2026 年 10 月 28 日美股盘后，谷歌同一天干了两件看起来互相打架的事：先交出一份让股价跳水、市值一夜蒸发数千亿美元的财报，转头又发布了一个「当前最强」的前沿模型。这个名叫 Gemini 4 Carbon 的新模型，在第三方评测机构 Artificial Analysis（下称 AA）前一天刚换版的新榜上拿下 59 分，超过 Claude Opus 5.5 的 58 分和 GPT-6 Astra 的 57 分，坐上头把交椅。
但故事的反差在下一句：它没有 API，没有 Gemini App 入口，普通开发者和消费者暂时一分钱也花不出去。据谷歌官方博客，本周起它只向一小批经审核的网络安全防御者开放，之后经 Fairwind 计划逐步扩容，面向开发者与消费者的开放时间只有一句「尽快」，没有日期。
数字登了顶，门却没开。这篇文章讲清楚三件事：59 分是怎么来的，谷歌为什么先把钥匙交给网安防御者，以及「单价不贵」表象下藏着怎样的真实成本账。至于现在掏钱就能用上的旗舰模型怎么选，是另一道题，本站横评篇单独处理，这里不展开。
24 小时换了两代榜首
先交代榜单背景，因为 59 分的成色取决于它。
AA 的 Intelligence Index 于 10 月 27 日刚完成大版本更替：v5.0 覆盖知识工作、编程、科学、通用推理四大领域，各占 25%，共 9 项评测，其中 60% 的评测权重采用私有测试数据或隐藏答案。换版意味着旧榜分数全部作废，不可跨版比较。新榜公布当天，Claude Opus 5.5 以 58 分居首，Astra 57 分第二，GPT-6.1 Sol 55 分——Anthropic 刚当了约 24 小时的榜首。
10 月 28 日，Carbon 以 59 分反超。距它上一代 Gemini 4 Argon 上线只过了两周，而 Argon 在同一新口径下是 50 分。9 分的提升，在头部模型以零点几分缠斗的位次争夺里，是一次罕见的跳变。再往前看节奏：Opus 5.5 于 9 月 22 日发布，GPT-6 Astra 9 月上旬发布，各家在一两个月内轮流宣称登顶。换一句不太客气的话说：榜首的保质期，现在以天计。
发布当天还有另一层戏剧性。Carbon 的亮相与 Alphabet 三季度财报同日：据凤凰网科技，财报公布后盘后股价一度跌超 10%、市值蒸发超 3000 亿美元；Fortune 的口径是盘后跌超 11%、蒸发超 2800 亿美元；Traders Union 则写市值蒸发近 4000 亿美元；经济观察网引用的次日收盘口径更狠——10 月 29 日收跌 12.64%，创 2004 年上市以来最大单日跌幅，蒸发逾 5000 亿美元。跌幅与蒸发额各信源口径不一，本文并列于此、不作取舍，只提醒一句：新王登顶的当天，发布它的公司正在经历上市以来最惨的单日行情之一。财报本身的亮点是谷歌云营收同比翻倍，拖后腿的是盈利与自由现金流；Pichai 在电话会上仍坚称「再度领先于前沿」，并披露第一方模型 API 每分钟处理近 320 亿 token、Gemini 应用用户突破 10 亿。
跑分拆解：9 项里拿 4 项第一，不是通杀
59 分不是每一项都赢。据 AA 的分析文章，v5.0 的 9 项评测里 Carbon 拿了 4 项第一：HLE-Diamond 69%（Opus 5.5 为 68%）、Terminal-Bench-Science 65%（Astra 为 63%），外加 AA-Omniscience 和 AutomationBench-AA 两项。
谷歌官方博客的对比表则激进得多：17 项基准里自报 15 项第一。其中证据等级不太一样的一行是 Terminal-Bench 4.0，官方注明由 AA 独立运行，Carbon 65.2%，高于 Opus 5.5 的 59.6% 和 Astra 的 59.1%；Agents' Last Exam v1.1 拿到 77.4%。两项不第一的是 FrontierSWE 2（Astra 以 65.5% 居首）和 OSWorld-2.1（Opus 5.5 以 87.2% 居首）。需要说明的是，官方对比表中除注明 AA 运行的条目外，其余多为谷歌自报口径，发布时无第三方复现。
