排行榜躍居第一，存取權限仍有限
Google 宣布推出人工智慧模型 Gemini 4 Carbon，該模型在 Artificial Analysis Intelligence Index v5.0 獲得 59 分，並在尋找、測試及修補軟體漏洞方面展現亮眼成果。首批使用者將是經過遴選的網路安全防禦人員，而非一般大眾。
目錄
Google 於 2026 年 10 月 28 日發布的Gemini 4 Carbon 公告指出，這款模型在整體能力指標上領先 Claude Opus 5.5 和 GPT-6 Astra。距離 Gemini 4 Argon 推出僅兩週，Google 便再推出一款旗艦模型，許多使用者甚至還沒來得及充分體驗前一款模型。
Google DeepMind 資深副總裁兼 Google 首席 AI 架構師 Koray Kavukcuoglu 說明了這款模型的核心優勢：
Gemini 4 Carbon 是我們目前最強大的模型，在網路安全和長時程任務能力方面達到最先進水準。
Google 表示，內部團隊曾觀察 Carbon 花上數天處理艱難的工程任務，包括追查隱蔽的錯誤，並在大型軟體專案中提出修正方案。對安全團隊而言，這代表助理能持續處理問題，即使多次嘗試失敗也不會中途停下，而不是只提出答案就結束。
Carbon 的推出也凸顯實務上的兩難：發現並利用軟體弱點的能力，既能協助防禦者修補系統，也可能讓攻擊者取得有用的能力。Google 正在發布前參與美國政府的自願測試，並將透過 Fairwind Program 逐步擴大使用權限。
綜合各項結果，才能看出較完整的情況：Carbon 在廣泛的智慧能力指標及多項安全測試中居首，但在某些程式設計任務上落後競爭對手。Google 表示內部測試的可靠度有所提升，但外部測試也顯示，與 Argon 相比，Carbon 編造答案的比例上升。
網路安全評分衡量什麼
Google 公布了三項主要安全測試成績：SEC-bench Pro 為 88.2%、ExploitGym 為 54.8%，Collinear 的 CWE-bench 則為 71.0%。每項測試衡量防禦工作中的不同環節。
SEC-bench Pro 測試模型能否在實際軟體中找出漏洞。漏洞是可能讓他人存取資訊、變更系統或干擾系統運作的弱點。Google 表示，Carbon 在這項評測中居首，能找出隱藏在軟體中的複雜缺陷。
ExploitGym 測試下一個步驟：能否將弱點轉化為可用的攻擊程式。攻擊程式是利用缺陷，使系統以非預期方式運作的方法。安全團隊會在受控環境中進行利用測試，確認哪些弱點會造成立即危險、應優先修補。
CWE-bench 衡量修補能力，也就是撰寫程式碼來解決根本問題。Carbon 在這項測試中得分 71.0%，重點在於完成修復，而不只是指出可疑程式碼。
Google 表示，這些外部網路安全基準測試進行時並未啟用防護限制，也就是模型部署後用來限制其行為的保護措施，在評測期間並未生效。測試分數反映的是這些測試條件下的表現；透過 Google 產品使用時，則會包含安全控管機制。
Google 另表示，在內部基準測試中，Carbon 產出安全程式碼的成功率是 Argon 的兩倍以上。Google Chrome 團隊指出，與一家未具名競爭實驗室的大型前沿模型相比，Carbon 產出高品質修補程式的表現高出十倍以上。這些內部安全程式碼測試結果尚未經獨立重現，Google 也未透露比較中的競爭模型。
排名第一不代表每項任務都勝出
Artificial Analysis 在 Intelligence Index v5.0 給予 Carbon 59 分，Claude Opus 5.5 為 58 分，GPT-6 Astra 為 57 分。因此，Carbon 領先 Opus 1 分、領先 Astra 2 分，差距小於 Google 在網路安全比較中展現的優勢。
這項指標綜合九項評測，Carbon 在其中四項居首：HLE-Diamond、TB-Science、AA-Omniscience 和 AutomationBench。Artificial Analysis 表示，修訂後的指標有 60% 採用非公開測試，題目不會對外流通。
程式設計評測的結果較為參差。搭配 Google Antigravity CLI 的 Carbon 在 Coding Agent Index 得 59 分，搭配 Opus 5.5 的 Claude Code 則為 62 分。程式設計代理會結合模型與工具，讓模型檢查檔案、執行指令及編輯軟體，因此搭配的軟體也會影響結果。
