Gemini 4 Carbon 基準測試全盤點：官方 17 項表、AA 60 分與 LMArena 1526 怎麼看
搜「Gemini 4 Carbon benchmark」的人會發現：分數很多，而且互相打架——官方表說 17 項裏 15 項第一，AA 指數說 60 分，LMArena 說 1526，還有人說它「輸給了 Fable 5.2」。這些說法可以同時成立，關鍵是分清誰測的、跟誰比、什麼版本。本站把全部可覈查分數盤點如下，先說總判斷：Carbon 是頂級模型，但不是榜單第一；它的真正優勢在長上下文、安全與任務成本，而非通用智能的絕對峯值。
Google 官方 17 項表（2026-10-28）
公告當天發佈的官方對比表，Carbon 15/17 第一，只輸兩項：
| 測試 | Carbon | Argon | GPT-6 Astra | Opus 5.5 | Fable 5.1 |
|---|---|---|---|---|---|
| AA Index v5.0 | 59 | 50 | 57 | 58 | 49 |
| Vals Index v2.2 | 70.4% | 69.2% | 65.0% | 70.2% | — |
| SWE-sweep | 9.6% | 4.3% | 9.5% | 3.6% | 2.9% |
| FrontierSWE 2 | 61.2% | 55.0% | 65.5% | 62.3% | 56.3% |
| Terminal-Bench 4.0 (AA) | 65.2% | 57.1% | 59.1% | 59.6% | 52.0% |
| Agents' Last Exam v1.1 | 77.4% | 69.0% | 73.1% | 71.6% | — |
| OSWorld-2.1（離線） | 81.5% | 74.7% | 80.9% | 87.2% | 76.8% |
| AutomationBench (Zapier) | 53.9% | 51.3% | 41.4% | 42.5% | 31.4% |
| Vending-Bench 2（美元餘額） | 16,484 | 13,718 | 15,515 | 9,235 | 5,422 |
| Chartography | 72.5% | 71.6% | 71.0% | 66.3% | 46.2% |
| Blueprint-Bench 2 | 58.6% | 54.4% | 49.7% | 51.2% | 41.9% |
| GraphWalks 256K–1M | 96.2% | 84.2% | 71.8% | 66.8% | 65.0% |
| RiemannBench | 80.0% | 76.0% | 72.0% | 69.6% | 65.6% |
| Terminal-Bench-Science 0.1 (AA) | 64.8% | 52.9% | 63.3% | 59.0% | 43.3% |
| CWE-bench | 71.0% | 68.0% | 68.0% | 67.0% | 58.0% |
| ExploitGym | 54.8% | 42.0% | 42.4% | 34.5% | — |
| SEC-bench Pro | 88.2% | 83.4% | 85.4% | — | — |
最值得注意的兩處：GraphWalks 256K–1M 的 96.2% 是全表最大領先（第二名 Argon 只有 84.2%），印證了 Carbon 在超長上下文檢索上的定位；SEC-bench Pro 的 88.2% 與 ExploitGym 的 54.8% 則支撐了它的網絡安全賣點。但這張表有三個口徑問題：多項分數由 Google 自行計算（SWE-sweep、Agents' Last Exam、OSWorld、GraphWalks、ExploitGym、SEC-bench Pro）；安全測試在 Antigravity 內無網、防護關閉的環境下運行；競品數字取自對方報告而非同場運行。AA 59/58/57、Vals 70.4/70.2 這類小差距基本等於平局。最重要的是：這張表對比的是上一代 Fable 5.1——發佈時 Fable 5.2 還不存在。
AA 指數：60 分，登頂兩天
Artificial Analysis 智能指數是目前最受關注的獨立綜合榜。時間線很關鍵：10 月 28 日公告時，Google 引用 v5.0 的 59 分稱第一；11 月 7 日指數更新至 v5.0.1，Carbon（High）60.0 分登頂，Opus 5.5 爲 59、Astra 爲 57；11 月 9 日 Fable 5.2 發佈，以 64.6 分（約 65）超過。截至 11 月 12 日，Carbon 60.0 分居 Fable 5.2 之後。分檔看：Low 54、Medium 58.3、High 60。Carbon 在 9 項子評估中的 4 項拿最高分：HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA。關於排名的一個提醒：不同統計口徑（按模型計 / 按 122 個配置計）給出的 Carbon 排名在 2–4 位之間，本站只寫分數與前後名次。
其他獨立測量
LMArena Text：Carbon（High）1526 預覽分第一（11 月 6–7 日，約 4,483 票），此前爲 1528（11 月 3–5 日）；第二名 Argon（High）1523，兩者在誤差範圍內重疊。WebDev Arena：第 4，1768 elo。AA-Omniscience v1.1（幻覺與知識可靠性）：Carbon（high）淨分 54 第一，Opus 5.5 爲 48；準確率 58%（Argon 48%），但幻覺率 11% 高於 Argon 的 4%——最低幻覺率屬於 Argon。CursorBench 4.0：第一（high 檔 60.4%）。Perplexity WANDR 與 Zapier AutomationBench：均第一，任務成本不到次佳外部模型的一半（Google 口徑）。MKA 多模態知識 Agent 基準（Google 與 AA 合作）：Carbon 第二，平均任務成本不到第一名的六分之一。Coding Agent Index（AA）：Carbon 59，對 Claude Code + Opus 5.5 的 62，落後 3 分——這是 Carbon 少數幾個明確落後的獨立榜單之一。FrontierSWE v2：Fable 5.2 69.9%，Carbon 61.2%。
安全與誠實：Carbon 最硬的分數
如果說通用智能榜單上 Carbon 只是「頂級之一」，安全與誠實指標上它領先得更實在（均爲 Google 公告口徑，尚未有獨立復現）：模擬網絡攻擊測試攔截 99% 攻擊軌跡，單次嘗試突破率 0.8%（Argon 3.1%）；Gray Swan 自動網絡攻擊查詢成功率 2.17%（Argon 9.86%）；Trajectory Labs 在 132 小時 / 13,000+ 請求中零新的通用越獄；Gray Swan IPI 提示注入基準攻擊成功率 0%（首次）；Agent 誠實基準 92% 通過（Argon 70%）；Terminal-Bench 4.0 作弊審計中，作弊嘗試 3.6%→0.4%、成功作弊 2.4%→0%。
UL37 對象檢測自動標註：45 個模型中第一，但貴三倍
Ultralytics 的 UL37 基準（36 個真實對象檢測數據集、每集 10 張圖）在 11 月 11 日給出一個 Carbon 的新標籤：最強的自動標註模型。Carbon 以 0.584 mAP50 在 45 個模型中第一，mAP50-95 0.371、精確度 0.685、召回率 0.642 也全部第一；上一任榜首 GPT-6.1 Terra 爲 0.560。對 Argon 則是 0.584 對 0.537，36 個數據集裏 22 勝 11 負 3 平。但有兩個代價：每 1,000 張圖 $12.93，約 3 倍於 Terra 的 $4.36，12 月 1 日漲價後約 $25.87；以及 5 個數據集上比最強模型低 0.2 以上——甲狀腺超聲（0.537 對 Terra 的 0.935）、電路板缺陷 DeepPCB（0.03，排第 7）。作者的判斷：標註質量優先時選 Carbon，預算優先時選 Terra。注意每個數據集只有 10 張圖，單項分數只能當信號，不能當結論。
相關文章
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 完整官方分數表與 Artificial Analysis 榜單（2026-11-11/12）與 Ultralytics UL37 基準（2026-11-11）
← 返回 Gemini 4 Carbon 專題