智能体编程这个单独赛道，王座暂时还不在它手里。AA 的 Coding Agent Index 上，Claude Code 搭配 Opus 5.5 以 62 分仍居第一，Carbon 搭配 Antigravity CLI 得 59 分列第二，Argon 为 53 分。知识工作维度同样有短板：AA-Briefcase 上 Carbon 拿到 1609 Elo，比 Argon 的 1483 提升了 126 点，其中演示文稿分项涨了 293 点，但仍落后于 Kimi K3.1 Pro 的 1678、Muse Wonder 的 1659 和 Grok 4.7 的 1638。WebDev Arena 上，它靠 89 个 Elo 的涨幅爬到第四名。
这份榜单还有一条容易被忽略的线：开源与闭源的差距，在 v5.0 上重新拉开。最佳开源权重模型仍是月之暗面的 Kimi K3.1 Pro，46 分，与 Carbon 相差 13 分；闭源与开源最佳的差距从上一版 v4.3 的 3 分扩大到 12 分。开源阵营追赶的脚步，被这一轮闭源冲刺又甩开了一段，背景见文末延伸阅读。
安全三基准：为什么先把钥匙交给防御者
这次发布最不寻常的部分，是开放顺序。
谷歌官方博客给出了三项目标为网络安全的基准。口径必须先说清：三项全部为谷歌自报，在「无护栏条件」下评估，发布时无第三方复现。数字是——SEC-bench Pro（漏洞发现）88.2%，Argon 为 83.4%；ExploitGym（利用验证）54.8%，Argon 为 42.0%，这是三项目跃迁最大的一步；CWE-bench（自动修补）71.0%，Argon 为 68.0%。官方的叙事线是防御全生命周期：先发现真实漏洞，再验证可利用性，最后做根因修复。
问题在于，这三样能力攻防一体：能发现漏洞，就能发现别人还没修补的漏洞；能验证利用，离写出利用代码只差半步。背景事件是 Wiz 在 PHP2Shell 漏洞事件中，用 Argon 与 GPT-5.6 Sol 把 PHP 漏洞转化成了可用攻击，荷兰一批医院与议会网站一度下线等待打补丁。这就是「防御者先行」的逻辑：能力越强，越要先交到补漏洞的人手里，而不是先变成人人可调用的 API。Carbon 同时参与了美国政府的自愿性预发布模型测试流程。
配套的还有一组安全自报数字，同样无第三方复现：Terminal-Bench 4.0 上作弊成功率 0.0%、尝试率 0.4%；内部编码环境中高严重度行为不一致警报下降近 80%；间接提示词注入在 Gray Swan 测试中被全部防住，成功率 0.0%——但有评测观察者提醒，0.0% 也可能意味着这套测试已不足以挑战该模型，不等于提示注入问题已被解决；无依据断言约为 Argon 的一半；安全代码生成成功率为 Argon 的两倍多。最激进的一句来自 Chrome 团队：称 Carbon 生成高质量补丁的表现比「另一实验室的大型前沿模型」好 10 倍以上——官方自述，未给支撑数据，对手未具名，无法独立评估。
Fairwind 计划的准入次序也说得明白：优先政府与国家级网安机构、关键基础设施运营方（医疗、电信、能源、金融网络）、核心技术平台，以及做防御性基准的学术实验室；逐申请审核，经 Google Cloud 客户团队提交，仅限内部安全、应急响应与渗透测试团队使用。
定价不贵，账单未必
价格表看起来友好。介绍期定价与 Argon 相同：输入 2 美元/百万 token，输出 10 美元/百万，缓存输入享 95% 折扣；介绍期结束后翻倍至 4 美元和 20 美元。对照很微妙：Argon 的介绍期 11 月 30 日截止，写在官方开发者文档里；而 Carbon 的截止日，谷歌拒绝说明。AA 把它表述为「上线五折、截止日未确认」。
