Gemini 4 Carbon 以一分优势领跑 AI 榜单，斯坦福研究却发现大模型结论会过期

智能指数上的一分优势

榜首的差距只有一分。Gemini 4 Carbon 在智能指数 V5 上拿到 59 分，比 Claude Opus 5.5 高一分，比 OpenAI 的 GPT-6 Astra 高出两分。

照着榜单挑模型的买家，现在要解读的就是这一分的差距。这算不上稳固的领先。谷歌没有说明 Gemini 4 Carbon 何时会扩大开放范围。

据 Tom's Hardware 报道，该模型在整套九项评测中有四项排名第一。它在智能指数测试中的单任务成本为 7.76 美元。据 The Hacker News 报道，Gemini 4 Carbon 在漏洞发现、利用和修补的基准测试中领先。据 Ars Technica 报道，谷歌公布这款模型时采用分阶段发布，可能要等上一段时间。

谷歌称 Carbon 在 WebDev Arena 上提升了 89 分，目前在该榜排名第四。

领先为何脆弱

基准测试会变旧。斯坦福的 Owen Queen 和 James Zou 用 20 个模型检验了 50 条被广泛引用的关于大语言模型的结论。

他们发现，其中 44% 的结论已经过期。在有预估过期日期的 22 条结论中，平均寿命为 15.7 个月。一年后，16% 已经过期；两年后，这一比例升到 39%。这些模型由八家开发者在 2024 年 7 月至 2026 年 9 月之间发布。关于模型做不到什么的结论失效最快：九条与推理有关的结论中有五条被判定为过期，没有一条保持成立或变得更强。

即便在同一发布窗口内，结果也不一样。在 2026 年 7 月至 9 月发布的模型中，过期结论从 DeepSeek V4 Pro 的 11 条到 GPT-6.1 Sol 的 30 条不等。

虚构引用测试是最清楚的一例。在 Walters 和 Wilder 2023 年的研究中，GPT-3.5 编造了 55% 的参考文献。面对同样的提示，GPT-6.1 Sol 的编造比例为 0%，Claude Sonnet 5.5 为 1%。Qwen3.7-Flash 的编造比例仍有 69%。

Queen 和 Zou 的结论很克制：关于大语言模型的结论，应当作为特定模型在特定时间点的观察来呈现，而不是当作普遍真理。

基准测试决定不了编程和知识工作

在综合指数上领先一分，并不等于在每个任务上都领先。

据 Ars Technica 报道，Gemini 4 Carbon 在谷歌几乎每一项测试中都胜过 GPT-6 Astra、Claude Opus 5.5 和 Claude Fable 5.1，但只高出几分。Artificial Analysis 表示，在编程方面，该模型不如搭配 Claude Opus 5.5 的 Claude Code，在知识工作上也不及 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro。在追踪知识与幻觉的 AA-Omniscience 上，Gemini 4 Carbon 得 54 分，是对比中最好的成绩，但距离在 -100 到 +100 的量表上稳定召回仍然很远。

价格是对比的另一半。Gemini 4 Carbon 单任务 7.76 美元，低于 Claude Opus 5.5 和 Sonnet 5.5 的最高档加回退配置。

它比 GPT-6.1 Sol（max）贵约六倍，比开源的 DeepSeek V4.1 Flash 1017 贵约 13 倍，后者在智能指数上得 32 分。Claude Fable 5.1 的单任务成本为 12.99 美元。据 Tom's Hardware 引用的 Arena.ai 数据，在更低的价格区间，GLM 5.3-Flash 和 DeepSeek V4 Pro 等中国开源模型占据了帕累托前沿。

访问权限、安全声明与未知之处

访问仍然受限。谷歌先通过 Fairwind Program 向网络防御人员提供 Gemini 4 Carbon，更广泛的开放要在此之后。

安全声明是宣传中最响的部分。谷歌称，该模型生成无漏洞代码的可能性是 Argon 的两倍。Chrome 团队称，它生成高质量补丁的能力比非谷歌模型强 10 倍。据 Ars Technica 报道，谷歌称在漏洞检测、验证和修复方面取得“重大飞跃”。谷歌还强调了与美国政府在模型筛查和发布前测试上的合作。

眼下，榜单顶部换了一个新名字，优势只有一分。