Quantslant 五十多项任务实测：Carbon 对 Argon、Fable 5.2 与 GPT-6.1 Sol，编码是短板

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。

日常任务：与 Argon 持平，慢一倍

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：

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、表格与安全：全部满分

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。

短板：编码 63/76

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。

编造来源与视觉：Carbon 很老实

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。

思考烧光 Bug：token 花完，答案为空

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。