Quantslant 在 Carbon GA 后第一时间做了两轮测试：先是 GA 后一小时内的首测，随后是 50 多项任务、四模型同场对比——Carbon 对 Argon、Claude Fable 5.2 与 GPT-6.1 Sol。全部测试经 OpenRouter、同设置、用单元测试与答案键评分，是目前方法最严谨的一批上手实测。先说结论：日常与 Agent 任务上 Carbon 几乎全满分，但编码是明确短板——76 个单元测试只过 63 个，三位对手全部满分。
23 项实用任务（带工具的 Agent、带单元测试的代码、写作与校对、谜题、一份 158,000 字符的文档），low 档：
| 模型 | 得分 | 花费 | 耗时 |
|---|---|---|---|
| Gemini 4 Carbon | 99.5% | $0.23 | 264 秒 |
| Gemini 4 Argon | 99.5% | $0.22 | 135 秒 |
| Claude Fable 5.2 | 100% | $1.37 | 190 秒 |
| GPT-6.1 Sol | 100% | $0.22 | 180 秒 |
Carbon 扣掉的 0.5% 还是评分器误扣——实际表现与 Argon 完全相同，只是花了两倍时间。测试者的判断很直接：日常任务上，Carbon 做不了 Argon 做不了的事。
Agent 任务（6 份文档 + 一个陷阱）：四者全部 10/10，Carbon 54 秒最慢。电子表格引擎 34 个单元测试：全部 34/34，但 Carbon 用了 518 秒、$0.47，写了 639 行代码（含自写解析器与生成器式求值），Argon 只用了 64 秒、$0.05。安全审查（一个小型 Flask 应用，8 个植入漏洞）：Carbon 全部找到，行号与 CWE 编号正确，67 秒、$0.03。SOC 日志分析：Carbon 7/7，找出了暴力破解 IP、被盗账号、登录的精确秒数、20 秒后的 CSV 导出，以及 URL 编码的 ..%2f 路径穿越。
6 项编码任务、76 个单元测试（medium 档）是整场测试中 Carbon 唯一明显落后的环节：Carbon 63/76，Argon、Fable 5.2、Sol 全部 76/76。这与 Google 官方表里 Carbon 在 Terminal-Bench 4.0（65.2%）领先的形象形成反差——官方基准与这批带单元测试的实用编码任务，测的不是同一种能力。样本仍然很小（6 个任务），但差距方向值得记下：买 Carbon 冲着「最强编程模型」去的人，应该先用自己的真实仓库测一遍。
要求列出 8 篇带 DOI 的科学论文（两个主题）：Carbon 列出的 16 篇全部真实存在，仅 2 处小错（1 个 DOI 错、1 个年份错），0 编造；Argon 编造了 2 篇；Fable 5.2 为 0 编造 / 0 错误；Sol 为 0 编造 / 1 小错。视觉任务 10/10。这与 AA-Omniscience 的测量一致：Carbon 的幻觉率（11%）高于 Argon（4%），但「编造答案而不是承认不知道」的倾向在 medium 档很低。
测试中两次出现：首测时输出上限 6,000 tokens，Carbon 花 5,808 tokens 推理、返回空答案，照样收费；四模型对比中，正则任务 medium 档用掉全部 16,000 tokens 推理，未返回一行代码（$0.16）。这是输出上限覆盖思考 token 的机制性后果，不是偶发故障——Google 文档同样建议用思考档位控成本，不要压低输出上限。详见本站思考档位与避坑指南。
参考来源：本文为本站原创改写与整理，事实与数据核对自 Quantslant 50+ 任务四模型对比与首测（2026-11-11）
← 返回 Gemini 4 Carbon 专题Quantslant 在 Carbon GA 後第一時間做了兩輪測試：先是 GA 後一小時內的首測，隨後是 50 多項任務、四模型同場對比——Carbon 對 Argon、Claude Fable 5.2 與 GPT-6.1 Sol。全部測試經 OpenRouter、同設置、用單元測試與答案鍵評分，是目前方法最嚴謹的一批上手實測。先說結論：日常與 Agent 任務上 Carbon 幾乎全滿分，但編碼是明確短板——76 個單元測試只過 63 個，三位對手全部滿分。
23 項實用任務（帶工具的 Agent、帶單元測試的代碼、寫作與校對、謎題、一份 158,000 字符的文檔），low 檔：
| 模型 | 得分 | 花費 | 耗時 |
|---|---|---|---|
| Gemini 4 Carbon | 99.5% | $0.23 | 264 秒 |
| Gemini 4 Argon | 99.5% | $0.22 | 135 秒 |
| Claude Fable 5.2 | 100% | $1.37 | 190 秒 |
| GPT-6.1 Sol | 100% | $0.22 | 180 秒 |
Carbon 扣掉的 0.5% 還是評分器誤扣——實際表現與 Argon 完全相同，只是花了兩倍時間。測試者的判斷很直接：日常任務上，Carbon 做不了 Argon 做不了的事。
Agent 任務（6 份文檔 + 一個陷阱）：四者全部 10/10，Carbon 54 秒最慢。電子表格引擎 34 個單元測試：全部 34/34，但 Carbon 用了 518 秒、$0.47，寫了 639 行代碼（含自寫解析器與生成器式求值），Argon 只用了 64 秒、$0.05。安全審查（一個小型 Flask 應用，8 個植入漏洞）：Carbon 全部找到，行號與 CWE 編號正確，67 秒、$0.03。SOC 日誌分析：Carbon 7/7，找出了暴力破解 IP、被盜賬號、登錄的精確秒數、20 秒後的 CSV 導出，以及 URL 編碼的 ..%2f 路徑穿越。
6 項編碼任務、76 個單元測試（medium 檔）是整場測試中 Carbon 唯一明顯落後的環節：Carbon 63/76，Argon、Fable 5.2、Sol 全部 76/76。這與 Google 官方表裏 Carbon 在 Terminal-Bench 4.0（65.2%）領先的形象形成反差——官方基準與這批帶單元測試的實用編碼任務，測的不是同一種能力。樣本仍然很小（6 個任務），但差距方向值得記下：買 Carbon 衝着「最強編程模型」去的人，應該先用自己的真實倉庫測一遍。
要求列出 8 篇帶 DOI 的科學論文（兩個主題）：Carbon 列出的 16 篇全部真實存在，僅 2 處小錯（1 個 DOI 錯、1 個年份錯），0 編造；Argon 編造了 2 篇；Fable 5.2 爲 0 編造 / 0 錯誤；Sol 爲 0 編造 / 1 小錯。視覺任務 10/10。這與 AA-Omniscience 的測量一致：Carbon 的幻覺率（11%）高於 Argon（4%），但「編造答案而不是承認不知道」的傾向在 medium 檔很低。
測試中兩次出現：首測時輸出上限 6,000 tokens，Carbon 花 5,808 tokens 推理、返回空答案，照樣收費；四模型對比中，正則任務 medium 檔用掉全部 16,000 tokens 推理，未返回一行代碼（$0.16）。這是輸出上限覆蓋思考 token 的機制性後果，不是偶發故障——Google 文檔同樣建議用思考檔位控成本，不要壓低輸出上限。詳見本站思考檔位與避坑指南。
參考來源：本文爲本站原創改寫與整理，事實與數據覈對自 Quantslant 50+ 任務四模型對比與首測（2026-11-11）