但单价相同，不等于单任务成本相同。AA 的独立测量给了几个数字：每完成一项智能指数任务，Carbon 平均花费 7.76 美元，比 Opus 5.5 的 10.04 美元低约 23%，约为 Astra（6.25 美元）的 1.2 倍，与同标准价的 Argon（7.68 美元）基本持平——持平却高出 9 分，这是它效率上站得住的证据。另一面是速度：首个输出 token 前的中位延迟 97.5 秒，而可比模型的平均值只有 3.6 秒；整轮指数跑完总输出约 2 亿 token，约为参与模型中位数的三倍。「慢且啰嗦」是 AA 测量给出的画像，尽管单任务输出 12.3 万 token，反而比 Opus 5.5 的 17.3 万少 29%。
第三方实测同样指向耗时。The Decoder 报道，金融与税务类智能体任务中 Carbon 的耗时是 Argon 的两倍以上；Vals AI 的独立测试口径更细：金融智能体任务平均耗时为 Argon 的 2.25 倍，税务为 2.12 倍，金融任务准确率还从 67.66% 微降至 67.16%；法律研究测试拿了第一，但平均每项任务近 52 分钟，比 Argon 多约 20 分钟。换句话说，介绍期的单价是营销价，真正决定账单的是它想得久、说得长。
争议与边界
第一处反转在「诚实度」。AA 用 AA-Omniscience v1.1 独立测量了一个容易被误读的指标：模型在未完全答对的题目中，硬给出错误答案（而非承认不知道或部分正确）的比例。Carbon 是 11%，Argon 是 4%，而 Opus 5.5 与 Astra 均高达 50%。也就是说，Carbon 比自家上一代更爱猜，但远好于两大竞品。它与官方「无依据断言减半」的说法并存不悖——一个是谷歌内部基准，一个是 AA 独立测试，任务与统计口径都不同，既不能混写成一个数字，也不能互相否定。
第二处是慢。发布前一周，早期测试者的观感已在流传：按任务不同比 Argon 慢约 2 到 4 倍，前端与界面能力仍弱，但也有测试者称它「没那么懒了、不再敷衍」。这些均为个人观感，没有正式延迟测量。
第三处是榜单方法论的争论。v5.0 把 60% 权重给了私有题或隐藏答案，AA 的理由是防训练污染，批评者的疑问是复核难度。Hacker News 上对谷歌「急着宣布、不给开放日期」的批评不少，Mashable 则给出动机解读：提前官宣可以先把榜首位置锁住。Agentic Tribune 核实时发现，Carbon 条目当时甚至尚未出现在 AA 的公开榜单页上，59 分一度只能追溯到谷歌官宣——AA 随后发布了独立分析文章确认 59 分，但其网安三基准至今仍是谷歌测量、无独立复核。
还有几项信息谷歌没有公布：参数量与架构细节，没有任何官方或第三方数字；上下文窗口在官方发布材料中缺席，AA 模型页标注为 1M tokens——这是 AA 的标注口径，不是谷歌官方公布的数字。
判断：登顶是真，门没开也是真
三点判断，供参考。
第一，59 分的登顶含金量要拆开看。综合智力分是新王，但智能体编程的王座还在 Anthropic 手里，知识工作的头名属于 Kimi K3.1 Pro。这是一次「总分第一、单项有失」的登顶，比「通杀」的叙事更准确，也更值得持续盯。
第二，「防御者先行」是这次发布真正的实验。参数不公开、API 不开放、先给网安防御者，等于把双用途能力的释放节奏第一次变成明牌流程。它能不能压住 PHP2Shell 式的滥用、又会不会把防御红利兑现成真实的修补产出，接下来几周 Fairwind 的扩容节奏会给出第一批证据。
第三，对绝大多数读者，正确的姿势是等。介绍期定价没有截止日，恰恰说明谷歌自己也没定开放时间表；等门真开了，介绍价大概率已经翻倍，对手也又发了新模型。届时再比，才是有效的比较——这也是榜单 24 小时一换的当下，唯一不过时的策略。
延伸阅读
- 先砍攻击力，再开源 3 万亿参数：Kimi 图什么——开源与闭源差距这轮为何拉大，以及月之暗面主动削减攻防能力的完整故事。
- 营收 163 亿净亏 807 亿：Anthropic 招股书真账本——Opus 5.5 背后公司的资本局，与本文的榜首之争互为背景。
- 旗舰大模型横评：Opus 5.5 Astra Argon 怎么选——新王买不到，能下单的旗舰怎么选，本文的选型下半场。