2026 年 10 月 28 日，Google 在官方部落格發布了〈Gemini 4 Carbon: our next frontier model〉。這次 Gemini 4 Carbon 的新聞有一個值得停下來看的落差：它登上獨立綜合能力榜首，開放卻先從特定資安防禦者與可信任夥伴開始。對多數讀者，更有用的問題是：這張成績單，究竟替哪些工作增加了信心？
先還原 Google 想推進的長任務與資安能力，再把獨立評測和公司自報拆開，最後回到選模型、交付工作與設定權限時，真正該改變的決策。榜首是一個值得測試的理由；它本身還不是工作流的驗收結果。
Gemini 4 Carbon 的主線：從回答問題，走向持續做工程
Carbon is built for sustained agentic workflows.
中文：Carbon 是為持續運作的 Agent 工作流程打造。
Google，2026 年 10 月 28 日公告
原文的企圖，是讓模型在複雜工程中持續找路：遇到死路、查出根因、修改程式，再確認修補。Google 描述內部團隊觀察到它運行數天處理任務，也自報安全程式生成、誠實性與協作行為的改善。這些是 Google 對內部使用與測試的敘述，不能直接當成外部團隊已重現的穩定交付率。
「Agent」在這裡也不只是一段比較長的回答。它會經過工具、檔案、執行結果與下一輪決策；任何一段接錯，最後產物都可能出問題。若想先建立這個分工，可讀 Agent Harness 白話解說：模型能力與執行環境，是一起形成工作結果的。
兩個 59 分，回答的是不同問題
Artificial Analysis 的 10 月 28 日獨立評測確認，Carbon 在 high 推理設定下，Intelligence Index v5 得到 59 分，排名第一；同圖的 Claude Opus 5.5 max 為 58。但 Coding Agent Index 測的是工具中的工程工作：Antigravity CLI＋Carbon high 為 59，Claude Code＋Opus 5.5 max 為 62。
it is not leading in all these areas.
中文：它並沒有在所有這些領域都領先。
Artificial Analysis，Carbon 評測文章
這是這次新聞很重要的限定。這張圖下半部的 Coding Agent 榜單還有其他組合在顯示精度下同為 59；不宜把它寫成「單獨第二」。更不能因為 Carbon 綜合分數較高，就推導它在自己的程式庫一定比現用工具好。模型、推理投入與 Harness 都不同，這張表比較的是具體配置的成果。
想像在選一位工程同事：綜合考試成績能縮小候選名單，實際工作還要問他熟悉哪套工具、如何處理既有程式、多久能交件，以及失敗時能否說清楚卡在哪裡。平均能力與特定工作適配，沒有必要互相否定，也不該互相冒充。
Gemini 4 Carbon 跑的是新版考卷，別把跨版分數接成成長率
AA 在 10 月 27 日的 v5 公告說明，這次指數由九項評測組成，60% 權重使用私人測試集或保留答案；新增 FrontierCode 2.0 與 Terminal-Bench-Science，並更新部分舊測試。因此，Carbon 的 59 應與同版、同時點的結果比較，不能直接與舊版指數相減，當作能力增加多少。
更新題目有合理性：模型把熟悉題型做得更好，與它能處理新的困難，是不同的訊號。不過，私人題目也讓一般讀者較難逐題檢查。讀榜單時，我會同時看評測者交代了哪些方法，以及自己的工作能否建立一小組可核對的題目；不能只靠「題目更難」這句話替所有結論加分。
一分的綜合差距同樣不能直接換算成「你的專案成功率高一個百分點」。指數是多種評測的彙整；工作負載、成本限制與錯誤容忍度變了，適合的選擇也可能改變。比較接近實務的問法是：它在哪些失敗類型上，能為我的流程省下一次重做？
資安成績值得看，先分清「找到、驗證、修好」
Google 公告列出的三項分數是 SEC-bench Pro 88.2%、ExploitGym 54.8% 與 CWE-bench 71.0%，分別對應漏洞探索、利用驗證與修補。原文另註明，這組外部 benchmark 的評估是在未加護欄的條件下進行。外部題組不等於每一個結果都已由外部機構獨立重跑；能力測試條件也不能直接當成未來產品的使用條件。
其中，CWE-bench 的原始榜單與方法提供了較具體的外部對帳：v1 列 Carbon＋Antigravity 的 programmatic pass@1 為 71%，pass@4 為 81%。評測涵蓋 120 個任務，每題四次執行、每次限時一小時；兩個欄位不能互換。
