谷歌最强模型 Gemini 4 Carbon 全面开放：一夜重写 OpenCode 桌面应用、价格仅为 Fable 5.2 的 1/4 - InfoQ

Gemini 4 Carbon 正式向开发者、企业、科研人员及消费者全面开放，标志着 Google 将大模型竞争焦点从问答能力转向端到端复杂任务执行。
三项 Agent 评测（CursorBench 4.0、WANDR、AutomationBench）均位列第一；任务完成成本较次优外部模型低超2倍；开放覆盖 AI Studio、Gemini for Business、Antigravity 及 Ultra 订阅服务。
适合AI平台工程师、企业自动化架构师、安全与DevOps团队负责人阅读。
AI 大模型的竞争，正在从谁更会回答问题，转向谁能真正完成一项复杂工作。
刚刚，Google CEO Pichai 在 x 上宣布，旗下旗舰模型 Gemini 4 Carbon 正式向开发者、企业、科研人员和消费者扩大开放。
10 月 28 日，Google 首次公布 Carbon 时，重点展示了其在网络安全、软件工程和长程任务方面的能力，但使用范围主要限制在特定网络安全防御团队。如今，这款模型终于走出受限测试阶段，开始进入 Google AI Studio、Gemini for business、Google Antigravity，以及面向 Google AI Ultra 订阅用户的 Gemini 应用和搜索 AI Mode。
这次开放，相比此前大模型发布时强调知识问答、数学推理和代码生成能力，Google 这次将真实工作场景放在了更显眼的位置。
根据官方披露，Gemini 4 Carbon 在 CursorBench 4.0、Perplexity WANDR 和 Zapier AutomationBench 三项面向真实工作流程的评测中均排名第一，完成任务的成本比表现次优的外部模型低超过 2 倍。这三项评测分别涉及 AI 编程、信息检索与复杂任务执行，以及跨企业应用的业务流程自动化。
其中，Zapier AutomationBench 测试模型能否在真实业务工具和工作流中完成自动化任务。Google DeepMind 公布的成绩显示，Carbon 得分为 53.9%，超过 Gemini 4 Argon 的 51.3%、Claude Opus 5.5 的 42.5% 和 GPT-6 Astra 的 41.4%。
在更加偏向代码和系统操作的 Terminal-Bench 4.0 测试中，Carbon 取得 65.2% 的成绩，高于 Argon 的 57.1% 和 GPT-6 Astra 的 59.1%。
在面向长上下文推理的 GraphWalks 测试中，Carbon 的 F1 分数达到 96.2%，而 Argon 为 84.2%。这项测试的上下文范围为 256K 至 1M Token，主要考察模型在长距离信息关联与图结构搜索任务中的表现。
但值得注意的是，这些成绩并不意味着 Carbon 已经全面领先竞争对手。
Anthropic 于 11 月 9 日发布 Claude Fable 5.2 后，Artificial Analysis 的最新综合评测排名已经发生变化。在其发布版本对比中，Claude Fable 5.2 最高推理配置的 Intelligence Index 得分达到 65，而 Gemini 4 Carbon 的 high 配置得分为 60。
在 FrontierSWE v2 真实软件工程任务中，Claude Fable 5.2 取得 69.9%，Carbon 则为 61.2%。也就是说，不同模型在代码修改、终端任务、企业工作流和长程推理等场景中的表现已经出现明显分化。
所以 Carbon 在部分 Agent 任务中的优势，并不能说明其编程能力全面第一。
此外，Google 官方也明确指出，Gemini 4 Argon 仍然更适合大多数常规软件工程和知识工作任务，Carbon 则主要用于需要深入推理、复杂调试和长时间验证的高难度工作。
而 Google 此次强调的另一项指标是任务成本。
