谷歌这次发布的 Gemini 4 Carbon，确实有点东西。而且AA榜单更新到V5之后，Gemini 4 carbon直接超越所有的大模型，拉到了全球榜单的首位。
距离上一款 Gemini 4 Argon 面向普通开发者开放才过去半个月，谷歌又拿出了一个更强的模型。不得不说谷歌真的把钱都投入到大模型的研发上，导致昨天股价一泻千里，直接跌幅超过10%。
看来谷歌是铁了心的要把自己的大模型给搞起来了。这次新版本的模型不是简单地在某个数学榜单刷分，而是在综合智能、编程、Agent、网络安全等多个方向取得了领先成绩。
总结起来就三点：
谷歌重新登顶综合智能榜单；
大模型开始真正向长周期工程任务发展；
谷歌已经将网络安全当作下一阶段的核心竞争方向。
先来看看最新的AA榜单排名，从成绩来看，Carbon 相较 Argon 直接提高了 9 分，提升幅度不小。
但需要注意，Carbon 比 Opus 5.5 只高 1 分，比 GPT-6 Astra 高 2 分。 这说明它站上了第一梯队的最前面，但还谈不上对其他模型形成碾压。
而在几个更有意思的专项测试中，Carbon 的表现更加突出：
其中我比较关注的是 GraphWalks，它评估的是模型在超长上下文中追踪复杂关系的能力。这次 Carbon 达到 96.2%，而 GPT-6 Astra 是 71.8%，Opus 5.5 是 66.8%。
也就说，在特定长上下文推理任务中，Carbon 的优势非常明显。当然，单项评测不能直接等同于真实业务中的百万 Token 理解能力。
当让，在其他榜单上，Gemini 4 Carbon也拿到了第一名。（ LMArena Text Arena 和 Agents' Last Exam（ALE） 两项评测中都取得了非常亮眼的成绩。）
LMArena 反映用户更喜欢哪个模型的回答
ALE 更关注 AI 能否真正完成复杂工作。
在LMArena 评测榜单中，相比 Argon，用户偏好进一步提升。 原始评分提高约 11 分。领先 Claude 顶级模型。 相比 Opus 5.5 高约 24 分。
不过，有两个细节要注意。首先，Elo 类评分不是正确率，1540 分不代表回答正确率 95% 或者 99%。其次，Carbon 目前只有约 4403 次投票，样本量明显少于一些已经上线更久的模型。再加上排名差距相对有限，后续还可能变化。
在”Agent的最后考试“中，Carbon 相比 Argon 提高了 8.4 个百分点。它的任务来自真实职业场景，早期基准覆盖超过 1500 个专家任务、55 种职业，涉及办公软件、信息处理、研究分析等复杂工作。
例如，一个 Agent 可能需要读取文件、整理数据、跨多个软件执行操作、生成最终交付物，还要保证过程中没有出现严重错误。
因此，与 LMArena 相比，ALE 更重视工具使用、规划、执行和结果质量。
Google 还在官方提到，Carbon 在内部测试中已经能够持续运行数天，完成大型代码库的问题定位、调试和修复任务。
真实案例Gemini 4 Carbon 到底能做什么？我们来看别人实际测试出来的案例。
先看这朵机械花
花瓣、金属结构、光照，还有旁边飞动的小蜜蜂，组成了一个完整的 3D 动画。测试者说，这是用 three.js 制作的，前后花了约 1 小时 43 分钟。蜜蜂甚至不在最初要求里，而是模型在自由发挥时加上的细节。
接着看复杂场景
有人让它搭建霍格沃茨风格的体素城堡，镜头可以从外部切到内部；还有日式庭园、宝塔岛屿，不只是摆出建筑，也展示了不同视角和光照。
不过，城堡作者明确说了：这是四次结果里最好的一次。画面惊艳，和每次都能稳定做出来，是两回事。
再看 SVG 图形
可乐瓶、PS5 手柄，还有经典的“鹈鹕骑自行车”，都有人拿来测试。它们考验的不只是画得像，还包括结构、细节，以及动画能不能协调起来。
更进一步：小游戏
有人展示了马里奥风格的平台游戏，包含地上和地下场景。作者说，大约花了 30 分钟，首次尝试就得到了这个结果。但视频展示出来了，不代表所有碰撞、关卡和重启逻辑都经过了验证。
从这些实际案例来看，Gemini 4 Carbon 的能力确实很强，尤其是 3D 场景、SVG 动画和小游戏，已经不只是简单地生成代码，而是能够把一段文字描述变成一个相对完整的作品。
但是，生成速度比较慢，而且效果惊艳不代表每次都能稳定复现。
对于程序员来说，我更关心的其实不是模型能不能花两个小时做出一个漂亮的网页，而是它能不能在真实项目中理解代码、定位 Bug、完成修改，并保证不破坏原有功能。
Google 宣称 Carbon 已经能够持续运行数天，完成复杂代码库的调试和修复。虽然目前还缺少足够的公开案例验证，但这至少反映了一个趋势：大模型正在从代码生成工具，向能够长期自主工作的 Coding Agent 发展。
至于这次 Carbon 登顶多个榜单，我觉得也没必要过度神化。Claude 在 Coding Agent 上依然很强，GPT 也有自己的优势。
未来大模型真正的竞争，不是谁在榜单上高一两分，而是谁能用更低的成本、更短的时间、更少的人工干预，把事情真正做完。
谷歌这次确实证明了自己有能力坐上第一梯队的头把交椅。至于能坐多久，就看 OpenAI 和 Anthropic 下一轮怎么接招了。