這項測試要求 Agent 稽核與修補程式，並檢查漏洞是否被阻擋、既有功能是否維持。它比「模型寫出一段看似合理的修補說明」更接近實際需求。然而，通過指定任務的驗證，仍只支持那組任務與配置的結果；不能推成真實系統的所有弱點都已清除。
對 SEC-bench Pro 的 88.2%，本文保留 Google 自報的歸屬，不把它改寫成已獨立重現。評測原始網站允許切換版本，也呈現任務數與逾時情形；若要拿其他跑分比較，必須先對齊快照、Harness、預算與完成條件。發現漏洞、做出可驗證的利用、修好根因，是相連的工程工作，各自仍要有證據。
0% 攻擊成功率，應該怎麼讀？
Google 也報告 Carbon 在 Gray Swan 間接提示注入測試中的攻擊成功率為 0.0%，並自報越權、服務不足及不實主張等行為改善。這裡能確認的是公司公開了這些測試結果；0.0% 應讀成該次測試下的觀測，不是所有未來攻擊都不會成功的承諾。
對會讀外部文件、開網頁或執行命令的 Agent，能力與權限必須分開設計。更會找漏洞，不會自動決定它可以把哪份資料傳到哪裡；更會辨識惡意文字，也不會替執行器完成目的地限制、檔案範圍與回復機制。這些措施應在模型判斷失準時仍然有效。
先前的 Qwen 異常上傳證據判讀可作為對照：模型提出動作、工具真的執行、網路真的送出，是三段不同證據。評估 Carbon 時，也應保留同樣的邊界，而不是因為安全榜單改善，就擴大它能碰觸的資料與權限。
受限開放與價格：公告有了，導入時程仍要另列
依 Google 的發布公告，Carbon 先向部分資安防禦者開放，再透過 Fairwind Program逐步提供可信任夥伴；開發者、企業與一般消費者的較廣泛使用仍屬後續安排。本文於 2026 年 10 月 29 日查閱的 AA 發布報告也明說尚未公開提供。不能把發布新聞當成所有帳號都已能選到模型。
Google 公告的每百萬 tokens 輸入／輸出介紹價為 US$2／US$10，介紹期後為 US$4／US$20；AA 的比較圖採標準價。討論「同價升級」時，先問對比的是哪個時段、哪種 token，以及一次任務實際消耗多少；此處不把公告價格寫成已可普遍購買的服務。
對目前拿不到使用權的團隊，最有價值的準備不是等待一個猜測的上線日期，而是先整理現有模型的失敗紀錄。等入口真的開放，便能立即用同一組工作比較，避免每次發布都只重新看一輪演示。
AlphaLab 的判讀：我同意把它放進候選，對「直接換掉」保留判斷
一、綜合領先值得重視，驗收要回到任務
我同意這次發布有實質訊號：獨立綜合評測領先，程式 Agent 表現前進，修補測試也有可回查的外部結果。把這些全部歸為宣傳，會忽略可檢驗的進展。我的保留是，把不同證據壓成一句「全面最強」，會讓讀者失去真正有用的選擇依據。
如果你要的是寫簡報、讀文件、修大型程式庫或做防禦稽核，應分別挑代表性工作；哪一項錯誤最貴，就把哪一項設成必過條件。高平均分不能抵銷一次不可接受的資料外傳，也不能替一次沒有修好根因的變更簽收。
二、長時間運作的價值，在可驗證的進度
「跑了幾天」描述持續時間；「交出多少合格成果」才接到用途。長任務應留下中間產物、測試結果、停止原因與接續位置。否則，失敗可能只是更晚才被發現。導入時，我會先問：它能否在卡住時留下真實狀態，讓下一位接手者分得清已完成、已嘗試與尚待執行？
這也是 Agent Observability 入門的用途：看見工具與決策的串接，才能判斷改善來自模型、設定還是偶然。再用 Harness 實作流程把停止條件與驗收接上，讓一次長時間執行有清楚的交付邊界。
三、便宜要以合格成果為分母
模型單價只是一格成本。長任務還有推理用量、工具費、重試、等待與人工驗收。若模型少犯一次關鍵錯誤，較高單價可能划算；若它用更多時間繞路，即使折扣價也未必省。我的決策方式，是把整批執行與驗收成本加總，再除以真正合格的成果數，同時記下最差情況。這是建議的記帳方式，沒有代入虛構實測。
下一步：先做一份能讓新模型輸掉的測試單
選幾個已知會失敗、又能安全回復的小任務，先寫答案與必過條件，再固定輸入、工具、權限與時間預算。使用自己有權處理的程式與合成資料；資安工作只在明確授權、隔離的目標上進行。不要為了測一項模型能力，把正式資料與正式寫入權一起交出去。
每次保存模型版本、推理設定、Harness、總時間、費用、工具紀錄與最終產物。把「有交件」「內容合格」「遇到邊界會停止」分開記。AI Evals 入門能幫你先定義失敗，再看新模型究竟修正了什麼；也要留下它輸給現用方案的例子。
Gemini 4 Carbon 現在值得提高的是測試優先度，而不是未經驗收的信任額度。接下來最有份量的證據，是更廣泛的可用性、固定配置下的外部任務結果，以及整份合格成果的成本。等這些接得起來，再決定哪些工作值得遷移。
