Gemini 4 Carbon 拿下 Artificial Analysis Intelligence Index v5.0 的 59 分，登顶。这条消息的传播路径很有意思——大多数讨论停在"最强"两个字上，而 Google DeepMind 自己摆出来的三组安全基准数字，反倒被当成了配菜。可真正的信息全在配菜里。
三个分数，说的是同一件事的两面
先看落差。SEC-bench Pro 拿到 88.2%，这个水平已经接近"考纲被吃透"。CWE-bench 71.0%，中等偏上，还算体面。ExploitGym 54.8%，刚刚过半。
把三个数字按"看懂—定位—动手"的顺序排开，曲线是往下走的。模型越来越擅长读代码、辨认漏洞类型、给出判断；一旦要求它把判断变成一条能跑通的攻击链，成功率就掉到一半附近。识别能力与执行能力之间这道裂缝，才是 Gemini 4 Carbon 的产品定位真正落在哪里。
88.2%：读这一侧快要饱和了
SEC-bench Pro 的分数高到这个程度，说明模型在安全代码理解、漏洞归因、补丁方案生成这类任务上，已经能和不少中级工程师打平，甚至更稳。这类基准的设计逻辑，本质是"给一段有问题的代码，看你多久能指出问题在哪"。它考的是知识密度和上下文窗口的利用效率，恰恰是过去两年大模型进步最快的地方。
问题在于，这类能力的天花板已经看得见了。再往上堆分数，边际收益会迅速衰减。基准本身会先失效——当大家都在 90 分以上，这个数字就失去了区分度。
CWE-bench 的 71.0%，卡在一个尴尬的位置
71% 不算差，但它掉在了 SEC-bench Pro 后面将近 20 个点。这中间的损耗，出在"把缺陷类型和具体代码上下文对上"这一环。模型知道 CWE-79 是什么，也知道该怎么防，但要在几万行陌生代码里准确定位到那一处没有转义的输出点，难度是另一个量级。
这个数字对企业买家其实最有参考价值。真实的安全审计不是在干净的样本上做题，而是在一堆历史包袱里翻找。71% 意味着它可以当助手，还不能当责任人。
ExploitGym 的 54.8%，最有信息量的一条
刚过半数。这个成绩放在"最强前沿模型"的语境里看着扎眼，但它恰恰是最诚实的一个数。利用链的构造是长程任务：侦察、假设、尝试、失败、换路、再试。中间任何一步走偏，整条链就断了，而且不会有人告诉你断在哪。
54.8% 传达的意思是，Gemini 4 Carbon 已经能在受控环境里稳定完成一半左右的完整攻击路径。这个数字对防守方是警报，对模型厂商是路线图——剩下那一半，靠的就不再是知识，而是执行。
长程智能体：从演示视频走进值班表
单步正确率会骗人
一个模型单步准确率 95%，看着漂亮。让它连续做二十步，全对的概率只剩三成多。误差会累积，而累积的速度取决于每一步能不能自我纠错。
过去两年智能体演示的通病就在这：演示视频里跑通三十步的是什么任务？大多是路径明确、环境干净、失败可回滚的操作。真实业务里没有这种奢侈品。Gemini 4 Carbon 主打的"长程智能体能力"，如果要在 ExploitGym 之外的场景兑现，靠的是它在探索失败之后的重规划能力，而不是单点智能。
安全攻防是长程能力最残酷的考场
用网络安全来标定智能体水平，这个选择本身就说明了 DeepMind 的判断。安全任务天然具备三个特征：目标明确但路径未知、反馈稀疏、失败代价高。这三条恰好是当下智能体最容易翻车的地方。
反过来说，能在这类任务上跑到 54.8% 的系统，迁移到其他长程场景——大规模代码重构、跨系统数据迁移、基础设施变更——的把握会大得多。安全基准在这里不只是安全基准，它是长程能力的压力测试台。
59 分登顶，然后呢
第一是相对的
Artificial Analysis 的指数是多项基准的加权合成，59 分意味着在一批任务上拿到了领先的综合表现。但榜首和身后几名之间的差距，往往只有一两分，换个权重方案就可能易位。这类榜单适合判断趋势，不适合当采购清单用。
更值得记的是这句话的潜台词：前沿模型的竞争已经从"能不能做"转向"做得稳不稳、贵不贵、能不能连起来"。
采购决策里，分数排在第三位
企业真正会问的三个问题，榜单上一个都没有回答。第一，它在你的私有代码库上还能不能保持这个水平？第二，跑完一次完整审计要花多少钱、多少时间？第三，出错的时候，它能不能说清楚自己错在哪一步？
第三点尤其要命。安全场景里，"不知道自己在做什么"比"做不出来"危险得多。一个 88.2% 但会给错配方的模型，配不上生产环境。
DeepMind 这步棋，买家得跟着调整
研究品牌开始背商业指标
把网络安全和智能体并列写进发布定位，这不是一个纯研究机构会做的动作。它意味着 DeepMind 的产品线正在往企业侧的付费场景靠，而安全是少数几个预算充足、痛点明确、还愿意为前沿能力付溢价的领域。
同时这也是一个信号：模型厂商之间的差异化，正在从通用能力排行榜，挪到垂直场景的硬指标上。谁的 ExploitGym 先跑到 70%，谁就能拿到安全厂商的集成订单。
安全团队的预算会松动
过去安全团队买 AI，买的是辅助工具——告警降噪、日志归类、报告生成。Gemini 4 Carbon 这类模型的定位，是把话术从"帮你省时间"推到"帮你做判断"，虽然距离"替你做决定"还差着整整一截。
这一截有多远？大约就是 54.8% 到 90% 的距离。它不会靠一次版本更新跨过去。