Carbon 在 FrontierCode v1.1 得分 51%，低於 Opus 的 56%。在 FrontierSWE 上，Carbon 得分 61.2%，GPT-6 Astra 為 65.5%、Opus 5.5 為 62.3%，Sonnet 5.5 則為 61.9%。這些比較讓開發者有具體依據，可參考與自身工作最相關的任務，而不只看整體排名。
網頁開發也是有所進展的領域。Google 公告指出，Carbon 在 WebDev Arena 排名第四，Elo 分數為 1,768，提升了 89 分。Elo 是根據相對表現計算的評分系統。Carbon 在 Text Arena 以 1,528 分排名第一，在 Agent Arena 排名第二，展現出網路安全以外的實力。
連續工作數天，而非只回答一次
Google 將 Carbon 設計用於長時間持續運作的代理工作流程，讓 AI 系統透過一連串行動達成目標。在軟體工程領域，這可能包括檢查專案、推測錯誤原因、修改程式碼、執行測試，並在測試失敗時調整修正方案。
Google 內部團隊表示，Carbon 曾持續數天處理涉及大型程式碼庫與低階系統的複雜任務。Google 說，Carbon 能在碰壁時繼續嘗試；當第一個看似合理的解釋最後證明有誤時，這項能力尤其重要。
據報導，Carbon 的規格包括 100 萬個 token 的上下文視窗，以及最高 100 萬個 token 的輸出量。Token 是模型處理的文字小單位。上下文視窗則是模型一次能參照的資訊量，包括指令和任務相關資料。
據報導，Carbon 可接收文字、圖片、影片和語音，並產出文字。這些輸入形式可能讓使用者在同一工作流程中，納入文字錯誤報告、螢幕截圖，以及軟體異常行為的錄影。
不同領域的表現有所差異。在 AA-Briefcase 知識工作評測中，Carbon 獲得 1,609 Elo 分，較 Argon 提升 126 分，但仍落後 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro。Carbon 在 Vals Index 排名第二，在其 Finance Index 和 Legal Research Benchmark 則排名第一。各項結果差異顯示，企業選擇模型時，可能要視需求是修復軟體、分析文件，或執行其他特定工作而定。
安全測試區分嘗試作弊與成功作弊
Google 表示，Carbon 在 Terminal-Bench 4.0 的成功作弊率為 0.0%，嘗試作弊率則為 0.4%。這兩項數字代表不同情況：模型是否試圖採取不當捷徑，以及該次嘗試是否成功。
Google 表示，Carbon 在提升任務準確度的同時，也減少了這類取巧行為。在與自家團隊進行的即時程式設計工作中，嚴重偏離預期行為的警示減少近 80%。
提示注入也是測試重點之一。這種攻擊會把指令放進 AI 應閱讀的資料中，例如網頁或檔案，藉此讓 AI 偏離使用者交代的任務。檢查專案的助理可能會遇到要求它忽略原有指示或洩漏資訊的文字。
Carbon 在 Gray Swan 的間接提示注入基準測試中，攻擊成功率為 0.0%。作為比較，Argon 為 0.7%、Claude Opus 5.5 為 1%，GPT-6 Astra 則為 8.5%。Google 的測試結果代表，Carbon 抵禦了該測試中所有攻擊嘗試。
Google 表示，Carbon 結合模型訓練與運作期間防止濫用的防護措施、抵禦提示注入的能力，以及對推理過程的監控。初期採取限量開放，讓 Google 能在特定防禦人員使用時收集回饋，並調整這些防護措施。
內部測試顯示可靠度提升，外部一項指標卻轉差
Google 表示，在內部測試中，Carbon 提出缺乏根據的說法比 Argon 減少約一半。Google 描述的 Carbon 更可能說明缺少哪些證據、列出尚未完成的要求，並在採取行動前指出資訊衝突。
Google 也表示，Carbon 的越界行為減少 26%，未充分完成要求的情況則減少 29%。簡單來說，Google 認為 Carbon 較不容易超出使用者指示，也較不容易在完成要求的工作前就停下來。
Artificial Analysis 在 Omniscience 評測中記錄到不同變化：Carbon 的幻覺率升至 11%，高於 Argon 的 4%。幻覺是指將編造或錯誤資訊當成事實呈現的回答。儘管如此，Carbon 在該比較中的測得幻覺率仍是第二低；Opus 5.5 和 Astra 則同為 50%。
即使幻覺率較高，Carbon 仍以 54 分在 Omniscience 評測中居首。模型可能因答對更多問題而取得較高成績，同時在嘗試回答過去會避開的問題時犯下更多錯誤。Google 內部衡量的無根據說法與外部評測的幻覺指標採用不同測試，因此使用者需要分別考量這兩項可靠度結果。
