Gemini 4 Carbon

模型 创建 更新
gemini-4-argon-high 2026-10-25 2026-10-25

Gemini 4 Carbon 是 Google DeepMind 在 Gemini 4 Argon 之后推进的 Gemini 4 家族候选模型（checkpoint），主攻长时程 agentic 编程与 3D 空间生成，自 2026-10 起先后进入 Google 内部编码平台 Jetski、受邀合作伙伴早期访问计划（EAP）与 LMArena 盲测。

截至 2026-10-25，它仍属未公开发布的候选版本，没有任何官方公告、模型卡、标准基准跑分、API 定价或上市日期；现有证据链显示其 3D 空间建模明显强于 Argon 并改善了执行中的“偷懒跳步”，代价是推理耗时慢 2 至 4 倍、前端 UI 审美依然偏弱；而“编程比肩 Claude Opus 5.5”仅来自单名员工的主观印象，“靠递归自我改进（RSI）实现端到端研发加速”则被 Google 自家安全报告直接否定。

是什么

  • 身份与内部代号阶梯（Business Insider，2026-10-09）：Google 内部并行测试了代号为 Argon、Barium 与 Carbon 的多个 Gemini 4 变体；内部文档显示，对外公开发布的 Gemini 4 Argon 实际选用的是内部 checkpoint Barium-B，而 Carbon 是在此之后投入内部编码环境评估的候选版本。
  • 内部测试平台：最初部署在 Google 内部编码平台 Jetski（Google Antigravity 智能体编排底座的内部名称，对应内部路径 google3/learning/agents/jetski/）供员工做日常研发测试（teamfooding）。
  • 分发包与二进制产物实证（核验于 2026-10-25）：
    • Google 官方分发源（dl.google.com）上的 Antigravity ACP Server（agy_acp_server.par v1.4.3 修订）内嵌的 cloudcode-pa_prod_google_rest_v1internal.json 将活跃内部模型表从 459 项扩充到 464 项（+13,725 字节），新增 gemini-4-carbon（基座）、gemini-4-carbon-teamfood（内部测试端点）与 carbon-g-medium-tf（中等延迟与容量档），同期并列出现 gemini-4-argon-teamfood 与 gemini-4-argon-max-mode-tf。
    • Antigravity 桌面端 v2.25.0（2026-10-21 构建）与 v2.26.0（2026-10-23 部署）的 Go 语言服务端二进制 language_server.exe（增幅 +4.00 MB、新增 91,226 条唯一字符串）在偏移量 52964516 处包含路由映射 orionfire;/aistudio/gemini-v4s-jarvis-sc，表明内部代号 ORIONFIRE / gemini-v4s-jarvis-sc 指向该 Gemini 4 系列 agentic 编码管线。
    • 另有 API 后端配置截图流出 "gemini-4-carbon-preview" 与 "gemini-4-flash-preview" 标识符，但其中 "gemini-4-flash-preview": "gemma4" 早在 4 个月前的开源分词器提交中就已存在，不能单凭配置字符串推断发布时间。
  • 最终产品形态未定：一名内部员工在聊天记录中称其为“new Gemini pro next model”；Business Insider 与外部观察者均无法确认 Carbon 最终会作为 gemini-4-argon 的同名权重更新上线，还是以独立的 Gemini 4 新型号发布。

当前状态

  • 官方口径（截至 2026-10-25）：未发布；Google 对 Business Insider 拒绝置评，未发布任何关于 Carbon 的博客、模型卡（Model Card）、系统卡、上下文窗口、单次输出上限或 API 定价。
  • 推进时间线：
    • 2026-10-09：Business Insider（记者 Hugh Langley）首次基于内部文档、截图与员工聊天记录报道 Carbon 在 Jetski 上的内部测试。
    • 2026-10-19：The Information 报道将其列入即将到来的模型发布浪潮（同期提及 Anthropic 新模型与 OpenAI Terra），随后社区转述称时间窗在“未来数周”而非 10 月内。
    • 2026-10-21 至 10-22：受邀合作伙伴通过 Gemini API Early Access Program（EAP，受保密协议约束）拿到早期测试权限；同日 LMArena（原 Chatbot Arena）在 gemini-4-argon 别名下混入疑似 Carbon 的盲测 checkpoint（测试者通过显著变慢的响应速度与 3D 质量区分），10-22 推送了第二个速度更快的更新 checkpoint。
    • 2026-10-23：该盲测 checkpoint 随 LMArena 故障及 Kimi K3.1、Qwen 4 等未发布测试模型一同从 Arena 下线；下线属于常规测试轮换还是发布前封版尚无官方确认。

