一张标题卡写着“Carbon 只被点名一次。Argon 负责干活。”,副标题为“Google Research,2026年11月13日”,其上方有三项计数事实:Gemini 4 Carbon 在帖子正文中被提及 1 次,Gemini 4 Argon 被提及 13 次,以及最大的单一产物——一份五千万行的 Courtade-Kumar 猜想 Lean 4 形式化。
Engineering & Research

Gemini 4 Carbon 走进了实验室。谷歌自己的文章十三次将功劳归于 Gemini 4 Argon

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

五千万行 Lean 4。这就是机器检验 Courtade–Kumar 猜想证明所需的规模;该猜想是 2013 年信息论中的一项结果,涉及一条含噪比特串在压缩后还能保留多少内容。它也是 2026 年 11 月 13 日发布、题为“用 Antigravity's /teamwork 推进科学与工程”的研究报告中最大的单项产物。这篇帖子正是如今流传的那一说法的来源:研究人员正让 Gemini 4 Carbon处理物理学、数学和生命科学领域的多步骤问题。Carbon 确实出现在帖子中。它只被提到一次,位于顶部的三个模型列表中。下方每一个案例研究——该猜想、形式化的 Weil 猜想、NMR 结构解析、围棋引擎、Zircon 内核重写——在正文中都被归功于 Gemini 4 Argon,或未标明层级的“Gemini 4”,或归功于执行框架本身。

这不是丑闻,也不是更正。这是一个值得在任何人据此做预算之前弄清楚的区分,因为这两个模型并不像那条推文所暗示的那样可以互换,而且因为 Carbon 的价格定于 2026 年 12 月 1 日翻倍——距今十四天。下面将说明该帖子实际说了什么、哪些说法经得起审视、哪些是厂商报告且未经复现,以及 Google 之外的读者本周能用其中任何内容做些什么。

帖子、节目和那一句话

Google Research 于11月13日发布了它,署名的是 Google Fellow、Google Research 副总裁 Vahab Mirrokni。开篇段落用一份单一列表点名了这些模型:“使用 Gemini 4 Argon、Gemini 4 Carbon、Gemini 4 Hydrogen,以及 Antigravity 的 /teamwork 等多智能体工作流(基于多种 Gemini 模型构建),这些合作催生了新的创新……”这句话就是 Carbon 在整个论证中的全部存在。数一数下方正文中的名称,Argon 出现了十三次,Hydrogen 一次,而 Carbon 再未出现。

原因在于结构,而非令人难堪。/teamwork 是一套运行框架,而不是一个模型:它运行一个专门化智能体池,只给每个智能体提供其步骤所需的文件和工具,把工作交给全新的后继者,以免上下文在持续多日的运行中腐坏,并将每个提示词路由到为该任务选择的工作流模式。它的验证层才是 Google 真正在卖的东西——Lean 4 检查器、未经修改的测试套件、执行模拟器、硬件计数器——充当决定哪个候选答案能存活下来的证伪器。当由运行框架负责编排、由证明检查器负责评判时,底层模型的重要性不如围绕它的循环。Argon,这个自 2026 年 10 月 13 日起即可在付费 API 上调用的模型,正是这些活动所运行的模型。

Carbon 入选该榜单的自身理由确实成立,但有所不同:它是 Google 迄今发布的最强通用模型,在 Artificial Analysis 上,它目前以 60 分在 Intelligence Index v5.0.1 的 81 个模型中位列第四。11 月 13 日的帖子中没有任何内容与此相矛盾。帖子中也没有任何内容能证明这些工作是 Carbon 完成的。

Screenshot of the Google Research blog post 'Advancing science & engineering with Antigravity's /teamwork', dated 13 November 2026 and credited to Vahab Mirrokni, showing the opening paragraph that lists Gemini 4 Argon, Gemini 4 Carbon and Gemini 4 Hydrogen alongside Antigravity's /teamwork multi-agent workflows.

