Gemini 4 Carbon：我们的下一代前沿模型——Artificial Analysis 排名第一

# Gemini 4 Carbon：我们的下一代前沿模型 来源：https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/ Gemini 4 Carbon 是我们迄今最强大的模型，具备业界领先的网络安全和长周期任务处理能力。 --- --- 一块具有多个切面的虹彩水晶，周围漂浮着白色的数字 4。 您的浏览器不支持音频元素。 收听文章 \[\[duration\]\] 分钟 此内容由 Google AI 生成。生成式 AI 尚处于实验阶段 今天，我们宣布推出下一代前沿模型：Gemini 4 Carbon。这是我们迄今最强大的模型，具备业界领先的网络安全和长周期任务处理能力。 Carbon 在最近更新的 v5.0 版 Artificial Analysis 智能指数 (https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index) 中以 59 分排名第一。它在编程和智能体任务，以及对网络安全防御至关重要的各项核心能力上都取得了显著进步，在用于发现漏洞的 SEC\-bench Pro \(88.2%\)、用于漏洞利用的 ExploitGym \(54.8%\) 和用于修补漏洞的 CWE\-bench \(71.0%\) 中均取得了明显领先的成绩。在内部基准测试中，Carbon 在生成安全代码方面实现了显著提升；在我们团队的实际编程环境中，它也表现出更低的对齐偏差率和编造率。 Carbon 在两周前发布的 Gemini 4 Argon (https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-argon/) 的基础上进一步发展，展现了我们推进前沿能力的速度。我们的研究人员与模型携手合作，加快能力提升，同时加强安全防护措施。 我们正采取审慎的分阶段推出方式，并积极参与美国政府自愿性的模型发布前测试流程。从本周开始，我们将向部分网络防御人员开放 Carbon，并通过我们的 Fairwind 计划 (https://deepmind.google/fairwind-program/) 逐步向更多可信合作伙伴开放访问权限。在尽快通过我们的各类产品向开发者、企业和消费者提供 Carbon 之前，我们将继续收集反馈并迭代安全防护机制。 Gemini 4 Carbon 将以与 Argon 相同的首发价格¹ (https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/#footnote-1) 推出，即每百万输入词元 2 美元、每百万输出词元 10 美元，缓存输入词元的价格则比输入词元价格低 95%。 ## 提升编程和推理能力，应对具有挑战性的长周期任务 Carbon 专为解决难度更高、周期更长的工程问题而设计，支持持续运行的智能体工作流。在内部，我们的团队已经看到 Carbon 连续运行数天，在遇到死胡同后仍坚持探索，处理复杂的多步骤工程任务，例如在大型代码库和底层系统中定位细微缺陷的根本原因并加以修复。 根据用户反馈，我们重点提升了模型在多个领域的表现，包括编程、智能体和科学任务，以及全栈 Web 开发与多模态理解。凭借 Web 开发输出和产物质量的提升，Carbon 的 Elo 评分跃升了 89 分，在 WebDev Arena (https://arena.ai/leaderboard/code/webdev) 中以 1769 分位列第四。 Gemini 4 Carbon 基准测试表 ## 以业界领先的网络安全表现，助力构建安全系统 Gemini 4 Carbon 在网络安全能力方面实现了重大飞跃。它在网络安全防御的整个生命周期——漏洞检测、验证与修复——中均达到了业界领先水平。 我们的团队已经观察到网络防御能力的显著提升。在内部基准测试中，Carbon 生成安全代码的成功率达到 Argon 的两倍以上。另一个例子是，Chrome 团队报告称，在生成高质量补丁时，Carbon 的表现比另一家实验室的大型前沿模型高出十倍以上。我们领先的云安全平台 Wiz 也观察到，Carbon 在 Web 渗透测试基准中处于领先地位，而这正是 Wiz 的 Scan for Good (https://www.wiz.io/blog/scan-for-good-critical-ai-exposures) 计划的一项核心能力。 Carbon 在各项关键外部基准测试中表现出色 \(评估时未启用安全防护机制\)： - **发现真实漏洞：**发现真实漏洞是网络安全防御的核心。Carbon 在 SEC\-bench Pro (https://sec-bench.github.io/) 中取得了业界领先的 88.2% 的成绩，能够自主发现隐藏在实际软件中的复杂缺陷。 SEC bench Pro 图表 - **通过漏洞利用验证风险：**为了确定哪些漏洞应优先修复，或是否需要修复，网络防御人员越来越依赖模型来检查哪些漏洞可以被利用。Carbon 在广受欢迎的漏洞利用基准 ExploitGym (https://github.com/sunblaze-ucb/exploitgym) 中以 54.8% 的成绩创下了业界新高。 展示 ExploitGym 基准测试的图表 - **从根本原因入手修补漏洞：**在识别漏洞后，修复根本原因是网络安全防御生命周期中的关键步骤。Carbon 在 Collinear 的 CWE\-bench (https://cwe-bench.com/#leaderboard) 中达到 71.0%，能够将经过验证的发现直接转化为有效的代码修复。 展示 CWE-bench 的图表 ## 推进前沿模型的安全性与安保能力 Gemini 4 Carbon 建立在与 Argon 相同的多层安全与安保体系之上，结合了模型训练、实时滥用防御、提示注入抵抗能力和思维链监控。尤其是，我们在 Argon 的模型对齐方面取得了重大进展，并在安全与安保报告 (https://storage.googleapis.com/deepmind-media/gemini/gemini_4_safety_report.pdf) 中报告了它表现出符合对齐要求行为的倾向。对于 Carbon，我们进一步挑战自身，力求在对齐方面更进一步，并训练模型以正确的方式应对复杂或高压任务。 - **减少走捷径和钻空子的行为：**在 Carbon 中，我们进一步抑制了训练中的走捷径尝试，同时确保高质量的编程表现。Carbon 将 Terminal\-Bench 4.0 中成功作弊的比例降至 0.0%，作弊尝试率降至 0.4%，同时还提高了整体准确率。在内部团队的实际编程环境中，我们观察到，高严重程度的对齐偏差警报减少了近 80%。 - **更加透明和诚实：**在我们的内部测试中，Carbon 缺乏依据的陈述较 Argon 减少了约一半。它会将方法上的局限直接写入交付成果，或在无法执行某些操作时暂不执行，并清晰列出仍需满足的条件，而不会编造内容或用含糊措辞掩盖证据缺失。 - **面对歧义时更好地与用户协作：**Carbon 会检索相关来源，并在采取行动前向用户指出其中的差异，而不是猜测或强行推进。因此，用户应能体验到与 Carbon 显著改善的协作过程。 - **贯彻执行而不越界：**Carbon 同时将越界行为减少了 26%，将服务不足的情况减少了 29%，从而能够在遵守项目约束并严格保持在任务范围内的同时，更可靠地从头到尾执行多步骤计划。 - **抵抗提示注入：**此前，Argon 在 Gray Swan 的间接提示注入 \(IPI\) 基准测试中，以低至 0.7% 的攻击成功率，在提示注入抵抗能力方面处于领先地位；而 Carbon 将这一比例降至 0.0%，抵御了评估中的每一次攻击尝试。 展示 Gray Swan IPI 基准测试的图表 ## 即将面向开发者、企业和消费者推出 推进前沿能力既需要快速行动，也需要在部署时保持审慎。通过 Gemini 4 Carbon，我们的目标是在不牺牲安全性或可靠性的前提下，实现软件工程与网络安全防御能力的实质性飞跃。我们热切期待首批网络防御人员如何使用这一模型，并期待很快将 Carbon 带给开发者、企业和消费者。