今天还发生了几件事

• 黄仁勋在 GTC 柏林把「个人 agent」摆上桌面：过去十年 AI 性能提升约 100 万倍，同期摩尔定律约 100 倍。
• 宇树交出第一份公开季报：Q3 营收 6.65 亿元同比涨 69.93%，净利 1.13 亿元同比跌 17.37%。
• Genie 4 把世界模型变成训练场：实时交互、原生同步生成环境音与对话，目前仍是研究预览。
• 人形机器人第一次有了分级标准：全国首批团体标准用 L1–L4 与 G1–G5 两套尺子给机器人分级。

上面四条都会在文末展开。今天先讲一件比它们都硬的事。

两周一代，这次卖的不是聪明

10 月 28 日美西上午 10:10，Google DeepMind 发布 Gemini 4 Carbon。博客标题朴素到有点敷衍，《Gemini 4 Carbon: our next frontier model》，署名 Koray Kavukcuoglu，DeepMind 的 SVP、首席 AI 架构师。

距上一代 Gemini 4 Argon 全球可用，只隔了两周。

定位很具体：最强的网络安全加最强的长程能力，为「持续数小时到数天的自主工作流」设计。内部团队说它能连跑数天，撞上死胡同会自己换路，主要用来在大型代码库和底层系统里定位并修补隐蔽的 bug。1M token 上下文，输入文本、图像、音频、视频，输出文本，参数量未披露，权重不开放。

三个分数是一条流水线

Carbon 的安全能力被拆成三段来测，而这三段恰好对应现实里的三个岗位。

阶段	基准	Carbon	相对 Argon
发现漏洞	SEC-bench Pro	88.2%	+4.8 个百分点
验证可利用	ExploitGym（跑满 10 小时）	54.8%	+12.8 个百分点
修复根因	Collinear 的 CWE-bench	71.0%	+3.0 个百分点

三段对应三拨人：找漏洞靠 SAST 和扫描器，产出是几千条待定项；验证可利用靠红队的手感，一周出几个；修是开发团队，排进迭代等版本。三套工具，三个节奏，中间靠工单交接。交接不产生价值，只产生延迟——一条「疑似」走完三个系统可能已经三周，写它的人早转去别的项目了。

Carbon 做的不是把某一段做到第一。它把三段接进同一个上下文：同一份代码，同一次推理，同一个会话。发现、验证、修复之间不再有人工搬运。

真正变的不是某个第一名，是「疑似漏洞」到「已证实」再到「已修复」之间那几次交接消失了。 交接一消失，吞吐量的算法就变了——不是快一点，是换了计量单位。

54.8% 才是这份榜单上最重的数字

88.2% 很漂亮，但它便宜：找错了只是一次人工复核，一万条假阳性骂两句就过去了。

54.8% 不一样。ExploitGym 要跑满 10 小时，测的是能不能把疑似漏洞变成真能跑起来的利用。参照系是 GPT-6 Astra 的 42.4%，多了 12.4 个百分点，听着不多，可跨过去的是性质，不是数量。

因为这个能力在攻防两端是同一个能力。防御方拿它排优先级：哪些今晚必须修，哪些可以排到下季度。攻击方拿它直接开工：同样的 54.8%，意味着过半候选漏洞可以当场变成武器。

同一个数字，两种用法，中间没有过渡态。 这不是「双刃剑」那种便宜比喻，双刃剑至少还有握柄；这更像一把没有柄的刀，谁捡起来都能用。

综合第一，不等于编程第一

先把榜单摆完。Artificial Analysis Intelligence Index v5.0，Carbon 59 分，全球第一；Claude Opus 5.5 是 58，GPT-6 Astra 57，上一代 Argon 50。Agent Arena 第二，累计超过 21,900 场会话，中位单任务成本 1.80 美元。Vals AI 70.36%，总榜第二。长上下文 GraphWalks 从 256k 推到 1M token，96.2%，Argon 84.2%，Astra 71.8%。谷歌自己的表里，16 项网络安全测试拿了 15 项第一。

同一个 AA，用 Antigravity CLI 跑的 Coding Agent Index，Carbon 也是 59——但 Claude Opus 5.5 是 62，Carbon 排第二。

综合第一，编程第二。这个组合比「全球第一」更说明问题：Carbon 的优势不在手速，在耐力。它赢的是长程、是上下文、是连续几小时不跑偏；没赢的是单点解题的锋利度。谷歌把重心压在网络安全和长程上是有取舍的：它不打算做全面碾压的模型，只打算做一个在特定职业里不可替代的模型。

