谷歌被曝内测新模型 Carbon：员工称编程接近 Opus 5.5！用户吐槽：Argon 没用上，又来一个

作者｜冬梅

谷歌新一代模型的公开推广尚在推进，内部测试已经走向下一轮。

据 Business Insider 10 月 9 日报道，谷歌员工近期开始在内部编程平台 Jetski 中测试代号为 Carbon 的 Gemini 4 检查点。一名员工认为，其编程体验接近 Claude Opus 5.5，但同时表示还需要更多测试。

1 谷歌被曝将发布新模型 Carbon，编码能力比肩 Opus 5.5

报道还称，内部版本 Barium-B 被选为对外使用 Argon 名称的模型，Carbon 最终如何发布，仍未确定。

谷歌拒绝置评。

但值得注意的是，这种能力的描述 “Gemini 4 Carbon 编程能力并肩 Opus 5.5”目前仅为内部体验反馈，而非公开评测结论。

Carbon 也不是谷歌已经正式公布的产品名称。用户最终能否获得这一版本、通过什么产品使用它，以及实际表现是否符合内部评价，都还存在空白。

不过，将这条爆料放回谷歌近期的产品节奏中，它的意义就不止是“又一个模型代号出现了”。从 Gemini 4 Argon，到 Antigravity，再到刚刚公布的企业通用智能体，谷歌正在同时推进模型能力、执行工具和工作入口。Carbon 的潜在价值，在于能否为这套产品布局提供更可靠的编程能力。

TestingCatalog 在 10 月 9 日的报道中指出，Antigravity 已出现 Argon 的模型选项及 256K、512K、900K 三档上下文配置；较大两档显示的额度消耗分别约为每轮 1.3 倍和 1.8 倍。

与此同时，Gemini Web 现在支持所有可用模型的低、中、高三种思考难度设置。这一变化有助于该平台为 Gemini 4 的发布做好准备。谷歌于 9 月 30 日正式发布了 Argon，最初仅向部分网络安全合作伙伴开放访问权限，预计付费 API 客户和 Google AI Ultra 订阅用户也将陆续获得访问权限。

该网站还发现，尚未发布的 Concierge 智能体出现了 Chief of Staff 的新名称。但这些属于测试界面线索，也不能直接视为最终产品规格。

如果这些界面配置最终落地，开发者面对的选择也会更具体：一次任务需要携带多少信息，值得消耗多少额度？对大型代码库而言，更长的上下文可能减少反复补充材料的操作，但容量本身无法回答模型是否准确理解了依赖、保留了约束、找到了真正相关的代码。决定体验的仍是任务完成质量，而非窗口数字。

谷歌已经正式公布的 Argon，则提供了观察其技术方向的依据。根据 9 月 30 日的官方介绍，Argon 将输出上限由此前的 64K 提高至 100 万 tokens；谷歌报告其 DeepSWE v1.1 得分为 77.9%。模型先通过 Fairwind 计划向可信网络防御方开放，再逐步扩大使用范围。

需要注意，100 万 tokens 是这里公布的 输出上限，不能与 Antigravity 测试界面中的上下文档位混为一谈，Argon 的成绩也不能移用来证明 Carbon 的表现。

这组变化反映出谷歌希望解决的问题：让模型在更长的工作过程中持续推进任务。软件工程中的难点经常不在于写出某个函数，而在于理解已有系统、修改多个文件、运行测试，再根据失败结果调整实现。输出空间扩大，为更长的处理过程提供了条件，但它不是可靠性的保证。

长任务甚至会放大错误的代价。一个错误判断如果在早期没有被发现，后面的修改、测试和解释可能围绕错误前提继续展开。因而，评估下一代编程模型，除了看“能连续工作多久”，还需要看它何时能够识别方向错误、停止无效尝试，以及把哪些不确定性交还给人。

2 谷歌加快在工具侧布局

谷歌在工具侧的布局，说明它并不打算只交付一个模型接口。

今年 5 月的 I/O 大会上，谷歌公布了独立桌面应用 Antigravity 2.0，支持多智能体并行任务和后台调度；同时推出 Gemini API 中的 Managed Agents，让智能体在隔离的 Linux 环境内使用工具、执行代码，并保留可恢复的文件和状态。官方强调，这些能力使用 Antigravity 的智能体运行框架，并与 Gemini 模型协同优化。

这一布局很关键。模型回答正确，只是编程产品的一部分；它还需要知道该读取哪些文件、何时执行命令、如何使用测试结果，以及任务中断后怎样继续。开发者最终感知到的表现，是模型和整套执行系统共同作用的结果。

因此，即便未来出现 Carbon 与 Opus 5.5 的公开对比，也不能只看两个模型名称。比较是否使用相同的任务、工具、重试次数和计算预算，直接影响结论。一个系统多尝试几轮后修复了问题，与另一个系统一次完成，其成本和使用体验并不相同。员工认为“接近”，可以是值得关注的信号，却还不足以回答这些问题。

而谷歌更大的动作，发生在编程场景之外。

昨天，谷歌云刚发布了面向工作的 Gemini Agent。路透社将其放在科技公司争相推出自主智能体的背景下报道：这款产品覆盖问答、任务处理、内容生成和编程，行业竞争正在从聊天助手向能够主动执行工作的产品延伸。

根据谷歌云的官方说明，Gemini agent 可以在 Workspace 等入口中使用，在云端持续运行，跨设备保留上下文，并通过子智能体协作处理任务。公司同时强调模型选择、权限管理、沙箱以及成本控制。