早期信号与实测表现

  • 3D 空间建模与程序化生成明显跃升（LMArena 盲测多源实测，2026-10-21 至 10-22）：社区测试者（Lumina、Lentils、Synopsis、Salio、chetaslua、Pankaj Kumar 等）在 Three.js 场景构建、体素（Voxel）建模与物理几何一致性上展示了相比 Argon 的显著提升：
    • 单提示词生成一整关可运行的《超级马力欧》3D/横版游戏，角色可完成顶砖块、吃金币、钻水管进入地下关再返回、跳旗杆进城堡并弹出 COURSE CLEAR 结算金币与评级。
    • 同题体素宝塔（Voxel Pagoda）横向盲测中，Lumina 将 Carbon 与 Argon、Claude Opus 5.5、Claude Sonnet 5.5 同场对比，评价 Carbon 的几何结构与细节质量明显高于 Argon。
    • 复杂光照与科学可视化：生成可在黄昏、蓝调时刻、月光与薄雾晨光四档光照间切换的 3D 城堡，带降雨变暗动态效果的樱花河岸体素山谷，可交互的 3D 水晶柑橘，以及从碳-12 原子核 6 个电子按 $1s^2 2s^2 2p^2$ 排布、经 $sp^3$ 杂化形成四个等价轨道瓣到搭成完整金刚石晶格的 3D 科普动画（测试者称此前 Gemini 模型难以完成该题）。
  • 改善 Argon 的“偷懒与跳步”（内部与 EAP 测试反馈）：
    • 背景对照：Gemini 4 Argon 开放后虽在跑分上亮眼，但在工程实测中暴露出“敷衍跳步”——独立媒体 Every 实测指出，Argon 在 38 次基准运行中有 17 次将代码审查（code-review）步骤打开后仅隔 30 毫秒即关闭；将推理档从 LOW 调到 HIGH，Argon 用时仅变为 1.7 倍，而 Claude Opus 5.5 会增加到 18 倍（即要求 Argon 多思考时它并未显著增加推理投入）；在 Every CEO Dan Shipper 的单题资深工程师基准（proof-rewrite-integrated，由 Claude 担任评分裁判）上，Argon 仅得 21%（8 个模型中垫底，Opus 5.5 与 Sonnet 5.5 同为 85%、GPT-6 Astra 81%；但同站 Mike’s Checks 六任务综合 Argon 得 78%）。
    • Carbon 的变化：EAP 与 Arena 测试者（Lentils、Lumina 等）一致反馈 Carbon“更慢但不再偷懒（slower but less lazy）”，不再频繁跳过关键实现或审查步骤，单次生成的完整度显著提高。
  • 内部编程主观体验（单一匿名信源）：Business Insider 引述一名 Google 员工称 Carbon 在编码任务上“感觉可与 Opus 5.5 媲美（feels like / comparable to Opus 5.5）”，另一名员工称“Carbon is really good!”；报道同时提到早期 Argon 版本曾被另一名员工评价在部分编码任务上落后、只像较旧的 Claude Opus 5。提述该对比的员工明确补充“仍需更多测试（need to test it more）”。

