跑分第一是真的。但“第一”和“第一”之间,差着十万八千里。
第三方机构Artificial Analysis的Intelligence Index v5榜单上,Gemini 4Carbon拿59分,Claude Opus 5.5是58分,GPT-6 Astra是57分。赢了一分,也叫赢。谷歌确实可以开香槟,毕竟上一代Argon只有50分,一口气涨了9分,涨幅不小。但如果你只看“登顶”两个字就下单,可能会漏掉另一组更扎眼的数据:在AA-Omniscience知识评测里,Carbon答对率从Argon的48%涨到了58%,可幻觉率也从4%直接干到了11%。
翻译成大白话:它知道的更多了,但不知道的时候更敢编了。一个跑分最高、但胡说八道概率比上一代翻了近两倍的大模型,你敢不敢把核心项目直接押上去,这事儿得两说。
编码这块,它压根没赢
官方通稿里“CursorBench 4.0第一”确实是真的,但那是谷歌自报口径。拉到独立评测里,画风立刻变了。
Artificial Analysis的Coding Agent Index,Carbon配自家Antigravity工具拿59分,Claude Code配Opus 5.5拿62分,Carbon排第二。在更硬核的FrontierSWE 2软件工程测试上,Carbon 61.2%,Opus 62.3%,GPT-6 Astra 65.5%,Carbon垫底。一个定位里写着“复杂代码调试”的模型,在最核心的通用编码赛道上落后,这个反差比“总分第一”更有信息量。
当然,Carbon有它真正领先的地方:安全。SEC-bench Pro漏洞挖掘拿了88.2%的SOTA,ExploitGym漏洞利用验证54.8%,把Opus 5.5的34.5%甩开一大截。它更像一个偏科的尖子生——安全攻防和长程Agent是强项,通用编码不是。
实际体验:有人“打爆Claude”,有人骂“拉胯”
知乎上一位用户的原话是:“/swarm在我的工作流里打爆了Claude”。他描述的场景很具体:协调Agent在隔离的git worktree里启动并行工作Agent,测试Agent专门负责质疑代码差异,空闲时零token挂起,需要时瞬间唤醒。听起来确实像那么回事。
但同一个回答里,紧接着就是一句:“antigravity的体验是真的拉胯”。社区里还有另一种声音,说Carbon“幻觉很高,完全不适合编程,只能用来写作”。这不是“信息不足”,这是活生生的用户分裂。有人用它干长任务干出了甜头,有人被工具链和幻觉劝退。它不是一个“所有人都说好”的模型,而是一个挑场景、挑用法、挑容忍度的模型。
11月30日前半价,值得试,但别盲押
价格确实有诚意。首发半价:输入每百万Token 2美元,输出10美元,缓存输入还有95%折扣,之后恢复4美元和20美元。开发者走Google AI Studio付费API或OpenRouter,普通用户走Google AI Ultra。
但我的判断很直接:拿它做安全分析、长周期Agent编排、需要反复跑同一套长上下文的批量任务,值得开一个窗口期试。拿它替代Claude做日常代码主力,先别急。跑分第一只说明它在一套特定试卷上分最高,不说明它在你的活儿上最靠谱。一分之差可以叫登顶,但叫“碾压”就是自己骗自己。先拿小任务摸它的脾气,比看榜单下单有用得多。