Gemini 4 Carbon 登顶一项 AI 基准测试，其他榜单结论不一

谷歌拿下头条分数

上周发布的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index V5 的九项评测中有四项排名第一。它每项任务花费 7.76 美元，Claude Fable 5.1 为 12.99 美元。它比 GPT-6 Astra 高两分。Tom's Hardware 把这一结果解读为谷歌的回归。今年大部分时间里，谷歌因发布节奏不规律而表现低迷。

基准分数会影响企业和政府试用哪些模型，以及它们为每项任务支付多少费用。Artificial Analysis、Semi Analysis GDPx、CloudOpsBench 以及漏洞测试指向了不同的领先者。没有任何单一分数能决定采购决策。这些结果如何转化为生产工作，目前仍不清楚。

在追踪幻觉与信息召回能力的 AA-Omniscience v1.1 上，Gemini 4 Carbon 在 -100 到 +100 的量表中得到 54 分。这是对比中的最好成绩。但正如 Tom's Hardware 所指出的，这距离稳定可靠还差得很远。Tom's Hardware 称，该模型做到这一点时，每项任务成本低于其他排名靠前的模型，包括 Claude Opus 5.5。

另一项基准测试给出了不同的赢家

OfficeChai 在 11 月 2 日报道，Claude Opus 5.5 在 Semi Analysis 的 GDPx 基准测试中居首，Gemini 4 Carbon 排名第二。不同榜单衡量的是不同的工作，因此两个结果都可以成立。对买家来说，谁是冠军取决于引用的是哪张榜。

The Hacker News 报道了漏洞基准测试。Gemini 4 Carbon 在发现、利用和修补漏洞的测试中领先。

CloudOpsBench 的榜单显示，Claude Fable 5.1 以 60.6% 的解决率排名第一。GPT-6 Astra 以 58.9% 紧随其后，Gemini 4 Argon（不是 Carbon）以 57.5% 位列第三，Grok 4.7（high）在 cursor-cli 上以 56.5% 排名第四。Claude Opus 5.5 在 terminus-2 上以 47.8% 排在第七。

测试框架的选择和模型本身同样重要。Claude Fable 5.1 在 terminus-2 上降到 43.8%。Claude Opus 5.5 在 claude-code 上得到 46.7%。

同一张榜还标出了成本。排名第一的条目运行了 38.6 小时，花费 404.30 美元；Gemini 4 Argon 运行 34.2 小时，花费 100.50 美元。

任务特定分数让阵营分化

Tom's Hardware 报道称，在编程方面，Gemini 4 Carbon 不如搭配 Claude Opus 5.5 的 Claude Code。在知识工作上，它落后于 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro。它的每项任务成本略低于 Gemini 3.8 Flash（high）。它比 GPT 6.1 Sol（max）贵约六倍。

开放权重模型的对比更为严苛。Gemini 4 Carbon 每项任务成本约为 DeepSeek V4.1 Flash 的 13 倍，后者在 Intelligence Index 上得 32 分。

在 Arena.ai 的帕累托前沿图上，Gemini 4 Carbon 位于价格较高的一端并排在首位。在更低的价格区间，GLM 5.3-Flash 和 DeepSeek V4 Pro 接过了领先位置。CloudOpsBench 在其表格更靠下的位置显示出同样的差距：Qwen3.8-Max 为 33.7%，DeepSeek V4.1 Flash 为 21.8%，Kimi K3.1 Pro 为 19.1%。

Tom's Hardware 写道，就目前而言，Gemini 4 Carbon 在大多数高价位上可能是最好的。这种情况可能很快改变。

买家仍无法核实的东西

谷歌通过其 Fairwind 计划，先向网络防御人员开放 Gemini 4 Carbon 的访问权限。更广泛的开放稍后到来。公司尚未给出日期。

谷歌的公告大力宣传与美国政府的合作。它提到了模型筛查和发布前测试。

任何单一指数的榜首位置都是一种主张，而非既定事实。在真实工作负载上的独立测试出现之前，这一点都成立。

Tom's Hardware 指出，AI 模型排名在 2026 年会经常变化。