谷歌旗舰模型的生命周期，为何只有短短15天？

美国时间10月28日，在Alphabet第三季度财报电话会议开始前大约3小时，谷歌发布了新一代旗舰模型Gemini 4 Carbon。该模型以59分的成绩登上Artificial Analysis最新智能指数榜首，超越了Claude Opus 5.5和GPT-6 Astra，成为全球排名第一的模型。

模型取得了第一，但财报的表现就没那么亮眼了。Alphabet第三季度自由现金流恶化至负90.65亿美元，连续第二个季度为负，导致股价在盘后一度下跌超过10%。

就在两周前，谷歌才正式向付费用户开放了Gemini 4 Argon。有网友直接评论：“Carbon比Argon强太多了。我真希望谷歌当初直接跳过Argon，这样这次的回归会更有说服力。”还有网友调侃谷歌的命名方式：“两周内从氩（Argon）变成碳（Carbon），下一个就是铁（Iron），然后就该开始热处理了。笑死。”

从已经公开的数据来看，Gemini 4 Carbon的进步确实非常显著。可惜谷歌又一次选择了分阶段开放，普通用户只能看着排行榜上的新冠军，继续使用刚被网友建议“直接跳过”的Argon。

时隔大约半年，谷歌终于重返Artificial Analysis智能指数榜首。上一次Gemini位列榜首还是今年4月，当时Gemini 3.1 Pro与GPT-5.4、Claude Opus 4.7并列第一。随后OpenAI和Anthropic相继推出更强的模型，谷歌直到Carbon发布才重新登顶。

在Artificial Analysis最新的智能指数v5.0中，Carbon获得了59分，比Argon的50分提高了9分，比Claude Opus 5.5高1分，比GPT-6 Astra高2分。在组成该指数的9项测试中，Carbon拿到了4项第一，尤其在复杂推理、科学研究、知识问答和自动化任务方面表现突出。

其中编程能力的提升最值得关注。在Artificial Analysis另一套专门衡量AI编程能力的Coding Agent指数中，Carbon获得59分，仅次于Claude Opus 5.5的62分。谷歌过去在这类测试中一直不算突出，这次终于追赶上来。在Terminal-Bench 4.0终端编程测试中，Carbon的成绩也从Argon的57.1%提高到65.2%。网页开发方面，Carbon在WebDev Arena上的评分较Argon提高了89个Elo分，以1768分升至第四名（谷歌官方公告为1769分，本文以Arena原始排行榜为准）。长上下文处理能力也有明显改善。在GraphWalks测试中，Carbon的成绩从Argon的84.2%提高到96.2%，超过了GPT-6 Astra的71.8%。这项测试考察模型在长达百万Token的上下文中追踪复杂关联的能力。

不过，在编程Agent、部分软件工程及电脑操作测试中，Claude和GPT仍然保持领先。

跑分之外，谷歌特地强调了Carbon执行复杂任务的能力。官方公告表示，Carbon专门针对长时间运行的Agent工作流程进行了优化。在内部测试中，它已经能够连续运行数天，反复尝试不同的方法，在大型代码库和底层系统中定位、修复复杂的错误。这意味着，Carbon有望在遇到困难时继续推进工作，逐步承担过去需要工程师长时间参与的任务。

另一项重点升级是模型的网络安全能力。根据官方文档，在SEC-bench Pro漏洞发现测试中，Carbon获得88.2%的成绩；在ExploitGym漏洞利用验证测试中达到54.8%；在CWE-bench漏洞修复测试中达到71.0%，均取得了领先成绩。谷歌还透露，在内部安全代码生成测试中，Carbon的成功率超过Argon的两倍。此外，在Gray Swan的间接提示注入测试中，Carbon也取得了0%的攻击成功率。这项测试专门考察AI能否抵挡藏在网页、邮件和其他外部资料中的恶意指令。在允许攻击者最多尝试15次的情况下，Carbon抵挡住了全部测试攻击。相比之下，Argon的攻击成功率为0.7%，Claude Opus 5.5为1%，GPT-6 Astra为8.5%。

还有一点比较有意思：Carbon是个官方认定的“老实模型”。过去一些AI模型为了完成任务，可能会钻测试环境的漏洞，甚至通过不符合任务要求的手段骗取高分。但谷歌宣称，Carbon在Terminal-Bench 4.0测试中的作弊成功率已经降至0%，作弊尝试率也降低至0.4%。在内部测试中，Carbon缺乏依据的断言数量较Argon减少约一半，高严重程度的行为偏离警报下降近80%。模型越权操作的情况减少26%，任务完成不足的情况减少29%。当然，这些结果仍然受到具体测试条件的限制，但可以看出，谷歌希望让AI在执行复杂任务时少耍小聪明。

至于价格，Carbon暂时沿用了Argon的优惠定价。每百万输入Token收费2美元，输出10美元，缓存输入享受95%的折扣。优惠期结束后，价格将分别上涨至4美元和20美元。Artificial Analysis的测试还显示，按照优惠期结束后的标准API价格计算，Carbon平均完成一项综合评测任务的成本为7.76美元，与Argon的7.68美元基本持平（但综合得分提高了9分）。相比之下，Claude Opus 5.5的单任务成本为10.04美元，Carbon便宜约23%；GPT-6 Astra则只需6.24美元，比Carbon低约20%。

唯一的问题是，现在还没有多少人能够真正用上Carbon。谷歌宣布，本周将率先向少数网络安全防御机构开放模型，再通过Fairwind计划逐步扩大至可信合作伙伴。普通消费者、开发者和企业客户还需要继续等待，具体开放时间尚未公布。