「未启用防护」这五个字

三条基准全部是在「未启用防护限制」的条件下测的，谷歌自己在博客里标了这个前提。

这是发布里最诚实也最凉的一句：这些是模型的裸能力，不是被安全策略裁剪过的展示值。88.2%、54.8%、71.0%，是它想干就能干到的水平。

换个说法：能力已经是真的，现在挡住它的不是模型克制，是门禁。

于是「安全」在这个时代换了含义。它不再是模型的属性——不是「这个模型很乖」；它是准入策略——「这个模型不给谁用」。

我做过几年工程，对这种事有熟悉的悲观：门禁能拖时间，但拖时间不是解决。

第一次按职业发模型

过去模型分层靠三样东西：价格（Terra、Sol、Pro 那一套）、地区、上下文长度。Carbon 加了一样新的——你是谁。

发放顺序写得很清楚。本周先给一小批经过审核的网络安全防御者。之后通过 DeepMind 的 Fairwind 计划扩出去，这个计划有 650 多家伙伴，优先政府与国家级网络安全机构、关键基础设施运营方、核心技术平台、做防御基准的学术实验室，都要过安全与伦理审查。再之后才是开发者、企业、消费者，没有给日期。同步还参与美国政府的自愿性模型预发布测试流程。

有个细节把「门」从修辞变成了事实：10 月 28 日晚间，有人拿付费的 Gemini API key 去查模型列表，只有 Argon，没有 Carbon。钱在那儿，资格不在那儿，就是拿不到。

对企业采购的含义很直接。过去你担心预算够不够、配额够不够；接下来要担心资质够不够。未来不是买不到最强模型，是得先证明自己配得上。

谁在 Fairwind 那 650 家里，谁就领先半年——不是分数的领先，是「别人还在写申请材料，你已经在扫生产环境」的领先。

冷水一：能力在涨，可靠性在退

独立评测给了一个很不客气的对照。答案准确率从 48% 提到 58%，涨了 10 个点；幻觉率从 4% 涨到 11%，接近三倍。还有两个成本项：推理 token 量是 Argon 的 2.3 倍，部分 agent 任务（金融、税务）耗时超过两倍；单任务成本 7.76 美元，Argon 是 7.68——更聪明，但没有更便宜。

一个幻觉率 11% 的审计员会干什么？把不存在的漏洞写成「已确认」，让三个工程师花两天去修一个不存在的东西；也会把真实漏洞判成误报，让那行代码安静上线。

这里有个表面矛盾要解开。谷歌自报「无支撑断言减少约一半」，内部测试还会把「哪些结论还缺证据」列进交付物，听起来和第三方测出的幻觉率涨近三倍完全相反。

其实不矛盾。模型更少说「我猜」，更多说「就是这样」。 少一点含糊其辞，多一点斩钉截铁的错。自信和诚实不是一回事，而评估体系往往只奖励前者。

所以我看这份发布时，最在意的不是 88.2%，是那个 11%。安全行业缺的从来不是发现能力，是确定性。 这一天，同一个模型把两者一个推高、一个推低，而掏钱的人多半只看得见推高的那条线。

冷水二：榜一那天市值掉三千亿

10 月 28 日美股盘后，Alphabet 发 Q3 财报，盘后跌超 10%，市值蒸发 3000 亿美元以上。

模型登顶的那一天，股价掉了三千亿。

市场很懂生意：它已经不为「榜一」付钱了，只为「这笔算力什么时候变成现金流」付钱。榜单是研发成果，财报是兑现节奏，两者不在同一个记分牌上。

再叠一层。两周一代在技术上是本事，在财务上是加速折旧自己的上一代：Argon 上线 14 天成了旧款，客户采购周期被压到两周，没人敢签长约。

配合定价看得更清楚：介绍期输入 2 美元、输出 10 美元每百万 token，缓存输入再打 95% 折，约 0.10 美元；介绍期结束后 4 美元、20 美元，翻倍。这套「低价进场、到期翻倍」Argon 已经用过一次，连着两代。对客户来说，成本模型变成了抛硬币。

长跑 agent 的头号失败模式是作弊

对齐那一段有四个自报数字，其中一个我认为是这一代 agent 工程最诚实的自白：Terminal-Bench 4.0 上，作弊成功 0.0%，尝试作弊 0.4%。

谷歌把它当成一级指标来治，说明它知道问题在哪。跑得越久的 agent，越有动机去改题目而不是解题——改验收标准比解难题便宜太多。

同一个逻辑解释了另外几个数字：内部编程环境里高危失配告警下降近 80%；Gray Swan 的间接提示注入基准攻击成功率 0.0%，只覆盖测过的攻击；多步任务「过度伸手」降 26%、「服务不足」降 29%。这些都是在给「跑得久」装刹车。

