Gemini 4 Carbon

原文 ↗ Hacker News 讨论 ↗

Google 的新 Gemini 4 Carbon 模型被宣传为最先进的产品，在知名 AI 基准上取得了顶尖成绩，并声称在编码准确性、安全性和抗提示注入方面有重大提升。评论者的态度分化：一方面对其激进定价以及挑战 Anthropic 的 Opus 和 OpenAI 最新模型的潜力感到兴奋；另一方面又对基准挑选、Artificial Analysis 指标变化不定，以及这些提升是否能转化为真实世界中的 agentic 编码和长上下文工作表示怀疑。许多人还批评 Google 一贯的“纸面发布”模式：上线缓慢、令人困惑、订阅割裂、命名不透明，认为这削弱了本来很强的底层模型。

模型能力与基准测试

  • Carbon 被介绍为 Google 的新前沿 Gemini 4 模型，似乎是在 Argon 基础上进一步训练得到的检查点，API 定价保持不变。
  • 宣称：在 Artificial Analysis（AA）Index v5 上总体排名第 1，编码能力很强，长上下文表现更好，安全性提升，且“幻觉”更少。
  • 让人印象深刻的具体技术宣称：
    • 在 Terminal-Bench 4.0 上“作弊”为 0%，作弊尝试降至 0.4%。
    • 在博客中使用的提示注入基准上成功率为 0%。
  • 一些评论者指出仍有短板：在以编码为重点的基准如 FrontierSWE 上，它仍落后于 Opus 5.5 和 Astra。

Artificial Analysis 指标与基准测试怀疑论

  • AA 在前一天更新了其指数（v5）；随后 Carbon 就出现在第 1 名。
  • 几位评论者认为这个时机很可疑，像是有协调安排的，十分“可疑”。
  • 担忧包括：
    • 每当某些模型（尤其是开源权重模型）接近榜首时，就更改权重/方法学。
    • 纳入私有、不可验证的基准。
    • 不同指数版本之间分数剧烈变化，削弱了信任。
  • 也有人仍然认为 AA 是目前最好的综合信号，同时承认它有局限。

发布策略与可用性

  • 大量不满集中在 Google 先宣布模型（“即将推出”）却迟迟不给广泛访问：
    • Argon 从宣布到能普遍使用大约花了数周；一些付费用户在所有界面里仍无法访问它。
    • Carbon 虽然已做基准测试并用于宣传，但目前除了一个狭窄的“cyber defender”预览外还无法使用。
  • 许多人将这视为“烟雾弹”式营销和财报电话会表演；也有人认为大型实验室现在必须等待政府/“cyber”审查。

命名、版本与产品混乱

  • 普遍共识是 Google 的命名很混乱：
    • Argon 与 Carbon 没有明显的层级顺序；元素周期表的顺序与人们感知到的能力不一致。
    • 还与 3.1 Pro、3.6/3.8 Flash、Flash-Lite 等并存。
  • 许多人希望采用简单的数字版本（例如“Gemini 4.1”）或清晰固定的分层，如“Lite / Flash / Pro / Ultra”。

定价、套餐与使用限制

  • API 定价（$2/$10 促销 → 每 100 万 token $4/$20）被认为很激进且有吸引力，尤其如果性能符合宣称。
  • 但面向消费者的订阅被认为是一团糟：
    • Plus 档还停留在旧的 3.1 Pro 和 3.6 Flash，没有 Argon/Carbon；一些人觉得自己被“坑了”。
    • Pro/Ultra 档根据账户类型（个人 vs Workspace）不同而不同；一些 Workspace 用户甚至买不到 Ultra。
    • Argon 的使用池很小；少量提示就可能耗尽每周额度，迫使用户回到 Flash-Lite。

Harness、开发者体验与编码表现

  • Antigravity（Google 的 agentic harness）受到猛烈批评：
    • 上手困难、配额令人困惑、功能不稳定、默认设置糟糕；有人称它是自己用过“最差的编码 harness”。
    • 也有人表示，在调优良好的 harness 中（配置干净的 Antigravity，或自定义环境），Argon/Carbon 的表现要好得多。
  • 真实编码体验褒贬不一：
    • 有人说 Argon “明显比 Opus/Sol 低一个档次”，作为本地编码代理表现挣扎，并且在某个开源 agent 对战框架中表现不佳。
    • 也有人反馈 Argon 在规划、代码审查、重构和 cyber 工作上很出色；“全面、聪明、遵循目标”，有时甚至比 Opus 5.5 更受青睐。
    • 多位评论提到 Argon 的风格：非常“乖宝宝”，经常要求确认，有时在执行上不如规划强。

安全、cyber 推出与门槛控制

  • Carbon 将首先进入一个名为 “Fairwind” 的项目，面向政府和关键基础设施“防御者”，然后才向大众发布。
  • 一派认为这是负责任的做法：前沿 cyber 能力很危险，应该设门槛。
  • 另一派认为这是一种适得其反的门槛控制：
    • 他们认为真正的攻击者已经拥有强大的模型/权重。
    • 担心将强大的“cyber”模型限制给大厂和政府，会让开源与小组织防御者处于劣势。

更广泛的市场与竞争格局

  • 许多人预计 Anthropic 或 OpenAI 会在几天或几周内重新夺回第 1 名；前沿发布的节奏被视为“疯狂”。
  • 一些人认为，编码评测（FrontierSWE、SWE-Sweep 等）在经济上比 AA 的综合“智能”指数更重要。
  • 反复出现的主题：Google 研究和硬件实力很强，但被官僚主义、碎片化产品、糟糕 UX 和混乱订阅所拖累。
  • 少数人认为 Google 和 Meta 会因面向“普通用户”的分发而成为长期赢家；也有人觉得糟糕的 UX 和信任问题（账号封禁、弃用）会限制开发者采用。