跑分第一不算赢，跑得久才算

AI 模型 · 长时程赛道 ｜ 2026-10-30 ｜ 59 分第 1 · 连跑数天 · 安全代码 2 倍 · 先给安全的人用 ｜ 数据来源：Google 官方博客 + 凤凰网科技

你的 agent 接了个「把全仓库的安全隐患找出来、验证、再修掉」的活。干到俩小时，上下文爆了。你只能把它拆成二十个小步，手动一把一把喂进去；第二天醒来一看，它第七步就摆烂了——「任务太长，建议人工介入」。

这事儿，Google 说它能解决。 10 月 29 号它放了个新模型，叫 Gemini 4 Carbon。名字听着像跑车零件，干的是「能连跑几天的活」。

PART 01 · THE SCORE · 跑分第一

先上数据。Artificial Analysis 智能指数更新到 v5.0，Carbon 拿了 59 分，排第 1。WebDev Arena 上 1768 分，升到第 4，Elo 一口气涨了 89。

但有个限定得说清楚：这些分是没开安全防护跑出来的。 所以「59 分第 1」是裸考成绩，不是「戴着安全帽还能跑第一」。真拿它上生产，得再看一遍带上防护的分。

PART 02 · ENDURANCE · 跑得久才是重点

跑分第一不是重点，重点是它能连跑几天。Google 的说法：面向执行周期更长、复杂度更高的工程任务，可以连续运行数天，持续处理多步骤工作流，遇到瓶颈也接着推进，而不是撂挑子。

这就戳中你那个老痛点——agent 干到一半就「累」了。你见过这种场景吧：改到一半上下文窗口满了、工具超时了、或者它干脆回你一句「这活超出我的能力范围」。Carbon 是冲着「把长活干完」去的，不是冲着「单步更快」去的。方向不一样，这比涨两分值钱。

说白了，AI 编程卷到现在，单步生成早就够了，卡的是耐力。你真正缺的不是一个能写 50 行函数的模型，是一个能在深夜里替你盯完整个活、不睡着的模型。

内部测试里，它生成安全代码的成功率比两周前的 Argon 高了 2 倍不止；Chrome 团队的报告更狠——生成高质量补丁的表现，比另一家实验室的前沿模型好 10 倍以上。

PART 03 · WHO FIRST · 先给谁用

最反常识的一点：这模型不先给开发者，先给安全防御者。 开放节奏是——先给部分网络安全防御人员，再通过 Fairwind 计划扩到可信合作伙伴，最后才轮到开发者、企业、普通消费者。

因为它把「漏洞全生命周期」包圆了： - 发现漏洞：SEC-bench Pro 88.2%，能自主找出藏在真实软件里的复杂漏洞 - 验证风险：ExploitGym 54.8%，判断漏洞能不能真被利用，业界最佳 - 根源修复：CWE-bench 71.0%，把验证过的漏洞直接转成能跑的修复代码

Wiz 也观察到它在 Web 渗透测试基准上领先。所以「先给安全的人用」不是噱头——是它确实在这块最强，先给最需要的人。

PART 04 · PRICE · 值不值

价格跟 Argon 一样：每百万输入 token 2 美元、输出 10 美元，缓存输入打 95 折。 没涨价，但也没便宜——它是拿「耐力」换溢价，不是拿「低价」抢市场。

CASE 01｜深夜挂个长任务

需求：你是个 1-5 年经验、代码库历史包袱重的程序员，想修一批已知安全隐患，但白天没整块时间，任务要跨几小时甚至一夜。

方案：1. 晚上收工前，把「找出全库漏洞根因并修复」的任务挂给 Carbon 类长时程模型。2. 设好验证基准（跑测试 + 扫差异），不打断它。3. 第二天看结果，只人工复核高风险改动。

输出：- 长任务有人接了，不用拆成小步手动喂；- 验证基准兜底，模型「摆烂」能被测出来；- 风险集中在一处，人工复核成本可控。

PART 05 · 一句话结论 · 别只盯跑分

一句话推荐： 别只盯跑分排行榜——能连跑几天的模型，才配得上「长时程任务」这四个字。

适合场景：- 那种一挂就要几小时甚至几天的活——全库漏洞根因排查、大重构、长链路回归；- 以前没人敢交给 agent，现在模型说它接得住；- 想拿「长时程」当新维度去挑模型，而不是只看 AA 榜。

参考资源：- Google 官方博客《Gemini 4 Carbon 发布》（2026-10-29）；- 凤凰网科技 2026-10-29 报道（含基准未开防护的限定）；- Artificial Analysis 智能指数 v5.0（59 分第 1 出处）。

最后毒舌一句：Google 这波聪明在——它不跟你卷「谁的模型单步最强」，它卷「谁的模型能陪你熬夜」。耐力，是 AI 编程下一个没人明说的分水岭。