Gemini重奪AI榜首 新模型擊敗Claude與GPT、馬斯克也按讚

谷歌(GOOGL-US)周三(28日)發布旗艦AI模型Gemini 4 Carbon，在評測機構Artificial Analysis最新綜合智慧指數中，以59分擊敗Claude Opus 5.5與GPT-6 Astra，重返榜首。

距離上一款Gemini 4 Argon向一般使用者開放僅兩週，谷歌便再度推進模型能力，並將減少憑空捏造、改善指令遵循與處理複雜工程任務列為重點。

不過，Carbon尚未全面開放。谷歌計畫本周先提供部分網路安全防禦人員使用，再逐步擴大至合作夥伴，面向一般使用者的時間尚未公布。

綜合成績登頂 單項仍有差距

在Artificial Analysis同一版綜合智慧指數中，Carbon由Argon的50分提升至59分，超越Claude Opus 5.5的58分及GPT-6 Astra的57分。谷歌DeepMind執行長哈薩比斯在X分享成績後，馬斯克也留言稱讚表現令人印象深刻。

但綜合排名第一，不代表所有任務都領先。在AI代理程式設計指數中，Carbon搭配谷歌Antigravity工具取得59分，高於Argon同類組合的53分，仍落後Claude Code搭配Opus 5.5的62分。

這項評測衡量的是模型與工具共同執行任務的表現，與綜合智慧指數不同。

谷歌公布的17項基準比較中，Carbon取得15項最高分，但在軟體工程任務評測FrontierSWE 2中，GPT-6 Astra以65.5%領先Carbon的61.2%。

其他外部榜單也呈現不同結果。涵蓋金融、程式設計、法律與稅務任務的Vals Index中，Carbon以70.36%排名第二，落後Sonnet 5.5的70.85%，略高於Opus 5.5的70.18%。

網頁開發評測WebDev Arena則排名第四，顯示其綜合能力雖有進展，部分專項仍有追趕空間。

減少擅自行動 更能依指示修正

除了評測分數，谷歌這次也著重改善模型實際執行任務時的可靠性。過去曾有使用者抱怨，指出Gemini的錯誤後，模型雖熱情稱讚使用者，卻未能確實修正問題。

谷歌表示，Carbon遇到模糊指令或互相衝突的參考資料時，會先查找來源、指出不一致之處；證據不足時，也會說明缺少哪些資訊。內部測試顯示，缺乏依據的陳述較Argon減少約一半。

此外，Carbon擅自超出使用者要求的行為減少26%，未充分完成要求的情況減少29%；內部團隊實際程式環境中，嚴重偏離預期行為的警告更減少近80%。上述數據均來自谷歌內部評估，測試對象與統計方式各不相同。

外部評測平台Arena的早期數據也顯示，Carbon在「可引導性」項目排名第一，代表使用者指出問題或追加要求後，模型依指示調整的能力獲得肯定。基於約2.19萬次真實AI代理對話，Carbon在Agent Arena總榜排名第二。

答對率提高 幻覺問題仍待檢驗

不過，第三方測試並未顯示Carbon在所有減少捏造資訊的指標上都取得進步。

在AA-Omniscience知識評測中，Carbon答對率由Argon的48%升至58%，但幻覺率也從4%增至11%，儘管仍屬榜單中較低水準。

這裡的幻覺率，是計算錯誤、部分正確及拒答等「未獲滿分回答」中，捏造錯誤答案所占比例，不代表所有回答有11%是虛構內容，也不能直接與谷歌內部「無依據陳述減半」的數據比較。

換言之，Carbon回答正確的題目增加，但面對知識盲區時，是否更能避免猜測，這項第三方評測尚未給出同樣樂觀的結果。

強化資安任務 可連續工作數日

谷歌也將Carbon推向更耗時的工程任務。內部團隊已能讓模型連續運作數日，在大型程式碼庫與底層系統中追蹤問題，嘗試不同方法找出錯誤並修補。

資安是此次展示重點。在真實軟體漏洞挖掘評測SEC-bench Pro中，Carbon取得88.2%；驗證漏洞利用能力的ExploitGym中，在單項任務限時10小時的條件下取得54.8%，高於Argon的42%。

修復漏洞根因的CWE-bench則取得71%，略高於Argon的68%。三項成績均在未啟用安全護欄的條件下測得。

Carbon支援100萬token上下文。在追蹤大量節點關係的GraphWalks測試中，谷歌公布其於25.6萬至100萬token區間取得96.2%，高於Argon的84.2%、GPT-6 Astra的71.8%及Opus 5.5的66.8%。

不過，這衡量的是超長上下文中的邏輯關係追蹤能力，並非一般長文閱讀準確率。

費用與速度仍須看任務

執行效率方面，部分早期測試者認為Carbon生成效果明顯改善，但速度較慢。由於當時測試版本未經確認，相關感受尚不能直接套用至正式模型。

Vals公開數據顯示，Carbon完成單項測試平均耗時約47分45秒，Argon約44分58秒，Opus 5.5與Sonnet 5.5則均超過一小時。這些屬於複雜長任務，不能用來推估日常聊天的等待時間。

價格方面，Carbon沿用Argon首發優惠，每百萬輸入token收費2美元、輸出10美元，快取輸入按輸入價格的5%計費。優惠結束後，標準價格將恢復為輸入4美元、輸出20美元，調整日期尚未公布。

Artificial Analysis按標準價格估算，Carbon每項智慧指數任務的加權平均成本為7.76美元，較Opus 5.5的10.04美元低約23%，但高於GPT-6 Astra的6.25美元，與Argon的7.68美元相近。

谷歌後續將透過Fairwind計畫擴大開放，再提供開發者、企業與一般消費者使用，也已將模型提交美國政府參與自願性發布前安全測試。

Carbon已重奪綜合評測榜首，但能否將分數優勢轉化為更穩定、少返工的使用體驗，仍待更廣泛的實際驗證。