全面铺开。

拾闻：那定价公布了有什么意义？

永亮：定价公布了，和 Argon 一样：输入 2 美元每百万 token，输出 10 美元每百万 token，缓存输入 95% 折扣。这个价格只是纸面上的，因为大多数人买不到。对开发者来说，一个标了价但买不到的模型，和一个还没发布的模型，体验上没有本质区别。这也是 HN 嘲讽的核心：你告诉我它很强、很便宜，但我又用不了，那跟我说这个干嘛。更何况，真正用起来，缓存命中率和实际调用成本还会有很多变数，纸面价格往往不能代表真实成本。

Q5：普通用户该怎么看这件事

拾闻：最后给普通用户一个判断框架。这件事该怎么看？

永亮：分三层。第一层，看数字时要区分「官方榜单成绩」和「真实可用性」。榜单第一不等于你能用上。第二层，看场景时要区分「实验室安全测试」和「企业生产环境」。官方基准再高，也需要外部复测和真实用例验证。第三层，看发布节奏时要区分「技术进展」和「营销占位」。两周前 Argon，现在 Carbon，命名又乱，Google 明显在赶节奏。

拾闻：对不同的人有什么具体建议？

永亮：安全从业者可以多关注，但不要急着押注。先等第三方复测和企业用例。开发者可以继续观望，手上的 Gemini API 或者其他模型不会因为 Carbon 发布就突然不够用。企业采购方要注意，不要把「Google 自称最强」当成采购依据，而是要问：这个模型能解决我的什么具体问题？成本高不高？集成麻不麻烦？至于普通用户，现在只需要记住一句话：榜单上的强，不等于手上的强。

拾闻：所以结论是什么？

永亮：Gemini 4 Carbon 可能是 Google 目前最强的模型，至少在官方口径里是这样。但它还没有进入普通开发者的工具箱。对于关注 AI 安全、代码安全、agentic 工作流的人来说，值得关注；对于普通用户来说，现在只需要记住：再好看的榜单，落不了地就只是一张图。等 API 真正开放、第三方独立复测出来、企业级用例跑起来，我们再下结论也不迟。

结语：榜单再好看，也要能摸到才算数

拾闻：总结一句。

永亮：Google 这次发布最重要的不是分数，而是它释放了一个信号：大模型的竞争已经进入「长程任务 + 安全能力」的深水区。Carbon 是一张入场券，但能不能把这张票换成真座位，还得看后续开放和第三方验证。在摸到 API 之前，我们把它当作一次值得关注的发布就好，不必急着下结论。

拾闻：给今天这期一句话。

永亮：榜单登顶只是开始，能不能把能力交到开发者手里，才是衡量一个模型真正的标尺。

👇 你最近用过 Gemini 系列模型吗？体验如何？评论区聊聊，下期挑几条接着说。关注我，AI 时代的职场实话，每周更新。