The Verge 则指出，该产品目前面向企业客户进行私有预览，尚不能理解为普通用户已经全面获得这些能力。

把这些动作连起来看，一种较清晰的战略方向正在形成： 以模型承担复杂推理，以 Antigravity 等工具承担执行，再通过企业办公产品承接实际工作。这是基于已公布产品的分析，并不意味着 Carbon 已被确认用于新的企业智能体。

为什么编程能力会成为这条路线的重要支点？因为许多办公任务，一旦超出简单问答，就会涉及数据清洗、信息转换、调用业务接口或生成可重复执行的脚本。用户提出的可能是“解释这次销售下滑”，系统需要完成的却是一连串读取、计算、核验和呈现工作。代码在这里成为完成任务的一种手段。

这也解释了为什么谷歌同时强调编程和通用工作能力：如果模型能够更稳定地编写和运行代码，受益范围可能超出专业开发者。但这种能力的扩张也提高了交付要求。代码运行成功，不代表取用了正确数据；报表生成完毕，不代表业务解释成立。一个能够行动的智能体，需要让用户看清它依据什么材料、做过哪些操作、哪些结论尚待确认。

从竞争角度看，谷歌的竞争目标很明显，就是日常任务开始的那个入口。企业已经使用的文档、邮件、表格和云端系统，为智能体提供了接触业务的机会；能否把这些入口转换成持续使用，最终取决于产品是否减少了交接、核查和返工。

这同样是谷歌接下来需要接受的检验。产品之间接得越多，不代表用户管理它们的负担就越小。如果任务状态不清楚、权限难以理解、失败后需要人工重新拼接流程，整合所承诺的便利就可能被抵消。更强的底层模型能缓解一部分问题，却不能替代产品和工程设计。

对于 Carbon，最有价值的后续证据将是可复现的真实代码库测试：它能否处理跨文件修改，能否在失败后有效纠错，最终提交需要多少人工修订，以及完成一次任务要花多少时间和费用。这些指标，比一个新的元素代号更能说明谷歌是否正在缩小差距。

3 用户吐槽：太离谱，上一代 Argon 模型还没用上

围绕 Gemini 4 的接连爆料，社交平台上出现了两种截然不同的反应：有人认为谷歌正在找回竞争力，也有人对“模型还没用上，下一版又开始预热”的节奏失去了耐心。

支持者更关注模型迭代释放的信号。一位网友援引谷歌此前展示的基准测试画面，认为 Argon 的成绩已经超过 Opus 5.5，因此谷歌团队在活动演示中的说法可能并未夸大。结合 Carbon 编程能力接近 Opus 5.5 的传闻，他反问：“你还觉得它只是为了跑分而优化的模型吗？”

这条评论试图用内部测试反馈回应“刷榜”质疑，不过，网友对成绩的解读和员工的初步体验，仍不能替代公开、可复现的实际测试。

科技博主 Chubby 同样表达了乐观态度。他注意到，Argon 尚未全面开放，谷歌内部就已经开始测试下一个检查点 Carbon。在他看来，这种迭代节奏意味着，谷歌“似乎找到了克服内部障碍、重新具备竞争力的方法”。这一判断更多体现了他对谷歌执行速度的期待，尚不是对模型能力的独立验证。

另一些讨论则集中在产品何时真正可用。有网友汇总了 Antigravity 中隐藏的 Argon 配置，以及 Gemini 网页端低、中、高三档推理强度的界面变化，将其视为扩大开放前的准备，并追问是否即将上线。相比新的模型代号，这类用户更关心的是：测试入口何时能够变成自己可以使用的产品。

但同样的发布节奏，也引发了明显的不满。一名国内用户在 x 上批评称，Argon 公布后迟迟没有“端上来”，内部又出现了 Carbon，并传出达到 Opus 5.5 水平的说法。他讽刺道：“建议 Google 接下来直接宣布 AGI，反正大家也用不上，没人能打它的脸。”

这番尖锐评论针对的，是宣传预期与实际可用性之间的落差。对期待新模型的用户而言，持续出现的内部好评能够维持关注，但当外部用户难以亲自验证时，同样的信息也容易消耗耐心。

这些评论呈现出的分歧，并不只是“看好还是看衰谷歌”。双方实际上在等待不同的证据：支持者从内部迭代和测试线索中看到了追赶的可能，质疑者则要求谷歌先把产品交到用户手中。Carbon 能否改变外界评价，最终仍要看开放之后，它能否在真实任务中兑现这些期待。

截至目前，Carbon 仍是一条值得跟踪的内部测试消息。“接近 Opus 5.5”带来了关注，但谷歌这一系列动作提出的是一个更大的问题：当模型、工具与办公入口被放到同一套系统中，AI 能否真正承担一段可以验收的工作？

下一轮竞争的说服力，将来自交付结果。用户不必知道后台跑的是 Argon、Barium 还是 Carbon，但需要知道，交出去的任务是否可靠地完成了。

https://x.com/BusinessInsider/status/2108643821802205478

https://www.testingcatalog.com/gemini-4-argon-hints-emerge-as-google-tests-carbon-checkpoint/

https://x.com/kimmonismus/status/2108658452293718408

声明：本文为 InfoQ 整理，不代表平台观点，也不构成投资建议，未经许可禁止转载。

会议推荐

QCon 全球软件开发大会·2026（上海站）将于 10 月 22 日—24 日举办。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型 等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。限时 9 折优惠立减 680！查看更多详情可扫码或联系票务经理 18514549229 进行咨询。