🚨天塌了兄弟们...😱😱😱 Gemini 4 Carbon 发布了！！！ 官方给它的定位是「最强的模型」，两个卖点——网络安全（cybersecurity）… · @Dav338876 · TwKit

@Dav338876

🚨天塌了兄弟们...😱😱😱 Gemini 4 Carbon 发布了！！！ 官方给它的定位是「最强的模型」，两个卖点——网络安全（cybersecurity）和长时程规划（long-horizon planning），自主编码与网络防御都称达到前沿水平。 官方那张跑分表我逐行看完了：17 项里 15 项第一。先把结论和没赢的两项都摊开。 【1｜综合能力】 AA Index v5.0：Carbon 59，Gemini 4 Argon 50，GPT-6 Astra 57，Claude Opus 5.5 58，Claude Fable 5.1 49。 Vals Index v2.2：70.4% 对 69.2% / 65.0% / 70.2% / 无数据。 不是碾压，是把上一代和两个对手同时压住一个身位。 【2｜长上下文，这一栏涨得最夸张】 GraphWalks（256k 到 1M，BFS F1）：96.2%。 Argon 84.2、GPT-6 Astra 71.8、Opus 66.8、Fable 65.0。 对 GPT-6 高 24 个点——1M 上下文不是参数宣称，是能顺着图一路跑完。 【3｜自主编码】 SWE-sweep：9.6%（Argon 4.3，翻倍多；GPT-6 9.5，只差 0.1）。 Terminal-Bench 4.0：65.2% 对 57.1/59.1/59.6/52.0。 但 FrontierSWE 2：61.2%，输给 GPT-6 Astra 的 65.5%。这栏它不是第一，别忽略。 【4｜电脑操作与知识工作】 Agents' Last Exam 77.4%；AutomationBench（Zapier）53.9% 对 41.4/42.5/31.4；Vending-Bench 2 结余 $16,484 对 $13,718/$15,515/$9,235/$5,422。 例外：OSWorld-2.1 81.5%，低于 Claude Opus 5.5 的 87.2%。 【5｜科学数学与多模态】 RiemannBench 80.0%；Terminal-Bench-Science 64.8%；Chartography 72.5%；Blueprint-Bench 2 58.6%——这一栏基本是全线拉开。 【6｜网络安全：为什么首发只给「防御者」】 CWE-bench 71.0%（识别已知漏洞模式）、ExploitGym 54.8%（写利用链）、SEC-bench Pro 88.2%（安全工程），三项全表第一。 同一套能力双用：能找洞，也能打洞；能守系统，也能破系统。 所以首发只给 Fairwind 计划里一小部分「值得信赖的网络防御者」，官方说尽快扩大访问范围。 【7｜我的判断】 ① 综合和长上下文是真提升，尤其 GraphWalks 那个 96.2 不像刷榜能刷出来的。 ② 自主编码进步明显，但 SWE-sweep 绝对分只有 9.6%——真实仓库任务依然难，「前沿」两个字别自动翻译成「能替人干活」。 ③ 网安三项第一才是这次的重点：第一次把「自主找漏洞＋写利用＋守系统」放进同一张表，还全是第一。 ④ 谁能先用？防守方优先。普通人排队。 方法论出处在 deepmind 官方 evals 页，数字都按官方表抄的，没加戏。 等它开放访问，你第一件事会拿它干嘛？

曝光 22 · 评论 0 · 点赞 1 · 书签 0