大模型行业吵了快一年的“深思考是不是伪需求”，在谷歌这里有了阶段性答案。
过去几个月，推理模型背上的标签并不好听：费 token、响应慢、为了炫技而炫技。不少工程师的直觉是，日常写代码、查文档，一个反应快、花钱少的模型就够了，何必让模型“想很久”。但谷歌 11 月 10 日正式开放的 Gemini 4 Carbon，偏偏反着来。它没有试图变得更快更省，而是在复杂任务上花更多时间、烧更多 token，把假设探索、结果验证和边界检查做透。谷歌给它的定位很直白：迄今最强的推理模型，专攻复杂软件工程、多步骤智能体任务、科研与网络安全。
Carbon 想证明的不是“模型能聊天”，而是“模型能啃硬骨头”。
深思考模型正式上场
11 月 10 日，谷歌宣布 Gemini 4 Carbon 面向开发者、企业、科学家和消费者全面开放。两周前的 10 月 28 日，Google DeepMind 高级副总裁兼首席 AI 架构师 Koray Kavukcuoglu 在官方博客首次介绍 Carbon，称其为“我们迄今最强的模型，拥有最先进的网络安全能力和长周期任务能力”。首发阶段，Carbon 只向一部分网络安全防御者开放，通过 Fairwind Program 逐步扩大到受信任的合作伙伴，参与美国政府的自愿预发布测试流程，如今才正式推向公众。
和同门的 Gemini 4 Argon 相比，Carbon 的差别不在“会不会”，而在“肯不肯花时间”。谷歌 AI Studio 的官方说明写得很直接：在难题上，Carbon 会花更多思考 token 去探索假设、验证工作、检查边界情况，然后再作答。它支持低、中、高三档可调的思考强度，默认中档；统一上下文窗口 104 万 token，常规输出上限 6.5 万 token，Long Decode 模式可把输出拉到 104 万 token。谷歌还建议开发者把 max_output_tokens 至少设到 32768，因为 Carbon 会把更多额度花在“思考”上。
价格与 Argon 同享首发优惠：每百万输入 token 2 美元、输出 token 10 美元，缓存输入价格比输入 token 低 95%；优惠期结束后涨至 4 美元和 20 美元。谷歌把话说得很清楚：Argon 适合大多数软件工程和知识工作，Carbon 则面向那些考验模型智力上限的任务。一硬一软，各司其职。
为什么“多花 token”是解法，不是浪费
深思考模型被质疑的核心，是“值不值”。一个简单问题，模型洋洋洒洒想半天，最后答案和快模型一样，那就是浪费。Carbon 的逻辑恰恰相反：它瞄准的不是简单问题，而是那些快模型根本做不对的问题。
复杂软件工程的难点，从来不是写出一段能跑的代码，而是在几十万行代码里定位一个隐蔽的 bug，改完还要保证不引入新问题。这类任务需要多轮尝试：先提出几种可能的根因假设，逐一验证，再对修改做边界检查。Carbon 把这套流程内化进了推理过程，用更多 token 换取更高的准确率。谷歌内部团队的反馈是，Carbon 可以连续运行数天，熬过一个个死胡同，去根因分析和修补大型代码库与底层系统中的细微 bug。
这背后是一种范式转移。以前的模型是“看到问题就回答”，现在的深思考模型是“先想清楚再回答，回答完再检查一遍”。多出来的 token，买的是假设空间、验证回路和纠错机会。对日常任务，这是冗余；对硬任务，这是刚需。
安全与科研，两块最硬的试金石
谷歌选择用网络安全和科学研究给 Carbon 立威，是有意的。这两个领域的共同特点是：答案不能靠编，错了代价极高。
网络安全是 Carbon 的重头戏。在 SEC-bench Pro 漏洞发现测试中，Carbon 拿到 88.2%；ExploitGym 漏洞利用测试 54.8%；CWE-bench 修补测试 71.0%。谷歌强调，这些测试都是在没有护栏的情况下评估的。内部基准上，Carbon 生成安全代码的成功率比 Argon 提升两倍以上；Chrome 团队报告，Carbon 生成高质量补丁的表现，比另一家实验室的前沿大模型高出十倍不止。
更直观的案例来自 Wiz。在 Wiz 的 Scan for Good 项目中，安全团队用 Carbon 扫描两家大型 SaaS 提供商的公共数字基础设施，不到两小时就挖出了零日漏洞，把原本需要数周的漏洞研究压缩到一个下午。团队随后与受影响方合作完成修复，缓解了可能对数万家公司的潜在影响。
