Gemini 4 Carbon 登顶基准测试，开源模型以低价分流前沿市场

谷歌上周发布的 Gemini 4 Carbon 在 Artificial Analysis 的 Intelligence Index V5 上以 59 分排名第一，比 Claude Opus 5.5 高出一分。据 Tom's Hardware 11 月 3 日的报道，同一套测试中 OpenAI 的 GPT-6 Astra 得 57 分，Meta 的 Muse Wonder Full 得 50 分。

智力分数并不是全部卖点。Gemini 4 Carbon（high 档）在 Intelligence Index 上的单任务成本为 7.76 美元，比 Gemini 3.8 Flash（high）便宜，也比 Claude Opus 5.5 和 Sonnet 5.5 低好几美元。同一批基准显示，Claude Fable 5.1（max 档，含回退）的单任务成本为 12.99 美元。

谷歌还没有向所有人开放。

据 Tom's Hardware 报道，首批使用权通过公司的 Fairwind 计划向网络防御人员开放，更大范围的开放承诺在之后某个时间。这个顺序有讲究：它卖的是对抗环境下的可靠性，而不是面向消费者的新鲜感。

各模型的幻觉得分普遍偏低

Gemini 4 Carbon 还在 Artificial Analysis 的 AA-Omniscience v1.1 测试中排名第一，该测试衡量幻觉与事实回忆。局限也很直接：即便是最好的模型，在 -100 到 +100 的量表上也只拿到 54 分。这说明 2026 年的前沿系统在回忆信息时，距离稳定可靠还很远。

厂商谈智能体部署时，不妨记住这个数字。一个二十次里编造一次事实的模型，和一个一千次里编造一次的模型，是完全不同的产品。基准测试表明，没有谁接近后一个数字。排名变化也很快。Tom's Hardware 把 Gemini 4 Carbon 视为谷歌在经历了一个不太规律的发售之年后的一次回归。

与此同时，最便宜的可堪一用的选项，根本不是前沿实验室的旗舰。

DeepSeek V4.1 Flash 1017 的单任务成本约为 Gemini 4 Carbon 的十三分之一，据 Tom's Hardware 的数据，它在同一指数上只有 32 分。

Gartner：大部分工作由开放权重模型完成

这一价差正是 Gartner 上周发布、The Register 11 月 3 日报道的一份文件的背景。分析师 Mark Petty 和 Raymond Paquet 认为，智能体工作流的十个步骤里有九个是例行操作。开放权重模型完成这些步骤的效果与闭源模型相当，价格却只有最便宜闭源模型的四分之一；如果每一步都调用前沿模型，这个比例可以低到二十分之一。

“当前的开放模型输出可能更啰嗦，重试也更频繁，所以相对前沿模型的单任务节省更接近五到六倍，”两位分析师写道，据 The Register 引述。

Gartner 的战略规划假设是：到 2030 年，企业运营型智能体工作流步骤的 90% 将在开放权重模型上执行。该公司还认为，省钱是次要的。“多年的工作流历史，是收购方为一家 SaaS 公司付钱的重要部分，而每把一个例行步骤发给前沿 API，就把其中一片移到了你的边界之外，”分析师写道。“开放权重保住了你的控制权，省下的成本只是附带好处。”

The Register 指出，Gartner 预计价值将转移到 harness，也就是在模型之间调度工作的软件。按这个框架，前沿模型变成研发开支，开放权重变成运营成本。

中国的推理调用量持续攀升

无论由哪个模型回答，需求都在增长。中国日均 token 调用量超过 175万亿，是 2024 年初水平的一千多倍。这个数字来自中国信息通信研究院周六发布的一份报告，该院隶属工业和信息化部。南华早报 11 月 2 日报道，中国产生的推理数据首次超过了用于训练系统的数据。

按南华早报的定义，token 调用量衡量的是经由公有云服务商的使用量。它是消费量的代理指标，不是质量指标。报告没有拆分其中多少是视频、文本或智能体流量。

视频生成是推高这一体量的负载之一。除了近期新闻里的厂商公告，这一类模型发布方面的公开数据很少。

专业模型自证其长

Il Sole 24 Ore 11 月 1 日报道，罗马的语言服务公司 Translated 于 10 月发布了 Lara 3，这是一个为专业翻译打造的模型。在公司组织的测试中，专业译员盲评了 16800 条英译其他 21 种语言的译文。Lara 3 的输出有 82% 被判定为无需修改即可使用，对比组里最好的通用模型 GPT-5.6 Sol 为 69%。该报指出，测试由公司自己组织，且仅限于这些内容类型。

这就是专业模型论点的缩影：更少的修改，更少的编辑时间。但它同时也是厂商对自己基准的自述。正因如此，样本量和测试范围比标题里的百分比更重要。

硬件和训练方面的工作仍在底下推进。

10 月 30 日提交到 arXiv 的论文 RTL-Interact 描述了一个面向芯片设计的多任务后训练框架。它用 320亿参数的模型在 CVDP 基准上取得 48.7% 的加权 Pass@1，超过其教师模型 DeepSeek-V3.2。作者称，借助一种名为 Pattern-Aware Policy Optimization 的方法，平均工具调用次数减少了 63.8%。

电力与补丁

承载这些推理的数据中心面临自己的约束。pv magazine 11 月 3 日报道，Ember 的 2026 年 10 月分析发现，数据中心已占爱尔兰峰值电力需求的约 19%。该机构预测这一比例到 2030 年可能达到 24%，届时数据中心需求为 1.6 GW，系统峰值为 6.5 GW。到 2030 年，负荷转移可为爱尔兰削减约 100 MW 的峰值需求，即 1.5%。表后发电与储能能带来近五倍的缓解，在得克萨斯州最高可削减 2.7 GW。

安全团队面对的问题更紧迫。

Red Hat 于 11 月 1 日发布内核更新，修复 CVE-2026-98432，这是 Linux 内核 IPv4 TCP 代码中的一处释放后使用漏洞。内核 CVE 团队给它打 9.8 分（满分 10 分），远程未认证攻击者可以触达，The Hacker News 11 月 3 日报道。Red Hat 最初评为 5.9 分，后上调至 9.8 分。Canonical 11 月 2 日表示，Ubuntu 22.04、24.04 和 26.04 LTS 的修复位于需主动启用的 -proposed 通道中，常规更新尚无发布日期。

在这样的背景下，Gemini 4 Carbon 的这些数字读起来不像终点线，更像一张快照。智力指数上一分的领先、7.76 美元的单任务成本、54 分的幻觉得分，描绘的是一个前沿昂贵、中间便宜的市场。如果 Gartner 说得对，大部分生产工作根本不会碰到前沿。