前言

Google 在 2026 年 10 月 28 日公布 Gemini 4 Carbon，將重點放在長時間工程任務與資安防禦。對開發者而言，值得關注的是模型能否持續追查問題、驗證假設，再把修改收斂成可以檢查的結果。Google 官方發布公告

目前 Carbon 先透過 Fairwind 計畫提供給部分受信任的資安防禦團隊，尚未普遍開放給一般開發者與消費者。這篇會整理它與 Argon 的差異、評測如何解讀，以及現在可以先準備哪些導入工作。

查核日期：2026-10-29，台灣時間。 本文依官方公告、評測方法與公開模型目錄整理，未自行實測 Carbon。廠商公布的成績與本文的工程建議分開說明。封面為 AI 生成的修補織網概念插畫，並非模型架構或產品截圖。

一、Carbon、Argon、Flash，先分清楚開放狀態

Carbon 延續 Gemini 4 對複雜工程與代理式工作流程的投入，但目前的可用狀態，與已公開的其他模型不同。評估時，能力與存取資格要一起確認。

模型 主要定位 截至查核日的公開狀態
Gemini 4 Carbon 長時間工程與資安防禦 Fairwind 早期存取
Gemini 4 Argon 複雜推理、工程與專業知識工作 已於 10 月 13 日向開發者與企業開放，Gemini API 列為穩定模型
Gemini 3.8 Flash 長時間軟體工程、Agent 與企業工作流程 Gemini API 已列為穩定模型，可作為現階段的評估對象

Carbon 狀態依據：發布公告。Argon 的開放日期與產品入口見 10 月 13 日公告；穩定模型狀態見 Gemini API 模型目錄。

這裡也更新一下前文的時間線：先前的 Argon 介紹記錄的是 10 月 1 日的早期開放狀態。到了這篇的查核日，Argon 已經公開。

在公開 API 目錄中，本文尚未查得 Carbon 的一般開發者模型條目。因此，接入計畫應等待正式 model ID、功能矩陣與限制公布；現階段可以先用已開放模型建立自己的測試基準。

二、與 Argon 相比，官方評測進步在哪裡？

Google 公布的結果涵蓋工程、電腦操作、知識工作與資安。下面挑出幾項與開發流程較直接相關的分數；差值以百分點表示。

評測 Gemini 4 Carbon Gemini 4 Argon 分數差值
Terminal-Bench 4.0（AA） 65.2% 57.1% +8.1 個百分點
Agents’ Last Exam v1.1 77.4% 69.0% +8.4 個百分點
OSWorld 2.1，離線子集 81.5% 74.7% +6.8 個百分點
SEC-bench Pro 88.2% 83.4% +4.8 個百分點
ExploitGym 54.8% 42.0% +12.8 個百分點
CWE-bench 71.0% 68.0% +3.0 個百分點

數值來源：Google DeepMind 評測表。本文另核對了評測文件的結果頁；差值為依公布數字計算。

這些結果提供了值得試用的理由，但不同任務的排序仍有差異。例如同一份 Google 表格中的 FrontierSWE 2，Carbon 為 61.2%，低於列出的 GPT-6 Astra 65.5% 與 Claude Opus 5.5 62.3%。跨模型數字要連同來源和配置閱讀，才能知道比較涵蓋了什麼。

評分背後的設定，同樣需要看

Google 的方法文件指出，多數 Gemini 結果採最高 thinking 設定；競品數字多取自各廠商公開成績。部分項目另外指定題目版本、時間上限與 Agent 執行框架。官方評測方法

例如 Agents’ Last Exam v1.1 使用 122 項任務、五小時執行窗口，採 10 月 17 日的題目版本，未套用 10 月 26 日的更新。OSWorld 2.1 則是 82 項離線任務子集，Gemini 成績採三次執行中的最佳值；該項不能直接讀成「任何桌面操作第一次就有 81.5% 成功率」。

對工程選型而言，這些設定會影響能否重現結果。比較兩個模型時，最好固定需求、資料版本、工具權限與完成條件，再分別記錄時間與成本。

三、「可以工作好幾天」對工程流程代表什麼？

Google 表示，內部觀察到 Carbon 能持續數天處理工程任務。這項觀察仍需要外部團隊以自己的環境驗證。官方長任務說明

長任務的難點，在於前面做過的判斷會影響後面的路徑。假設一個問題同時牽涉快取、資料庫交易與重試機制，模型需要記得哪些假設已排除、哪個測試還不能解釋現象，以及目前修改究竟驗證了什麼。

因此，我會用以下流程評估長時間 Agent。這是通用工程設計，並非 Google 公布的 Carbon 內部架構：

1
2
3
4
5
6
7
8
9
保留重現方式與原始失敗結果
        ↓
提出假設，記錄支持與反對證據
        ↓
做範圍可控的修改
        ↓
執行重現檢查與相關回歸測試
        ↓
保存修改、結果與仍未解決的問題

