为什么 Gemini 4 Carbon 这么慢?

Gemini 4 Carbon 是 Google 最新的高端 AI 编程模型。评论者对它的反应很分裂:它明显比竞品更慢、消耗更多 token,但往往能产出更深入、更谨慎也更彻底的工作成果。有人认为它的延迟来自测试时扩展、激进的工具调用,以及相较纯 AI 厂商更弱的成本压力;它在复杂、长周期任务上表现突出,但用于日常工作则显得不够实用。许多人把它看作一个强大的规划器和代码审查者,最适合与更快的模型(如 Gemini 4 Hydrogen)搭配使用;另一些人则对糟糕的工具链、超时,以及他们所认为的过度工程化和追逐基准分数感到不满。

总体主题

  • 讨论围绕 Gemini 4 Carbon 为什么感觉这么慢、这种慢是“有问题”还是刻意为之,以及它的推理深度与其他前沿模型相比如何。

性能与速度

  • 许多人反馈首个 token 延迟极高(从几秒到几分钟不等),总体运行时间也很长,有些请求甚至会超时(尤其是通过 Antigravity CLI 或 OpenRouter)。
  • 定量基准显示 Carbon 明显比同类更慢:
    • 在“对战”测试中,完成任务大约要多花 3 倍时间,输出 token 和工具调用次数也更多。
    • 在分析类基准中,它的 TTFT 更慢,而且每个问题的工具调用次数也多于 Hydrogen 和其他模型。
  • 有人认为最近 TTFT 略有改善,但总体上它仍然是测试过的最慢模型之一。

行为、深度与质量

  • 它被广泛描述为“谨慎”“彻底”“过于一丝不苟”。
  • 它往往会:
    • 做出并非明确要求的额外工作(审计、加固、处理边界情况)。
    • 大量调用工具,并深入钻研代码库。
  • 对于复杂、开放式的编码和研究任务,不少用户认为它给出的方案出人意料地好、架构合理且富有创造性——有时甚至优于竞争对手。
  • 但也有人觉得这是一种浪费,白白消耗 token 和精力预算,他们更希望它严格遵循指令。

使用场景与模型对比

  • Carbon 在以下方面广受好评:深入 RCA、架构、安全性/鲁棒性、历史文本识别,以及困难的研究问题。
  • 对于更简单的任务或交互式工作流,用户更偏好更快、更便宜的模型(Hydrogen、Sol、DeepSeek 等)。
  • 有些人把 Carbon 用作规划器,再把执行交给 Hydrogen 或其他厂商的模型;另一些人则认为应该反过来。

基础设施、工具与用户体验

  • Antigravity 和 Google 的工具常被认为有 bug、速度慢,而且对非 Google 用户更不友好(超时、500 错误、配额耗尽)。
  • 有人报告通过 Vertex AI 的表现更好;也有人觉得 Gemini 一般就是他们使用的最弱选项。

训练、激励与基准

  • 存在多种假说:
    • Google 优先追求前沿质量和基准表现,而不是推理效率。
    • 测试时扩展 / “think longer” 变体(例如 Argon 对比 Carbon)放大了彻底性和延迟。
    • Google 的商业模式和充足算力,使它比纯推理业务更能容忍低效率。
  • 关于这到底是刻意的基准优化、RL 训练中奖励穷尽式推理的副作用,还是单纯工程/优化较弱,讨论仍有分歧;没有形成共识。