实测:Gemini 4 Carbon 低思考档得分 81,反超高档的 54

every · x · 2026-11-11

Every 发布 Gemini 4 Carbon 编码实测（9 个真实任务、限时 10 分钟）：低思考档平均 81 分，中档 62、高档 54，5 次跑满时限且 3 次得 0 分；去掉时限后差距几乎消失（81/76/80）。结论：在真实工期约束下更高思考档耗时更长却不提升平均分，建议用户按自己的实际任务先对比再调档。评测整体判断 Carbon 是比 Gemini 4 Argon 强得多的编码模型，能长时间无人监督地完成大型构建，但恰逢 Anthropic Fable 5.2 发布，判断力与任务边界意识已成为旗舰模型的新门槛。