對安全團隊而言，檢查成果仍是工作的一部分。聲稱發現的漏洞需要進一步檢驗，提出的修補程式也要在其所修改的軟體上進行測試。Google 所說的改善，正是針對助理可能過早宣稱成功，或採取超出要求範圍行動的情況。
哪些人能使用，以及何時開放？
Google 表示，在 10 月 28 日公告當週，部分網路安全防禦人員將獲得 Carbon 的使用權限。之後會透過 Fairwind 逐步開放給其他受信任合作夥伴，再透過 Google 產品提供給開發者、企業和一般消費者。
公布的開放順序如下：
- Carbon 推出前約兩週：Google 發布 Gemini 4 Argon，之後在 Gemini 應用程式和 AI 搜尋模式中開放使用。
- 2026 年 10 月 28 日：Google 發布 Carbon 公告及基準測試結果。
- 10 月 28 日當週：開始向經遴選的網路安全防禦人員開放使用。
- 後續階段：Google 先透過 Fairwind 擴大開放，再逐步提供更廣泛的產品使用權限。
Google 正參與美國政府推出的自願流程，在模型發布前進行測試。公告未提供全面開放給大眾的日期，也未說明 Carbon 的初期定價何時結束。
有說法認為 Google AI Ultra 訂閱者和 Gemini API 開發者可能成為早期客戶，但 Google 公布的開放承諾只列出開發者、企業和一般消費者等較大的群體，未確認具體順序。
在外界日益擔憂 AI 遭惡意利用之際，Google 決定先開放給防禦人員。Google 威脅研究人員曾記錄由伊朗、北韓、俄羅斯和中國支持的團體試用 Gemini，主要用於研究和程式設計輔助。DeepMind 執行長 Demis Hassabis 曾形容近期 AI 代理遭駭事件是早期警訊。
Carbon 對開發者的收費
Carbon API 的初期價格為每百萬個輸入 token 2 美元、每百萬個輸出 token 10 美元，與 Argon 推出時的費率相同。API 可讓開發者將模型連接到自有軟體。輸入是傳送給 Carbon 的資料；輸出則是模型產生的內容。
初期優惠結束後，價格將翻倍，調整為每百萬個輸入 token 4 美元、每百萬個輸出 token 20 美元。因此，一項使用 100 萬個輸入 token 和 100 萬個輸出 token 的任務，在初期費率下需花費 12 美元，標準費率則為 24 美元，尚未計入快取或其他調整。
Google 表示，快取輸入可享 95% 折扣。快取可讓服務重複使用先前已處理的資料，降低多次提供相同大型文件或軟體專案的成本。以初期輸入費率計算，每百萬個快取輸入 token 為 0.10 美元；標準費率則為 0.20 美元。
實際支出也取決於模型完成任務時產生多少文字。Artificial Analysis 列出的 Carbon 每項指標任務成本為 7.76 美元，Opus 5.5 為 10.04 美元，GPT-6 Astra 則為 6.25 美元。在這項評測中，Carbon 每項任務約使用 12.3 萬個輸出 token，比 Opus 少 29%。
其他工作負載可能呈現不同情況。Vals 記錄到 Carbon 產生的輸出 token 比 Argon 多 64%，主要出現在金融、稅務和法律任務。開發者為 Carbon 編列預算時，因此需要同時考量 token 費率，以及模型每項任務實際完成的工作量。
重點整理
- Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5.0 以 59 分居首，領先 Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分。
- Google 公布的安全測試成績為：尋找漏洞 88.2%、利用漏洞 54.8%、修補漏洞 71.0%。
- 在多項程式設計評測中，Carbon 落後於其他模型與工具組合。
- Google 表示，Carbon 在 Terminal-Bench 4.0 沒有成功作弊，在 Gray Swan 提示注入測試中也未遭任何攻擊得手。
- 內部測試中，缺乏根據的說法約減少一半；外部幻覺指標則從 Argon 的 4% 升至 Carbon 的 11%。
- 經遴選的網路安全防禦人員將最先取得使用權限，之後透過 Fairwind 擴大開放，再提供給更多使用者。
- API 初期價格為每百萬個輸入 token 2 美元、每百萬個輸出 token 10 美元，之後將分別調漲至 4 美元和 20 美元。