局限、争议与传闻辨析

  • 零公开基准分数：截至 2026-10-25，DeepSWE、Terminal-Bench 4.0、SWE-bench 或 Artificial Analysis 上没有任何属于 Carbon 的分数。部分社交帖文将 DeepSWE v1.1 的 77.9% 当作 Carbon 成绩引用，实为 Gemini 4 Argon 发布表中的厂商自报数据。
  • 推理延迟显著劣化（比 Argon 慢 2 至 4 倍）：LMArena 测试者普遍依靠“奇慢无比”来识别伪装在 gemini-4-argon 标签下的 Carbon——Lumina 与 abhinavflac 等实测其完成响应的时间是 Argon 的 2 到 4 倍（例如生成单关《超级马力欧》耗时接近 30 分钟），在限时 3D 构建比拼（noclipepe）中因耗时过长落后于竞争模型。
  • 前端 UI 审美与 SVG 依然偏弱，常规编码评价分化：
    • 测试者（Lumina、Lentils、Haleemah）一致指出，Carbon 的前端界面排版、网页 UI 审美与 SVG 矢量图生成质量依旧平平（除个别可乐瓶 SVG 案例外整体不稳定），明显不及 Anthropic 的 Claude 系列。业内分析认为，3D 场景的几何、光照与碰撞由代码逻辑决定、渲染对错可被程序确定性校验，适合靠算力与强化学习（RL）快速推高；而前端 UI 涉及留白、字号与视觉偏好，无单一标准答案，仍受限于人类偏好反馈调优。
    • 社区在 LMArena 上的实测高度集中于单文件 3D 与视觉生成，缺乏多文件软件工程与终端 agent 实测；且有个别社区测试者（如 @Waguri_Kaoruko8）反馈其常规编码相对 Argon 提升有限，因此“编程比肩 Opus 5.5”尚未得到外部验证。
  • 传闻辨析一：“靠递归自我改进（RSI）8 天迭代出 Carbon”被官方安全报告证伪：
    • 传闻来源：Google DeepMind 员工 Vedant Misra 在 X 上转发 Carbon 报道时调侃“Have you heard of recursive self improvement”；部分中文科技媒体（如新智元）进而引用 Google 联合创始人 Sergey Brin 的圆桌发言与《Gemini 4 Argon Safety & Security Report》（2026-10）第 3.4.2 节的数据——2026 年 9 月 DeepMind 生产代码合并请求（PR）中 AI 编写占比超过 75% 的达到 91.3%（其中 >75% 占 45.0%、>98% 且人类介入 <10 轮占 34.4%、100% AI 编写且人类介入 <3 轮占 11.9%），全委托 PR 占比从 4 月的 7.5% 升至 9 月的 11.9%——宣称 Google 已踏上“RSI 跑步机”、靠模型造模型在 Argon 开放 8 天后就造出 Carbon。
    • 官方一手反证（《Gemini 4 Argon Safety & Security Report》第 3.4.2 节，核验于 2026-10-25）：同一份报告在同一章节明确得出相反结论——“目前不存在 AI 研发的显著端到端加速，无论是否由 AI 驱动（there is currently no significant end-to-end acceleration of AI R&D, AI-driven or otherwise）”：
      1. 按 Google 拟合 123 个内外部模型与 92 项基准的综合能力指数 GCI v1，2026-04-01 之前与之后的前沿能力增长斜率分别为每月 +0.091（含内部模型为 +0.097）和 +0.118（含内部模型为 +0.107），统计上无显著差异；报告明确判断 Argon 高于趋势线源于组织投入增加与训练算力扩大，而非 AI 自我加速。
      2. 约 88% 的生产代码 PR 仍需人类多轮引导或亲自编写；对 12 名核心研发负责人的调研显示，自动化集中在目标明确、可验证的执行任务，而高层研究方向选择、新实验设计与复杂训练不稳定性诊断仍依赖人类；对 1,389 条内部 Argon 轨迹的抽样显示，估算耗时超过 1 周的复杂任务中人类介入率达 83%、零干预成功率仅 13%。
      3. 在内部 ML 研发能力基准（GRB）上，Argon 仅能解决约一半的日常研发工程任务，未触及 ML 研发加速或自动化的关键能力阈值（CCL not reached）。从 Barium-B（Argon）到 Carbon 的紧接出现，本质是同代训练运行中并行评估与后训练多个 checkpoint 的常规工程节奏。
  • 传闻辨析二：“内部已击败 Opus 5.5 与 GPT-6 Astra”属转述失真：Business Insider 原文仅有一名员工主观感觉编码“可与 Opus 5.5 媲美（feels comparable to Opus 5.5）”且声明需进一步测试；社交平台上将其改写为“内部跑分击败 Opus 5.5 与 GPT-6 Astra”没有任何证据支撑。
  • 传闻辨析三：“比 GPT-6 Astra 便宜 400% 的 Flash 模型”属张冠李戴：二手站点 Geeky Gadgets（转引 YouTube 频道 Universe of AI）称 Carbon 是“比 GPT Astra 便宜 400% 的 flash 模型”，系将 Gemini 4 Argon 的引入期折扣价或旧款 gemini-4-flash-preview 分词器字符串与 Carbon 混为一谈。