← 返回 Gemini 4 Carbon 專題Quantslant tested Carbon twice right after GA: a first test within an hour of availability, then a 50+ task shootout against Argon, Claude Fable 5.2 and GPT-6.1 Sol. Everything ran through OpenRouter with identical settings and was graded by unit tests and answer keys — the most methodical hands-on testing available so far. The headline: Carbon aced nearly everything on everyday and agent work, but coding is a clear weak spot — 63 of 76 unit tests, where all three rivals scored 76/76.
23 practical tasks (an agent with tools, code with unit tests, writing and proofreading, puzzles, a 158,000-character document), at low effort:
| Model | Score | Cost | Time |
|---|---|---|---|
| Gemini 4 Carbon | 99.5% | $0.23 | 264s |
| Gemini 4 Argon | 99.5% | $0.22 | 135s |
| Claude Fable 5.2 | 100% | $1.37 | 190s |
| GPT-6.1 Sol | 100% | $0.22 | 180s |
Carbon's missing 0.5% was a grader error — in practice it matched Argon exactly, in twice the time. The tester's verdict was blunt: on everyday tasks, Carbon does nothing Argon cannot do.
Agent task (6 documents plus a trap): all four models 10/10, Carbon slowest at 54s. Spreadsheet engine, 34 unit tests: all 34/34, but Carbon took 518 seconds and $0.47, writing 639 lines including its own parser and generator-based evaluation, against Argon's 64 seconds and $0.05. Security review of a small Flask app with 8 planted vulnerabilities: Carbon found all of them with correct lines and CWE numbers, in 67 seconds for $0.03. SOC log analysis: Carbon 7/7, identifying the brute-force IP, the compromised account, the exact second of the login, a CSV export 20 seconds later, and a URL-encoded ..%2f path traversal.
On 6 coding tasks with 76 unit tests (medium effort) — the only part of the shootout where Carbon clearly lagged — Carbon passed 63/76 while Argon, Fable 5.2 and Sol all passed 76/76. That sits oddly with Google's official table, where Carbon leads Terminal-Bench 4.0 at 65.2%: official benchmarks and these unit-tested practical coding tasks are not measuring the same skill. The sample is still small (6 tasks), but the direction of the gap is worth noting: anyone buying Carbon as "the strongest coding model" should first test it on their own real repository.
Asked for 8 scientific papers with DOIs on two topics, Carbon listed 16 publications that all exist, with only two minor errors (one wrong DOI, one wrong year) and zero inventions; Argon invented 2; Fable 5.2 had 0 inventions and 0 errors; Sol 0 inventions and 1 minor error. Vision tasks: 10/10. This matches the AA-Omniscience measurement: Carbon's hallucination rate (11%) is higher than Argon's (4%), but its tendency to fabricate an answer instead of admitting ignorance is low at medium effort.
It happened twice. In the first test, with a 6,000-token output cap, Carbon spent 5,808 tokens on reasoning and returned an empty answer — still billed. In the shootout, a regex task at medium effort used all 16,000 tokens on reasoning and returned no code ($0.16). This is a mechanical consequence of the output cap covering thinking tokens, not a random glitch — Google's docs give the same advice: control cost with the thinking level, not a low output cap. See our thinking levels and pitfalls guide.
Reference source: this article is an original rewrite produced by this site; facts and figures were checked against Quantslant 50+ task four-model test and first test (Nov 11, 2026)
← Back to the Gemini 4 Carbon topic page