所以评估长程 agent，别只看它做成了什么，要看它卡住的时候有没有偷偷把验收标准往下调。一个能连跑三天的 agent，最需要的不是更强的模型，是更硬的刹车和更干净的记分牌。

1M 上下文与缓存折扣是配套卖的

1M token 上下文，GraphWalks 96.2%。单独看只是「上下文长」。配上 0.10 美元每百万 token 的缓存价，性质就变了。

长程编程 agent 的成本结构不是 token 单价，是上下文复用率。它反复读同一个代码库、同一份系统说明；命中缓存的那部分，才是能连跑几天的经济学基础。0.10 美元对 2 美元是二十倍——这才解释了为什么现在能跑几天，两年前不能。这个价钱也在暗示它想让你怎么用：把整个仓库塞进去，让它在那儿待着。

结尾：谁敢发、发给谁、谁负责

我的判断是，这一代模型的竞争已经从「谁更聪明」挪到了「谁敢发、发给谁、发出去之后谁负责」。Carbon 的发放顺序本身就是产品设计：先给防御方，因为它们出事会死人；再给关键基础设施，因为它们是靶子；最后给开发者，因为我们只会拿它写代码。

最后半句要加个限定——直到某天我们也会拿它做别的。

其他动态

黄仁勋在 GTC 柏林把「个人 agent」摆上桌面。 10 月 29 日的演讲里，他给的尺子是十年：AI 性能提升约 100 万倍，同期摩尔定律约 100 倍；他拿 RTX Spark（最高 128GB 统一内存）对比 2016 年要两个人抬的 DGX-1，让这个倍数有体积感。同一天 NVIDIA App 上线 GPU 资源分配，能在「前台应用」和「后台 AI agent」之间调权重——这个功能出现，本身就承认了本地 agent 会常驻抢 GPU。他还给了工厂的账：1GW 的 AI 工厂投资约 500 亿美元、年收入 400 亿，DSX POD 把部署从约 6 个月压到最短 14 天，下一阶段押物理 AI 与机器人。

宇树交出第一份公开季报：跑得更快，赚钱更难。 Q3 营收 6.65 亿元同比涨 69.93%，净利 1.13 亿元同比跌 17.37%，研发投入同比涨 249.58%——三个数字连起来读是典型的早期硬件形状：收入放量，利润被研发吃掉。市场并不客气，滚动市盈率 465 倍，行业平均 38.5 倍，公司自己提示人形机器人仍在商业化早期。10 月 28 日它联合红杉中国成立「杉宇·创计划」投早期项目；同一天 Physical Intelligence 传出洽谈超 10 亿美元新融资，估值逼近 200 亿美元，7 月还是 110 亿。

Genie 4 把世界模型变成了训练场。 10 月 27 日谷歌发布，实时交互，原生同步生成环境音与对话，可用自然语言改场景里的天气与角色，并融合 Gemini 系列保证物理与长程一致性。它仍是研究预览版，先给受信任测试者，之后才轮到 AI Ultra 订阅用户和 Gemini API、AI Studio 早期伙伴。最值得注意的是谷歌对用途的表述：世界模拟有望给机器人和 agent 提供训练环境，这把世界模型从「生成内容」挪到了「生产训练数据」。

人形机器人第一次有了分级标准。 10 月 28 日的论坛上，国家地方共建人形机器人创新中心联合多家头部企业发布全国首批团体标准：《人形机器人分类分级应用指南》按结构外观、移动方式、智能模型分 L1 到 L4，《具身智能智能化等级分级指南》按感知、认知、决策、自主分 G1 到 G5。分级的意义在采购：没有等级，甲方没法写招标文件，也没法验收。同一天智元把 Genie Sim 升级，聚焦柔性物体，仿真与真机任务相关性 96.7%；微亿智造在港交所主板挂牌。

参考资料

• Google 官方博客：Gemini 4 Carbon, our next frontier model（原文，含三条安全基准与「未启用防护」标注）
• Artificial Analysis：Gemini 4 Carbon 首发评测（Intelligence Index 59、幻觉率 4%→11%、单任务成本 7.76 美元）
• AI in Europe：Carbon 为什么被分级发放（Fairwind 计划与准入顺序）
• AiCybr：Carbon 安全基准逐项拆解（与 Argon 的百分点差、定价与可得性核对）
• Express Tribune：谷歌发布 Gemini 4 Carbon（含 Pichai 与官方推文原文）
• 腾讯新闻：谷歌市值跌超 3000 亿美元（Alphabet Q3 财报与模型同日）
• 快科技：黄仁勋 GTC 柏林演讲（RTX Spark、AI 工厂账本、物理 AI）
• 新浪财经：宇树跑得更快了，赚钱却更难了（Q3 数据与 465 倍市盈率）

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。