结果按可核查程度排序

这篇博文对一个研究博客而言,具体细节丰富得不同寻常,这使得人们可以依据这些说法背后有何种证据来对它们进行分类,而不是依据它们听起来多么令人印象深刻来分类。

• 经机器检验,因此原则上可验证——Courtade–Kumar 证明在 Lean 4 中完成了端到端形式化,规模达 5000 万行,并明确指出了人类贡献:一个 CUHK 团队提出了候选函数,将问题简化为一个 14 变量优化问题。同一类别中还有 Weil 猜想的形式化,约 180 万行,涉及 28,800 次子代理调用;一般环上的希尔伯特第十问题,超过 91.9 万行;自 1927 年起悬而未决的 Birkhoff 猜想;以及三维 Bochner–Riesz 猜想——系统报告称在其中发现并修复了最近发布的一份非形式化证明中的一个漏洞。一个能编译的 Lean 证明与基准分数属于不同类别的论断,Google 理应为此获得赞誉——不过“5000 万行生成的证明代码”同样是在说明搜索规模,而非优雅程度。

• 经过测量,并说明了测量方式——分子化学方面的结果。三十个专用智能体在自我纠错循环中运行,再加上一个物理信息驱动的光谱模拟器,在 NMR 结构解析基准上达到了 95% 的 top-1 精确匹配和 100% 的 top-3,Google 称这几乎是单智能体性能的两倍。这是帖子中最接近生命科学主张的内容,也是最有可能被引用的内容。帖子没有点名基准分子,基线单智能体数字仅以比率给出,且尚无独立复现。

• 接近同行评审,并附有一项调查——STOC 2027 上的 Deep Review。578 份投稿的作者(超过投稿总数的三分之一)选择接受对其草稿的自动反馈。在一项针对 70 位作者的持续调查中,90% 的人认为反馈大体上或几乎全部符合事实,90% 表示会再次使用,超过 30% 表示它发现了实质性的证明缺陷,14% 报告称存在需要超过一小时才能修复的技术缺口。这些是自选受访者在描述自己的投稿,其证据强度弱于对照研究,但远强于用户证言。

• 来自生产系统的工程数据——为 Zircon 微内核用 Rust 重写约 80 万行代码,通过了单元测试并能在 arm64 上启动;libgav1 被移植为约 17 万行 Rust 代码,达到 100% 逐位一致,最终比原始 C++ 和手写汇编快 20% 到 30%;TPU 内核工作据报告在 17 个 JAXBench 内核上取得 4.09 倍的几何平均加速;Connected Components 可扩展到万亿条边的图,内存占用降低至原来的 1/6;以及一个 9x9 围棋引擎在不到八天内提升约 2,600 Elo,水平落在进行 16 次和 32 次访问的 KataGo 之间。这些是该公司选择公布的内部测量结果,未经外部审计,而且大多数情况下没有发布任何产物。

• 文中完全没提——任何关于成本的内容。整篇文章中都没有出现活动预算、token 数量或按结果计费的账单。对于一个输出包含 5000 万行证明和为期八天自主训练运行的系统来说,这正是计划自行开展活动的读者最希望填补的遗漏。

带着归因再读一遍这份清单,轮廓就清晰了:执行框架产出结果,验证器为其认证,人类专家界定问题,而模型是引擎——三者之中的一台引擎,而文章点明了它所倚重的是哪一台。

为什么测试框架的结果不是模型的结果,以及如何为这种差异定价

把两者混为一谈的动机显而易见,因为基准测试分数是一个可以比较的数字,而评测框架结果是关于工作流程的叙述。Carbon 的可比数字由与评测框架无利害关系的第三方测得,在 Intelligence Index v5.0.1 上为 60——在 81 个中排名第四,高于它的是 65 分的 Claude Fable 5.2,低于它的是 55 分的 GPT-6.1 Sol。同一页面显示,Carbon 每完成一个索引任务的成本为 5.48 美元,每个任务耗时 33.2 分钟,两者都远高于其价格档位的中位数,因为它要写入 2.05 亿个输出 token,才能完成中位模型用 7860 万个 token 完成的任务。

Screenshot of the Artificial Analysis model page for Gemini 4 Carbon, showing an Intelligence Index of 60 and a rank of fourth of 81, a time to first answer token of 72.88 seconds, output speed of 62 tokens per second, 33.2 minutes per Intelligence Index task, input and output pricing of $2.00 and $10.00 per million tokens with a 95% cache discount, a cost of $5.48 per Intelligence Index task, 7.62 billion input tokens and 205 million output tokens, and a 1M-token context window with text, image, speech and video input.

