Quantslant 五十多項任務實測：Carbon 對 Argon、Fable 5.2 與 GPT-6.1 Sol，編碼是短板

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。

日常任務：與 Argon 持平，慢一倍

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：

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、表格與安全：全部滿分

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。

短板：編碼 63/76

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。

編造來源與視覺：Carbon 很老實

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。

思考燒光 Bug：token 花完，答案爲空

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。