安全之外，Carbon 还要证明自己能做真正的科学发现。在蛋白质结构预测领域，AlphaFold 3 这类模型依赖进化亲缘序列的多序列比对来推断氨基酸链如何折叠，因此在标准数据库中匹配很少的被忽视蛋白、病毒蛋白面前常常束手无策。谷歌研究人员用 Carbon 在多智能体协作模式下，自主在拍字节级的未标注序列档案、环境和病毒序列目录以及 3D 结构数据库中挖掘远缘同源序列。在 CASP17 盲测集中的 7 个低同源蛋白家族上，Carbon 把检索到的同源序列数量平均提升了 40 倍，大幅增加了结构预测模型可用的信息。
药物毒性研究公司 Axiom Bio 则把 Carbon 作为其转化科学领域性能领先的模型，用它发现了此前未曾找到的毒性新机制，并正把生产环境的科学分析和智能体迁移到 Carbon 和 Argon 上。
这些数据共同指向一个结论：Carbon 的价值不在聊天，而在那些需要严谨推理、容错率极低的任务。思考越久，准确率越高，这不是营销话术，而是它在这些硬场景里跑出来的结果。
一硬一软，谷歌的模型分工经济学
Carbon 的发布，也暴露出谷歌对 Gemini 4 家族的清晰分层。
Argon 是效率模型，追求更快的响应、每轮更少的 token 消耗，覆盖大多数软件工程和知识工作。Carbon 是能力模型，追求在极限任务上的准确率，代价是更高的 token 用量和更长的延迟。谷歌 AI Studio 的模型文档把两者并列：Carbon 面向复杂软件工程、多模态知识工作、科学推理和网络安全防御；Argon 面向复杂编码、智能体、数学和科学任务，但响应更快、花费更少。
这种分工对用户意味着什么？意味着“选模型”开始变得像“选工具”。日常写个脚本、查个 API 文档，用 Argon；要重构一个遗留系统、审计一整座代码库、或者做开放式科学探索，才轮到 Carbon 上场。谷歌甚至在 Google Antigravity 里预览了 /swarm 功能，让一个提示词变成一支可实时追踪的智能体团队，把 Carbon 分配给架构设计、协调和审计这类最需要深度推理的角色，再搭配更快更轻的模型并行工作。
价格也在强化这种分工。Carbon 和 Argon 首发同价，每百万输入 2 美元、输出 10 美元，优惠期后涨到 4 美元和 20 美元。对预算敏感的日常任务，用户有动力留在 Argon；只有真正棘手的任务，才值得为 Carbon 的深度推理付费。
深思考的另一面，是成本和风险
Carbon 的证明题还没完全做完。深思考模型的代价是实打实的。第三方评测机构 Artificial Analysis 记录，Carbon 在其智能指数评估中输出了 2 亿个 token，约是同类模型中位数 6400 万的三倍；按标准定价计算，平均单次任务成本约 7.76 美元。换句话说，Carbon 确实准，但也确实贵。
更大的问题是双刃剑。一个在网络安全上如此强大的模型，同样可能被用来寻找漏洞、编写攻击载荷。谷歌的应对是分阶段开放：先给网络防御者，再给受信任的合作伙伴，最后才面向大众。Fairwind Program 的申请条款相当严格，需要防钓鱼的多因素认证、用户级认证，用途限于内部安全、事件响应或渗透测试团队，且禁止创建恶意软件。
另一个待观察的点是基准的可复现性。谷歌公布的安全基准分数都是在没有护栏的情况下跑出来的，目前尚未有独立第三方完整复现。Terminal-Bench 4.0 上 0.0% 的成功作弊率很亮眼，作弊尝试也降至 0.4%，同时整体准确率还在提升；在谷歌内部团队的实际编码环境里，高严重性错位警报下降了近 80%，无依据的声明比 Argon 减少了约一半。但每个企业的环境都和谷歌的基准不同。用户在把 Carbon 接入自己的代码库之前，最好自己种一个会失败的测试，看看智能体会不会走捷径。
深思考模型进入“按任务选模型”时代
Gemini 4 Carbon 的亮相，给持续已久的深思考之争画下了一个阶段性句点。它没有试图证明深思考模型在所有场景都更好，而是证明了在那些真正困难的任务上，多花 token 思考是值得的。
对开发者和企业来说，真正的变化不是“该不该用深思考模型”，而是“什么时候用”。日常任务交给 Argon 这样的效率模型，硬任务才派 Carbon 上场。模型不再是一个通用聊天入口，而是一套需要按任务调度的工具组。
当思考变成一种可以调节的强度，而不是模型的默认状态，AI 才真正开始像工程师一样工作。
快报