那种冗长在证明搜索中并不是缺陷。当任务是在参数空间中探索、并用 Lean 检验候选时,写得更多就是方法本身。当任务是支持工单时,它就是账单。11 月 13 日的帖子是第一种情况的证据,对第二种情况则只字未提——任何将其解读为“Carbon 是我们的智能体的模型”的团队,都是在从他们并未运行的评测框架中借用一项结果,而且用在他们可能并不具备的任务类型上。

可迁移的是设计模式,而且它并非谷歌独有:并行探索、一个没有立场的外部证伪器、每一步都使用全新上下文,以及一个永远看不到生成方推理过程的批评者。其中每一项都是关于你如何调用模型的属性,而不是关于你调用哪个模型的属性。

局外人实际能得到什么,以及在12月1日之后要付出什么代价

文章以最具可操作性的段落结尾:外部科学家和开发者如今就可以在 Antigravity 和 Deep Review 中,通过 /teamwork 和 /boost 使用 Gemini 4 模型;同时,Google 已开放申请,向 10,000 名学术研究人员提供为期六个月、免费使用其最高用量层级的权限。对实验室而言,这个项目才是真正的新闻。它也是目前提供的唯一免费途径,并且有名额上限、需申请才能获得,且有时间限制。

其他人都在购买 token。Gemini 4 Carbon 于 2026 年 11 月 10 日在付费 Gemini API 上正式可用,距离 Google 宣布它已过去十三天,价格为每百万输入 token 2.00 美元、每百万输出 token 10.00 美元——这一费率持续到 11 月 30 日,并于 12 月 1 日变为 4.00 美元和 20.00 美元,缓存输入也在同一天从 0.10 美元涨至 0.20 美元。该模型没有免费层级;每个处理的 token 都会计费,包括思考 token。一项按当前费率定价的为期六周的研究活动,就是以 12 月成本一半的价格进行的活动,这要么是现在就开始的理由,要么是按更高数字估算账单的理由。

Carbon 在 OrcaRouter 上以 google/gemini-4-carbon 提供路由,按 Google 的目录价、0% 加价,使用与目录中其余模型相同的密钥和相同的 OpenAI 兼容端点,这一点在这里有个很实际的原因:12 月 1 日的变更是供应商价格变更,而透传费率意味着我们这边的数字会在当天随 Google 的数字变动,而不是等到一个重新定价周期之后。模型页面载有当前规格范围——1,048,576 token 上下文、65,536 token 最大输出,输入支持文本、图像、音频、视频和 PDF,输出为文本,支持原生工具调用和结构化输出——这是 Google 自己的发布帖子没有公布的规格表。

Screenshot of the OrcaRouter model page for google/gemini-4-carbon, showing a 1,048,576-token context window, a 65,536-token maximum output, multimodal input across text, image, file, audio and video with text output, tool calling and structured outputs, and pricing of $2.00 per million input tokens and $10.00 per million output tokens.

帖子留下的悬而未决的问题

Google 在二十天里发布了三篇东西:一篇公告把 Carbon 排在一个中立指数首位,一篇正式可用(GA)博文让它可被调用并给自己的折扣标了日期,还有一篇研究博文把它与两个同系列模型并列在同一列表中。它尚未发布的,是任何一个它归因于 Carbon 单独取得的、在明确成本下、可由第三方复跑的任务结果。在这个结果出现之前,对 11 月 13 日最诚实的总结比那条推文更狭窄,也更有用:测试框架有效,验证器才是有意思的部分,而被点名十三次的模型才是这些活动实际运行所用的那个。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新