谷歌新模型登顶，幻觉测试却只拿54分

谷歌上周发布的新模型 Gemini 4 Carbon，在 Artificial Analysis 最新的 Intelligence Index V5 基准测试中登顶，比 Claude Opus 5.5 高出 1分 。这个分数看起来不悬殊，但放在2026年模型排名频繁洗牌的背景下，足以让谷歌在经历大半年发布节奏不稳之后，重新拿回榜首位置。 更值得关注的是另一张榜单。Gemini 4 Carbon 在 Artificial Analysis 新增的 AA-Omniscience v1.1 测试中排名第一，这项测试追踪的是模型的幻觉率和知识召回能力。对政府和机构来说，最低的幻觉分数正在变成一个有分量的卖点。 但分数本身也说明了问题：在 -100 到 +100 的量表上，最好的模型也只拿到 54分 。即便是2026年最强的前沿模型，在准确回忆信息这件事上，距离稳定可靠还有相当距离。 分数拆开看 Gemini 4 Carbon（high）在 Intelligence Index V5 上得分 59 ，领先 Claude Opus 5.5（max with fallback）1分，领先 OpenAI 的 GPT-6 Astra（max）2分。与 Meta 的 Muse Wonder Full（Max）相比高出9分，比 Claude Fable 5.1（max with fallback）高出10分。 在九项评估中，它在其中四项拿到第一。单看通用智能还不够，开发者真正在意的是成本与智能的帕累托前沿。Gemini 4 Carbon 在这条线上表现不错：Intelligence Index 测试中每次任务成本为 7.76美元 ，比 Gemini 3.8 Flash（high）还略便宜一点。 横向对比，这个价格比 Claude Opus 5.5 和 Sonnet 5.5（均为 max with fallback）便宜数美元，接近 Claude Fable 5.1 每次任务 12.99美元 价格的一半。但它仍比 OpenAI 的 GPT 5 Astra 贵，约为 GPT 6.1 Sol（max）的6倍，也是开源权重模型 DeepSeek V4.1 Flash 1017 每次任务成本的约13倍——后者在 Intelligence Index 上只拿到32分。 Gemini 4 Carbon 并非样样第一。在编程任务上，它不如搭配 Claude Opus 5.5 的 Claude Code；在知识工作方面，落后于 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro。Arena.ai 的帕累托前沿图上，它占据的是价格较高的一端，而低价格区间则由 GLM 5.3-Flash、DeepSeek V4 Pro 这类中国开源权重模型接手。 先给防御方，再谈开放 谷歌在发布声明中强调了对 rollout 节奏的刻意控制，并参与了美国政府自愿性的模型发布前测试流程。Gemini 4 Carbon 首先通过 Fairwind 计划开放给一部分“网络防御者”，之后经由可信合作伙伴逐步扩大范围。 在向开发者全面开放之前，谷歌希望继续迭代护栏，让模型在网络安全场景下更安全、更有效，同时提高恶意行为者利用它进行漏洞利用和攻击的难度。 谷歌给出的具体说法包括：Carbon 将无依据声明的比例削减到两周前发布的 Gemini 4 Argon 的两倍；如果无法完成某个动作，它会选择不做，而不是编造答案或围绕缺失证据打太极；在存在差异或不确定时，它更倾向于向用户呈现来源和建议动作，而不是按自己的意图推进，据称将模型越界行为减少了 26% 。在 Gray Swan 间接提示注入基准测试中，谷歌称 Carbon 挡下了所有试图让它做不该做之事的尝试。 过去一年，前沿模型和开源权重模型的开发者都在盯效率和成本。Gartner 的最新研究显示，只有 3% 的企业真正从 AI 使用中获得了成本和生产力改善。衡量 AI 投资回报本就困难，幻觉让这件事更难。如果谷歌能把“最安全、最不容易幻觉、智能高且相对便宜”这套组合卖出去，这可能就是新的获胜公式——至少在下个模型发布之前。 特别