2026 年 10 月 29 日，Artificial Analysis 公布 Intelligence Index v5，Gemini 4 Carbon 以 59 分登顶。但同一份报告也给出：它每个任务的成本为 7.76 美元，比 Claude Opus 5.5 便宜约 23%，却比 GPT-6 Astra 贵出约两成；并且 Carbon 正在灰度，尚未公开可用。对企业团队而言，总榜第一并不等于最适合生产环境，模型选型需要同时计算能力、风险和真实账单。
总分之外，先看任务适配
Intelligence Index v5 是一次换代，不是小版本更新。Carbon 的 59 分来自九项评测加权，并在其中四项拿到第一。报告同时指出，Carbon 在编程和知识工作上有明显进步，但并没有领先。如果业务场景主要是写代码或给客户出方案，总分只能作为入口，真正需要核对的是分项成绩。
在 Coding Agent Index 中，Carbon 配合 Antigravity CLI 得到 59 分，Claude Code 配 Claude Opus 5.5 得到 62 分；FrontierCode v1.1 分项上，Carbon 为 51%，Opus 5.5 为 56%。知识工作方面，Carbon 在 AA-Briefcase 拿到 1609 Elo，高于上一代 Argon 的 1483，但仍排在 Grok 4.7、Muse Wonder 和 Kimi K3.1 Pro 之后。榜单的价值在于当下的相对位置，旧版本分数不能直接跨版本比较。
- 总分说明能力上限。
- 分项决定具体任务是否适配。
- 评测集和权重变化后，历史对比要谨慎。
账单不是单价，而是输出、重试和缓存
成本容易被理解成单价比较。Carbon 每个任务标准价为 7.76 美元，Opus 5.5 为 10.04 美元，GPT-6 Astra 为 6.25 美元。报告给出的一个关键变量是输出量：Carbon 每个任务使用 123k 输出 token，比 Opus 5.5 的 173k 少 29%。
官方标价为每百万输入 token 4 美元、每百万输出 token 20 美元，与上一代 Argon 标准价一致；另有 50% 的上线折扣，报告称该折扣没有确定的结束日期。缓存命中的输入按 5% 折扣计算，折算为每百万 0.20 美元。在多轮对话和长系统提示场景中，提升缓存命中率带来的节省，可能比直接更换模型更明显。
风险指标同样会影响账单。Carbon 在 AA-Omniscience v1.1 得到 54 分，高于 Opus 5.5 的 48 分和 Argon 的 46 分；准确率从 Argon 的 48% 提升到 58%。其幻觉率从 4% 升到 11%，但报告指出，这仍是所有模型中的第二低水平，只高于 Argon；Opus 5.5 和 GPT-6 Astra 的幻觉率均为 50%。
幻觉率不能只看绝对值。50% 的幻觉率在客服、配置修改、法务摘要等场景中很难进入生产；11% 也需要配合检索引用回填、关键数字核验等校验流程。总分说明能力上限，幻觉率说明风险下限，每任务成本说明可行性。
灰度模型可评估，不应直接上生产
报告明确提到，Carbon 正在向部分用户灰度，尚未公开可用。相关分数是在高推理档位、配合特定 CLI 的条件下测得。对工程团队来说，灰度模型可以进入评估池，但不宜作为架构迁移或生产上线的依据。生产流量应运行在稳定可用、具备明确 SLA 和配额承诺的版本上。
更可执行的做法是把选型拆成规则。第一步，列出当前可调用的模型，记录能不能调、每任务实测成本、失败率。第二步，用真实日志替换官方价目表，输入 token 从日志统计，缓存命中比例从账单中取。第三步，为任务设定准入线，例如面向外部客户的输出必须低于 15% 幻觉率，编程任务可以放宽，但必须带测试回填。第四步，把灰度模型按月重测，不直接进入生产。
工具层也有类似方向。2026 年 7 月，Copilot CLI 上线自动模型选择，并提供会话级 AI 额度上限，可以把简单查询与复杂多步任务分开管理。路由层和额度闸门合起来，构成一套最小可用的成本治理。
Intelligence Index v5 的价值，不只是给出新的第一名，而是把模型选型拆成可以核对的三条线：能力是否覆盖任务，成本是否可承受，风险与可用性是否达到生产要求。Carbon 的 59 分、7.76 美元每任务成本和灰度状态，都是决策文档中需要并列写明的信息。榜单解决信息不对称，最终决定上线结果的，仍然是团队自己的任务样本、成本日志和准入规则。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/gemini-4-carbon-deng-ding-xin-ji-zhun-hou-mo-xing-xuan-xing
