先看证据
旗舰模型先设门槛，发布方式本身就是变化
Google DeepMind于2026年10月28日发布Gemini 4 Carbon，将它定位为Argon之后的新旗舰，重点面向网络安全和长时间、多步骤的工程任务。Carbon先通过Fairwind项目提供给经过审查的网络防御者，扩大到开发者、企业和消费者的时间尚未公布。Fairwind面向政府、医疗、通信等关键基础设施组织等潜在对象，要求用途限于获授权的网络安全工作。
这让Carbon的发布不只是一次模型换代。它把能够发现漏洞、验证漏洞是否可利用、并协助修补的能力，与访问资格一起交付：一边宣传高分，一边不立即向所有开发者开放。对于技术负责人，关键问题因此不只是“它在榜上排第几”，还包括组织是否能证明授权、限制执行范围，并承担模型出错的后果。
三项安全分数不是一张通用的防护成绩单
Google公布的网络安全成绩分别是：SEC-bench Pro漏洞发现88.2%，ExploitGym漏洞利用54.8%，CWE-bench漏洞修补71.0%。这些数字指向不同任务环节，不能合并成“模型能独立保护生产系统”的结论。尤其是漏洞利用能力本身具有双重用途，成绩越高，越需要把使用者身份、目标范围和执行环境纳入部署设计。
测试来源和可复核程度也不相同。SEC-bench Pro和ExploitGym成绩由Google按开源评测设置计算；方法文件说明，ExploitGym使用Antigravity框架、每项单次尝试并关闭缓解措施，部分结果采用最高思考设置。CWE-bench的71%来自Collinear公开排行榜，但其测试集包含120个保留任务、覆盖73种弱点类型，外部机构无法直接取得完整任务集。因此，第三方榜单不等于外部研究者可以完整复现实验。
综合第一，仍然不是每种工作都领先
Artificial Analysis的Intelligence Index v5给Carbon 59分、列第一，但它只领先九项组成评测中的四项。这是综合指数领先，不是所有能力全面胜出。作为对照，Carbon在Coding Agent Index得59分，低于使用Claude Code的Opus 5.5最高配置所得62分；FrontierSWE上Carbon为61.2%，也低于GPT-6 Astra的65.5%和Opus 5.5的62.3%。
不同榜单还会把模型与特定工具链一起测量。Carbon的编码代理成绩是在Antigravity CLI中取得，换用其他harness后的表现尚未验证。知识工作评测AA-Briefcase上，它达到1609 Elo，较Argon高126分，但仍落后于Grok 4.7、Muse Wonder和Kimi K3.1 Pro的1678分。对采购和平台团队而言，榜单更适合筛选值得试点的任务，不宜直接替代自家代码库、权限配置和工作流上的验证。
长任务能力要和失败模式一起看
Google称Carbon面向持续数小时乃至数天的代理式工作流，并强调它能在大型代码库中排查、验证和修补复杂问题。但公开资料没有披露模型架构或训练配方，也没有证明这类端到端工作流已能在真实生产环境中独立运行。公布的安全代码生成成功率虽称比Argon高两倍以上，却没有同时给出原始成功率、任务数量或置信区间，难以据此判断提升有多稳定。
可靠性指标也并非一路改善。Artificial Analysis报告Carbon的幻觉率为11%，高于Argon的4%，尽管仍是其测量范围内第二低的结果。对漏洞分析而言，这种变化意味着模型即使能更长时间地执行任务，也可能把不确定判断包装成可信结论；“持续工作”因此不能等同于“持续正确”。
试点应验证工作流，而不是复刻排行榜
Carbon适合先在有明确授权、可隔离的环境中试点：把漏洞筛查、利用验证和补丁建议拆成可审计步骤，限制目标范围，并让人工确认利用结果和补丁是否成立。测试中涉及的单次尝试、关闭缓解措施和特定框架，都是解释成绩时不能忽略的条件；它们不应被悄悄带入生产流程。组织还需要记录模型调用、工具权限和人工否决结果，才能分辨问题来自模型、harness还是任务配置。
成本口径也需要在采购前核对。Google给出的介绍价是每百万输入token 2美元、输出token 10美元，介绍期后为4美元和20美元，但没有说明介绍期何时结束；Artificial Analysis则列出4美元和20美元的标准价，并称存在没有结束日期的五折优惠。缓存输入token另为每百万0.20美元。对长任务代理而言，标价之外还应测量实际调用量和每项任务总成本；在开放时间、评测复现性和护栏效果仍未明确时，合理判断是小范围授权试点，而非把榜单第一当作上线许可。