谷歌新模型拳打GPT脚踢Claude，却没打算让我们用

作者｜黄晓彬 原创首发｜蓝字计划 各位，先忘了Claude，也忘了 GPT 吧。曾经大模型的王，谷歌 Gemini，带着新旗舰回来屠榜了。 10 月 28 日，Gemini 4 Carbon 突然发布。在第三方机构 Artificial Analysis 的智能指数 v5.0 榜单上，它直接砍下 59 分，把 58 分的 Claude Opus 5.5 和 57 分的 GPT-6 Astra 双双按在身下，重回全球第一。 图源：Artificial Analysis 在谷歌晒出的17 项核心对比里，Carbon 更是一口气卷走了所列模型中的 15 项最高分。 曾经被网友戏谑为“美国豆包”的 Gemini，蛰伏一年，这次是真的要把王座抢回来了。 但就在无数开发者和吃瓜群众摩拳擦掌，准备第一时间上手把玩这位“新王”时，谷歌却兜头泼了一盆冷水：Sorry，模型是发了，但各位现在还用不上。 按照官方的说法，Carbon 目前只会塞给极少数精挑细选的“网络安全防御人员”，至于普通开发者、企业和大众，官方只轻飘飘地扔下两个字：「尽快」。 谷歌再一次故技重施。上一次Gemini 4 Argon 发布，谷歌也是“只给看、不给摸”，等了差不多半个月，才能让大家用上。连续两次把全网胃口吊到最高点又一脚踩空，谷歌也学会耍猴了？ 但如果深深扒开谷歌丢出来的成绩单，就会发现： 谷歌貌似还真有不得不耍猴的理由。 图源：Google 官方发布公告截图 必须封印的新能力 看看Carbon 这次暴涨的能力，就知道谷歌为什么只敢把它先交给搞安全防御的人。 先看最基础的长文本。 在极其变态的GraphWalks 测试（256K 到 1M 超长上下文）里，Carbon 拿到了接近满分的 96.2% F1 得分。作为对比，同期的 GPT-6 Astra 是 71.8%，Claude Opus 5.5 只有 66.8%，连半个月前的自家兄弟 Argon 也只有 84.2%。 这项测试其实对我们的日常工作非常具有实际意义。 简单来说，这项测试就像是把几千页错综复杂的财务账本、上百份跨国合同或者一整座城市的交通网络丢给模型，然后问它“第十二页那个隐蔽的漏洞，和最后附录里的一笔交易到底有什么联系？” 这种在海量信息中找出相隔千里两处地方内容之间联系的能力，一些普通模型可能直接罢工了，但Carbon却能稳稳交卷。 甚至，Carbon在接下来的三项的成绩里，还秀了一把发现漏洞、利用漏洞、修复漏洞的完整闭环： 找漏洞的SEC-bench Pro，拿到 88.2%；在 ExploitGym 中编写漏洞利用代码、验证漏洞时，从上一代 Argon 的 42% 飙升到 54.8%，把只有 34.5% 的 Claude Opus 5.5 远远甩在身后；到了打补丁修漏洞的 CWE-bench，又拿下 71.0%。 图源：Google DeepMind 这就相当于Carbon 拥有了发现后门，验证后门，和修补后门的完整能力，把网安人员和黑客想做的事情都具备了。 而且据谷歌说，以上三项外部安全评测，全部是在“解除安全防护限制”的裸奔状态下跑出来的。这就意味着无防护状态下完全体的Carbon，完全有可能展现出非常强烈的攻击性，如果被有心人利用，也很有可能造成严重的网络安全威胁。 图源：Google DeepMind 因此，谷歌在收集够反馈、想好怎么给这头猛兽套上绝对可靠项圈之前，还不能直接放到公网上。 除此之外，Carbon 的“耐力”也是谷歌对它慎之又慎的重要原因。 据谷歌披露，在内部复杂任务中，工程师已经放手让Carbon 连续工作好几天了。面对堆积如山的烂账、错综复杂的系统死结，它能像个不知疲倦的牛马，哪怕撞了南墙也会自己退回来换条路继续查，直到揪出根因把问题彻底解决。 Chrome 团队晒出的内部战报显示，在生成高质量补丁这件事上，Carbon 的表现比另一家顶级实验室的大型前沿模型强出整整 10 倍。 一个能读透大型代码库、自己找漏洞写利用脚本，还能在后台不眠不休连轴转几天的AI，如果真的出现了失控，后果的确不堪设想。 所以谷歌也说了，在接下来的改进中，最终要的是避免它是不是真的能严格遵守用户的命令，不耍小聪明，更不会自作主张来捣乱。 让 AI 别瞎勤快，也别“糊弄事” 平时我们用AI 干活，最怕遇到两种让人崩溃的场景。 你让它修一个小Bug，它倒好，顺手把旁边八竿子打不着的三个核心文件也给改了，这叫“瞎勤快”（过度执行）；你让它排查十个文件，它扫了一眼头两个，就拍着胸脯告诉你“老板，全没问题”，这就是“糊弄学”（服务不足）。 如果一个AI 比较笨，瞎勤快和耍小心眼顶多只会浪费一些时间；但谷歌认为，像 Carbon 这样厉害的 AI，如果也这样，就有可能出现严重的网安问题。 所以，按照谷歌