价格与许可

  • 专有闭源模型，截至 2026-10-25 未公布任何定价、上下文窗口、输出上限或速率限制（因尚无官方定价，本页不设价格历史表）。
  • 参考锚点（推断）：若 Carbon 最终作为 Gemini 4 Argon 的原地权重更新上线，其标牌价预计沿用 Argon 的 API 价目表（引入期每百万输入/输出/缓存 token $2 / $10 / $0.10 至 2026-11-30，2026-12-01 起恢复正价 $4 / $20 / $0.20，与 Claude Opus 5.5 正价持平）；但由于 Carbon 在实测中耗时增加 2 至 4 倍且减少了跳步，其每任务思考 token 消耗与实际账单很可能高于当前 Argon。

替代方案

  • Claude Opus 5.5（Anthropic，$4/$20）：Carbon 在内部编码测试中被用来对标的行业标杆；已普遍可用，Artificial Analysis 综合分（58）、Terminal-Bench 4.0（59.6% 独立 / 66.4% 厂商）、Every 资深工程师基准（85%）与 Arena WebDev 榜（1818）均排第一，适合当前就要在生产环境落地复杂 agentic 编程与前端 UI 的团队。
  • Gemini 4 Argon（Google DeepMind，引入期 $2/$10，2026-12-01 起 $4/$20）：同家族唯一已公开可用的旗舰版本（对应内部 Barium-B），提供统一 1,048,576 token 窗口与 Long Decode 超长输出，在企业流程自动化（AutomationBench-AA 78%）与低幻觉率（15%）上领先，但需防范其在代码审查与长链路工程任务中的跳步现象。
  • Claude Sonnet 5.5（Anthropic，$2/$10）与 GPT-6 Astra（OpenAI，$10/$50）：前者与 Argon 引入期同价，但在 Artificial Analysis 综合分（56）、Terminal-Bench 4.0（64%）与 Every 资深工程师基准（85%）上均显著优于 Argon；后者综合分（53）与 Argon 持平、Every 资深工程师基准得 81%，且每任务输出 token 用量不到 Argon 的一半。两者在本区尚无独立研究笔记。

适用建议

  • 不要围绕 Carbon 制定排期或采购计划：它目前没有 API、没有价格、没有公开基准，甚至不能确定会作为独立模型发布还是作为 Argon 的后台版本更新。
  • 当前生产选型按已核验能力切分：多文件终端编程、代码审查与前端 UI 优先用 Claude Opus 5.5 或 Sonnet 5.5；需要百万 token 统一窗口、超长单次交付或低幻觉知识工作的场景用 Gemini 4 Argon，但务必根据 Every 实测揭示的“30 毫秒审查跳步”问题，在工作流外层加上确定性测试或独立模型的交叉审查，不要指望单靠调高 thinking_level 自动解决偷懒。
  • 待 Carbon 正式上线或并入 Argon 后，优先在两类任务上做复测：一是拿 Argon 曾出现跳步的多步代码重构与审查任务做 A/B 对照，确认“不偷懒”是否转化为实际通过率提升；二是实测端到端延迟与思考 token 消耗，核算 2 至 4 倍降速对交互体验与每任务成本的影响。

变更记录

  • 2026-10-25：创建。收录 Business Insider 对内部 Argon / Barium-B / Carbon 代号阶梯与 Jetski 测试的调查、Google 官方 Antigravity ACP 分发包与桌面端 v2.25.0/v2.26.0 二进制中的模型标识符（gemini-4-carbon-teamfood、orionfire / gemini-v4s-jarvis-sc）、10-21 至 10-23 合作伙伴 EAP 与 LMArena 盲测实测（3D 建模跃升、改善跳步偷懒、延迟慢 2–4 倍、前端 UI 仍弱），并对照《Gemini 4 Argon Safety & Security Report》原文证伪“RSI 端到端研发加速”与“便宜 400%”等传闻。

相关知识

  • 前沿大模型：本页所属主题入口，说明前沿模型与重大候选 checkpoint 的收录标准。
  • Gemini 4 Argon：同家族首个公开发布的前沿模型（内部代号 Barium-B），是理解 Carbon 迭代背景、定价锚点与安全报告数据的基线。
  • Claude Opus 5.5：Carbon 在内部编码测试与社区实测中被直接对标的竞争模型。
  • 前沿大模型比较：将 Claude Opus 5.5、Gemini 4 Argon 与 Gemini 4 Carbon 并列对照，区分已核验实测与早期盲测信号。

参考来源