虽然Carbon尚未全面开放，但在正式发布前，已经有部分开发者通过提前访问计划和Arena测试到了它。从目前公开的反馈来看，Carbon确实比Argon强了不少——尤其是在3D内容生成方面。10月21日，X用户Lumina分享了一组测试结果，包括生成体素宝塔，以及用SVG绘制骑自行车的鹈鹕。他认为，Carbon生成的3D内容质量明显超过Argon，在多种任务中的整体表现也不错。但有一个很突出的问题：太慢了。Lumina表示，根据具体任务不同，Carbon的生成速度比Argon慢约2至4倍。另一位关注Carbon早期测试的网友Lentils也给出了相似的评价：3D能力明显提升，前端和UI设计依然不太理想，而且模型变得更慢了。不过，他也发现一个积极的变化：Carbon没有以前那么“懒”了，在执行任务时更加积极，不容易敷衍了事。

速度问题并非个别开发者的错觉。独立评测机构Vals AI也发现，Carbon的能力提升伴随着明显的速度代价。在金融和税务Agent测试中，Carbon平均完成任务的时间分别是Argon的2.25倍和2.12倍。其中，金融Agent的准确率甚至从67.66%小幅下降至67.16%。法律研究测试中，Carbon虽然拿到了第一名，但平均每项任务需要近52分钟，比Argon多耗时约20分钟。

另一项争议来自Carbon的准确率问题。有网友在X上直言：“说实话，只要谷歌还没把模型的幻觉率大幅降下来，不管它在基准测试里比其他模型高多少分，我都不感兴趣。”Artificial Analysis的AA-Omniscience测试则显示，Carbon的知识问答正确率从Argon的48%提高到58%，但幻觉率从4%增加到了11%。这里的幻觉率，衡量的是模型在没有完全答对的问题中，有多少比例给出了错误回答，而没有承认自己不知道。前面提到过，谷歌在官方公告中还专门强调Carbon缺乏依据的断言较Argon减少了一半，两项测试的任务和统计口径不同。

还有不少开发者对谷歌的发布方式感到不满。在Hacker News上，有网友抱怨，谷歌每次都急着宣布新模型，却迟迟不给出明确的开放日期。等到Carbon真正向公众开放，OpenAI和Anthropic可能已经发布了下一款更强的模型。有网友给出了一个很损的比喻，他觉得谷歌这次的发布方式，简直就像一个人四处炫耀：“我有个女朋友，只不过她在另一所学校，你们都不认识她。”

Carbon发布后几个小时，谷歌母公司Alphabet公布了第三季度财报。如果只看营收和云业务的增长情况，谷歌的成绩其实相当漂亮。第三季度，Alphabet总营收达到1275.77亿美元，同比增长25%。其中，Google Cloud营收307.09亿美元，同比增长103%，营收规模较去年同期翻了一倍多。云业务的营业利润也从去年同期的35.94亿美元增长至111.21亿美元，利润率由23.7%提高至36.2%。用户规模同样在增长。皮查伊在财报电话会上透露，Gemini App的用户数已经达到10亿，成为谷歌历史上增长最快的产品；谷歌自有模型API每分钟处理近320亿Token，是一年前的四倍以上。

然而，资本市场的反应却相当冷淡。10月28日美股常规交易时段，Alphabet股价还上涨了1.34%。但随着财报公布，股价迅速转跌，盘后跌幅一度超过10%。Carbon刚刚帮谷歌拿下全球第一，似乎也没能挽住投资者的信心。原因之一是广告业务不及预期。第三季度谷歌广告收入达到820.12亿美元，同比增长约11%，但比分析师预期低约14.1亿美元。财报电话会上，谷歌高管表示，AI Mode虽然带来了快速增长的查询量，但目前每次查询的广告变现水平仍低于传统搜索，因此也在一定程度上拖累了谷歌搜索业务的收入增速。

与此同时，谷歌花钱的速度越来越快。第三季度，Alphabet资本开支达到513.55亿美元，自由现金流降至负90.65亿美元，连续第二个季度为负。虽然本季度的现金流还受到52亿美元欧盟罚款支付，以及TPU系统备货等因素影响，但基础设施投资的压力确实存在。Alphabet预计，2026年全年资本开支将达到1950亿至2050亿美元，2027年还会继续显著增加。为了满足持续增长的算力需求，谷歌甚至开始使用第三方算力，首席财务官预计，这将在短期内给云业务利润率带来压力。

在电话会上，皮查伊也透露了Carbon接下来的发展计划。谷歌正在开发Carbon的蒸馏版本，希望在兼顾算力成本、响应延迟和模型质量的前提下，将其部署到10亿用户规模的产品中。这也从侧面说明，把模型做到全球第一，与把全球第一的模型交到10亿用户手里，中间仍然隔着相当大的成本和工程难题。当然，谷歌有自己的优势。它已经拥有庞大的用户群体、盈利能力持续增长的云业务，以及能够对外销售的TPU系统。即使最强模型暂时不能全面开放，谷歌仍然有很多渠道将AI能力转化为收入。而且谷歌已经开始在内部尝到AI带来的生产率红利。皮查伊透露，过去几周，谷歌的Chrome、广告和搜索团队使用Argon编写和优化代码，交付的代码量增加了35%，错误减少了30%。如今，谷歌也已经开始在内部部署Carbon。皮查伊认为，新模型的能力又有了明显提升，随着更多员工获得使用权限和算力支持，未来一年谷歌内部的生产效率还有望进一步提高。

Carbon确实为谷歌挽回了技术上的面子，也让它在与OpenAI、Anthropic的竞争中重新占据了有利位置。但资本市场需要的，恐怕不止一张漂亮的排行榜。