如果模型持續執行，卻沒有留下中間證據，時間越長，接手的人反而越難判斷。實際導入時，應保留階段性提交、工具紀錄與失敗原因，讓任務能中斷、重試，也能由人接手。

完成條件也要事先寫清楚。例如效能改善要固定量測資料與環境；錯誤修正要保留原本失敗、修補後通過的案例。這樣才能分辨模型是在解決問題，還是改變了判定成功的方式。

四、資安能力要拆成發現、驗證與修補

這次受到關注的三個資安分數，各自回答不同問題。把它們拆開看，比使用單一「駭客能力」標籤更有助於理解用途。

Google 在發布文註明，這組外部資安評測未啟用防護機制（guardrails）。正式產品中的可用行為與安全策略，仍須另行驗證。官方評測註記

SEC-bench Pro：能否發現問題並產生可檢查的重現？

SEC-bench Pro 評估漏洞發現與概念驗證程式（PoC）產生能力，提供目標環境、任務描述及檢查流程。SEC-bench Pro 原始說明

Google 的 Carbon 測試採 183 項 JavaScript 引擎任務，使用 Antigravity 執行框架，依文件所列條件判斷重現結果。Google 的 SEC-bench Pro 測試方法

所以，88.2% 應理解為這組測試的結果。它無法直接推成能找出某個產品 88.2% 的所有漏洞，也沒有提供該產品尚未發現漏洞的總數。

ExploitGym：已知弱點能否轉成有效的利用？

ExploitGym 以真實軟體漏洞建立測試環境，評估 Agent 開發利用方式的能力，涵蓋使用者空間程式、V8 與 Linux 核心等目標。ExploitGym 原始專案

Google 的方法文件列出離線執行、特定緩解措施關閉及不同時間窗口等條件。這些條件會影響成功率，正式系統中的可利用性仍需對照實際版本、編譯保護與部署設定。

對防禦者而言，這類能力的價值，是協助確認弱點是否有具體影響，讓修補優先序更有依據。它也涉及雙重用途，因此需要與研究授權、目標範圍及工具權限一起管理。

CWE-bench：修補後，原本功能還能不能運作？

CWE-bench 的確定性檢查要求：原本的利用不再有效，既有測試仍須通過。其公開榜單列出 Carbon 的 programmatic pass@1 為 71%，Argon 為 68%。CWE-bench 原始評分說明與榜單

這個要求很接近修補工作的核心。如果模型只是關閉整個功能，雖然可能讓攻擊失敗，卻同時破壞業務行為。實務上還要檢查修補是否涵蓋根因、是否改變公開介面，以及測試有沒有漏掉重要情境。

五、能力提高之後，可靠性怎麼看？

Google 公布的指定間接提示注入評測，攻擊成功率為 0.0%。這個結果僅適用於該次評估的攻擊與配置。官方安全說明

在自己的系統中，我會另外測幾種情境：工具回傳權限不足時，模型是否如實說明？查不到資料時，是否仍然填入答案？遇到失敗測試時，有沒有修改評分條件或刪除測試？讀取外部文件後，會不會把文件中的指令當成新的授權？

這些檢查可以直接配合權限設計：測試資料與正式資料分開、工具只暴露必要操作，對寫入與發布留下可查紀錄。即使模型在某個提示注入測試取得零成功攻擊，執行環境仍要限制出錯時能影響的範圍。

Fairwind 計畫的目的，是先讓受信任的防禦者使用高能力模型，並在部署過程中持續驗證防護。它提供的是一種存取與治理安排；個別團隊仍需要自己的測試與操作規範。Fairwind 官方說明

六、預告價格與現在能做的準備

Google 公布 Carbon 的導入期價格為每百萬輸入 tokens 2 美元、輸出 tokens 10 美元，快取輸入比一般輸入低 95%。公告並註明，導入期結束後，輸入與輸出價格分別為 4 美元、20 美元。官方預告價格與註腳

計價項目 導入期公布費率，每百萬 tokens
一般輸入 $2.00
快取輸入 $0.10，依 95% 折扣換算
輸出 $10.00

若單次使用 10,000 個一般輸入 tokens、2,000 個輸出 tokens，依導入期公布費率試算為 0.04 美元。這只是固定 token 用量的計算，未包含快取寫入、其他工具費用、重試或後續平台附加條件，也不是 Carbon 的實測任務成本。

長時間任務可能包含多次模型請求。估算時應把每輪的輸入、輸出與工具用量加總，再看最終成功交付一次需要多少成本。單次請求便宜，並不能直接證明整個任務便宜。

目前最有用的準備，是先建立可重用的測試集：選幾個跨檔案修正、長流程操作與已知漏洞修補案例，保留輸入、預期行為及驗證方式。等 Carbon 的一般存取、正式 API 規格與費率細節公布後，就能沿用相同條件比較。

若現在就需要上線，可以先評估公開目錄中的 Argon 或 3.8 Flash，依自己的任務品質與成本選擇；取得 Carbon 資格後，再安排比較。這樣切換模型的理由，就能建立在實際交付結果上。目前 Gemini API 模型目錄

Carbon 這次值得關注的，是長任務工程與漏洞修補能力持續往前推進。對團隊而言，接下來要驗證的是：它能否在既定權限與測試下完成工作、留下足夠證據，以及減少多少人工修正。

延伸閱讀：Gemini 4 Argon 介紹、Gemini 3.8 Flash 介紹。舊文保留各自的查核日期，現行狀態請以本文連結的官方文件為準。