Google DeepMind 的模型卡报告了 Carbon 在多项知识工作、图表与蓝图理解、长上下文及数学科学基准上的结果;这些是厂商披露的基准快照,卡片没有给出足以独立复跑或判断统计不确定性的细节。
适合判断的任务:了解厂商披露的知识工作、数据分析、图表和空间理解、长上下文检索、数学科学推理结果,以及模型声明的预期用途。
不适合外推的任务:不能据此推断所有真实工作流中的成功率、相对排名或成本;卡片未提供样本量、置信区间和完整测试配置,也未展示面向用户的独立复测。
适用的模型版本:Gemini 4 Carbon。卡片称其基于 Gemini 4 Argon,并使用比 Argon 更多的 thinking tokens;未注明具体 API 模型 ID 或修订号。
测试环境或客户端:官方模型卡汇总;具体环境、模型调用版本及多数基准的 harness 未注明。AutomationBench 标注 Zapier;OSWorld-2.1 使用离线子集。
推理档位和参数:未注明具体档位、采样参数或 token 配置。卡片称 thinking levels 可配置,用于平衡质量、延迟和成本。
卡片称评估覆盖知识工作、多模态、长上下文、科学与数学等类别,结果标注为截至 2026 年 10 月。它链接到单独的 Gemini 4 Carbon 评测方法页面,但本卡没有列出各项测试的样本数、提示词、运行次数、统计区间或完整 harness,因而无法仅凭本页复现分数或确认不同模型间的测试条件完全一致。
下表仅摘录知识工作及多模态、长上下文、数学科学结果。数值均为 Google DeepMind 在模型卡中报告的结果,不是独立测量。原卡将 GraphWalks 标为 256k 至 1M、BFS(F1);Chartography 和 Blueprint-Bench 2 的表头注释分别给出分数类型和 similarity score。
| 类别 | 基准与卡片注释 | Gemini 4 Carbon | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 | Claude Fable 5.1 |
|---|---|---|---|---|---|---|
| 通用能力 | AA Index v5.0 | 59 | 50 | 57 | 58 | 49 |
| 通用能力 | Vals Index v2.2 | 70.4% | 69.2% | 65.0% | 70.2% | — |
| 知识工作 | AutomationBench(Zapier) | 53.9% | 51.3% | 41.4% | 42.5% | 31.4% |
| 知识工作 | Vending-Bench 2(银行余额,美元) | $16,484 | $13,718 | $15,515 | $9,235 | $5,422 |
| 多模态理解 | Chartography(Score) | 72.5% | 71.6% | 71.0% | 66.3% | 46.2% |
| 多模态理解 | Blueprint-Bench 2(Similarity score) | 58.6% | 54.4% | 49.7% | 51.2% | 41.9% |
| 长上下文 | GraphWalks(256k–1M,BFS,F1) | 96.2% | 84.2% | 71.8% | 66.8% | 65.0% |
| 科学与数学 | RiemannBench | 80.0% | 76.0% | 72.0% | 69.6% | 65.6% |
| 科学与数学 | Terminal-Bench-Science 0.1(AA) | 64.8% | 52.9% | 63.3% | 59.0% | 43.3% |
卡片还称模型适用于高精度知识工作、制品生成和数据分析,以及需要多智能体协作的工程任务;这些用途声明不等同于表中基准已经验证了所有相应工作场景。
官方结果页标注的时间点:2026 年 10 月。
输入包括文本、图像、音频和视频;输入与输出合计上下文上限为 1M tokens。输出为文本,卡片同样将输入加输出上限写为 1M tokens。
知识截止日期:2026 年 3 月;卡片说明部分领域的知识可能更旧。
训练数据、训练数据处理、架构、硬件、软件、可接受使用和评估方法等细节,卡片多处转引 Gemini 4 Argon 模型卡,没有在本页展开。
在卡片所列的两个知识工作项目中,Carbon 分数高于表内其余模型;这只描述该卡所列结果,不代表一般办公任务成功率或实际产出质量。
多模态理解结果包括 Chartography 的 72.5% 和 Blueprint-Bench 2 的 58.6 相似度分数。两项名称和指标不同,不应相互比较;卡片未说明图像样本组成、评分细则或误差范围。
GraphWalks 的 F1 为 96.2%,但该结果仅对应卡片标注的 256k 至 1M、BFS 设置,不能直接外推到所有长文档问答或上下文长度。
数学与科学结果属于指定基准。模型卡未给出题集规模、重复运行情况或可复核的逐题答案,不能据此断定在开放式研究中的可靠性。
卡片列出的一般局限包括幻觉、越狱抵抗仍在改进、偶发响应缓慢或超时,以及高 thinking level 下可能消耗更多 tokens;具体限制详情部分转引 Argon 模型卡。
分数缺少公开的样本量、置信区间、逐项参数和完整 harness;不同基准的覆盖范围和指标也不同。跨模型差值应视为厂商表格中的报告值,而非已验证的普遍优势。
本页未提供足够信息独立复现表中结果。复测至少还需对应基准版本与数据划分、提示词和 harness、模型/API 修订号、thinking 配置、采样参数、运行次数及评分实现。Google DeepMind 在卡片中另行链接评测方法页;需要复现时应核对该页与基准原始资料,并记录与本卡结果的配置差异。
Gemini 4 Carbon