按照官方说法，在上述三项工作流评测中，Carbon 的单任务成本比表现次优的外部模型低超过 2 倍。对于需要频繁调用模型、执行大量工具操作的企业而言，这一指标可能比单纯的基准测试得分更有现实意义。
比评测成绩更值得关注的，是 Google 对 AI 编程工作方式的改变。
在此次发布中，Google 宣布为 Antigravity 预览推出 /swarm 功能。简单来说，开发者不再需要让一个 Agent 独立完成所有工作，而是可以通过一条提示词，调度多个 Agent 同时处理不同任务，并实时查看各自的执行进度。
例如，让 Carbon 负责复杂的软件架构设计、任务协调及代码审查，再把相对简单的工作分配给速度更快、成本更低的模型。多个 Agent 可以在隔离的工作空间中并行执行任务，还可以引入专门负责对抗性验证的 Agent，对代码修改结果进行检查。
这样的设计，试图解决当前 AI 编程面临的一个现实问题：即使单个模型的编程能力越来越强，它仍然可能在长时间执行任务时偏离目标，或者在修改一个模块时破坏另一个模块。
通过任务分工、独立工作空间和相互验证，Google 希望将复杂项目从单个 Agent 的连续执行，转变为多个 Agent 的协同完成。
为了展示这一能力，Google 提供了多个实际案例。其中一个项目是重建埃菲尔铁塔的历史施工过程。
开发者只提供一条提示词，Carbon Agent 团队便利用 1887 年至 1889 年间的历史照片与工程图纸，制作出一个基于 Three.js 的交互式 3D 展览。
Google 使用 7 份公开的市议会规划 PDF，其中包含 206 个提取出的工程图视图，让 Agent 团队重建 Google Platform 37 办公区域。
在经历 10 轮夜间执行循环之后，系统生成了一个包含约 90.6 万个三角形网格的 Three.js 交互式 3D 模型。
这些案例并不能直接证明 Carbon 已经能够不经人工干预完成生产级软件开发，但至少展示了 Google 对下一代 AI 编程平台的构想。未来的开发者或许不再只是向模型逐条提出编程要求，而是像管理一个小型工程团队一样，分配目标、检查进度、验证成果。
不过，真正决定这种模式能否大规模应用的，仍然是 Agent 之间的协作成本、错误传播问题，以及复杂项目的最终交付质量。
Google 这次还重点强调了 Carbon 在金融、法律和企业运营领域的应用。
与传统文本问答不同，这些工作通常需要模型同时处理大量表格、图表、图片、工程图纸和复杂文档，并根据特定格式输出结果。
例如，一项企业财务研究任务可能需要 Agent 阅读数十份财报、提取关键财务指标、核对不同年份的数据，再制作可以继续编辑的电子表格和分析报告。
其中任何一个环节出现错误，都可能影响最终结论。
Google 认为，现有基准测试还不能充分衡量模型在这种多模态、长流程知识工作中的表现。
因此，Google 与 Artificial Analysis 合作推出了新的 Multimodal Knowledge Agent（MKA）评测，用于测试模型在 Agent 工作流中处理复杂多模态文件的能力。
根据 Google 公布的结果，Carbon 在这项评测中排名第二，但其平均单任务成本比排名第一的模型低超过 6 倍。
这一结果反映出另一种竞争路线：模型未必需要在所有指标中取得绝对最高分，但如果能够以明显更低的成本完成接近领先水平的任务，也可能具备商业价值。
在金融领域，Google 还披露了两项发布前评估结果。
Carbon 在 Hebbia 的 E2E Financial Agentic 评估中，与接受测试的最佳模型表现相当；在 Balyasny Asset Management 的 General Financial Intelligence 评估中，则位居 23 种前沿模型配置的前列。后者覆盖法律知识、工具调用、代码与数据工程，以及感知和上下文理解等多个维度。
如果说 AI 编程和企业自动化代表着大模型已经进入的商业市场，那么科学研究可能是 Carbon 此次展示中更值得长期关注的方向。