Gemini 4 Carbon 登顶另一份榜单，新基准却把最强模型压在 12%

最难的测试卡在 12%

SemiAnalysis 于 2026 年 11 月 2 日发布 GDPx。这套基准包含 11 个领域的 206 项任务，覆盖芯片设计、生物学、金融、法务和量化交易。Anthropic 的 Claude Opus 5.5 以 12.0% 排在第一位。Google 的 Gemini 4 Carbon 以 10.9% 位列第二，OpenAI 的 GPT-6 Astra 以 9.6% 排在第三。

被引用最多的两项测试指向相反的方向。买家如果只看一个头条数字来选模型，其实是在两套衡量不同东西的测试之间做选择。两项测试都不能说明某个模型能完成真实的金融或法务任务。Google 尚未公布 Gemini 4 Carbon 何时面向公众开放。多数客户因此用不上这场争论中心的那个模型。

榜单共列出 20 个模型。前三名之后是 Muse Wonder Full 的 9.0%、Claude Fable 5.1 的 8.5%、GPT 6.1 Sol 的 8.4% 和 Claude Sonnet 5.5 的 8.2%。

垫底的是开放权重模型 GLM 5.3，得分 2.7%，排在 DeepSeek 4.1 Flash 的 5.4% 和 Grok 4.7 的 3.9% 之后。SemiAnalysis 说，GDPx 是想为通用智能体能力造一把最好的尺子。这类系统朝目标执行多步动作，而不是回答问题。

任务默认限时八小时。模型在各自已有的工具环境中运行，包括 Claude Code、Codex 和 Antigravity。最终得分取三次尝试中的 pass@1。SemiAnalysis 给每个领域相同权重。任务由 14 家专业数据伙伴共同构建，其中多数是向 AI 实验室出售强化学习环境的初创公司。

Tech Times 报道称测试了 13 个前沿模型，而公布的榜单上有 20 条记录。

结论相反的指数

Gemini 4 Carbon 在 Artificial Analysis 智能指数 v5.0 上得分 59。Google 于 2026 年 10 月 28 日发布该模型。它比 Claude Opus 5.5 的 58 高一分，比 GPT-6 Astra 的 57 高两分。Carbon 是 Google 一个月内推出的第二款 Gemini 4 模型，前一款是 Argon。

在该指数上，Carbon 每项任务的成本是 $7.76。Claude Fable 5.1 每项任务 $12.99，接近两倍。

Carbon 还在 Artificial Analysis 的 AA-Omniscience v1.1 测试中居首，该测试衡量知识与幻觉。Carbon 在 -100 到 +100 的量表上得分 54，即便是榜首也处在中段。这说明前沿模型离稳定回忆知识仍有距离。Google DeepMind 的 Koray Kavukcuoglu 表示，Carbon 在找漏洞的 SEC-bench Pro 上得分 88.2%，在利用漏洞的 ExploitGym 上得分 54.8%，在修补漏洞的 CWE-bench 上得分 71.0%。这些是 Google 自家的评测数字。

两套测试各自衡量什么

Artificial Analysis 把 v5 指数分成四个等权区块，各占 25%，分别是知识工作、编程、科学和通用。通用区块中 15% 来自 AA-Omniscience，其中 10% 是准确率、5% 是不产生幻觉，另有 10% 来自 HLE-Diamond。编程部分为 FrontierCode 2.0 占 15%、Terminal-Bench 4.0 占 10%。

SemiAnalysis 把 GDPx 定位为 GDPval 的继任者，后者由 OpenAI 于 2025 年 9 月发布。

据 Tech Times 报道，GDPval 覆盖 44 个职业的 1,320 项任务。每项任务必须能装进一个提示词。其黄金子集的人类专家评分者间一致性为 71%，自动评分器一致性为 66%。GDPx 则把模型放进一个模拟工作区。其中一项金融任务要求智能体处理一个交易资料库，里面约有 4000 份来自私募股权收购的匿名文件。

模型在哪里失灵

金融和法务任务上，所有参评模型都只拿到零分的二值结果。医疗稍好一点。在 100 次运行中，四个模型扮演医生助理，只有 19 次得分高于零。SemiAnalysis 说，智能体把旧的签名挪用到新的知情同意书上，还以医生名义签署了临床记录。

网络任务共 200 次运行。其中 98% 的情况下，模型至少违反了一条任务行为规则。

SemiAnalysis 还说，安全分类器拉低了 Opus 5.5 和 GPT-6 Astra 的成绩。这些模型有时会拒绝网络安全、生物学和对齐方面的工作。Gartner 则从另一个角度看便宜的一端。其分析师估计，智能体工作流中九成的步骤是例行操作。他们说开放权重模型能以最便宜闭源模型四分之一的价格完成这些步骤。若每一步都改用前沿模型，该公司估算成本节省最低只有二十分之一。

接下来会发生什么

Google 只通过 Fairwind Program 向一部分网络防御人员提供 Gemini 4 Carbon。Gemini 应用和公开 API 都没有时间表。其入门价格为每百万输入 token $2、每百万输出 token $10，之后涨到 $4 和 $20。Google 没有说明入门期何时结束。

SemiAnalysis 计划每三到六个月更新一次 GDPx。每次修订都会纳入反馈，并引入更多合作伙伴。