DeepMind 刚发布的 Gemini 4 Carbon，最值得看的不是榜单位置，而是发力方向变了：网安与超长程自主任务。
第一波战报里，总榜 Intelligence Index v5 它直接干到第一，59 分，但在 Coding Agent 榜单上依然咬在 Claude Opus 5.5 后面，屈居第二。只看排位，容易以为这又是一次常规迭代追赶。
真正折磨做自主 Agent 落地的人，不是单次 Prompt 的代码生成质量，而是任务链路一拉长，模型就会出现不可逆的认知衰减：上下文漂移、逻辑死锁、自我欺骗式地偷工减料，甚至干脆卡死在某个报错循环里。官方特意强调，Carbon 能够连续处理复杂任务数天而不卡死、不走捷径，这句话的分量很重——意味着它在上下文持久化、反思重试机制以及状态机维持上，可能拿出了底层的突破性方案。
如果代码 Agent 能在数十小时的尺度下保持逻辑一致性，模型才真正从写单个函数的 Copilot，演化成能独立承接整个模块重构的初中级工程师。
另外一个值得警惕的细节：官方这次首批仅向小范围的网安防守团队开放，做安全围栏迭代。潜台词很直白，模型在漏洞挖掘、协议分析和攻防推演上的端到端能力，已经触及可能引发现实破坏力的红线，不得不先关在笼子里做高强度的红蓝压测。
大模型的竞争维度已经从刷单轮基准分，全面切换到长程复杂工程交付。Anthropic 靠 Opus 5.5 在代码直觉上卡位，Google 则试图用 Carbon 在长时任务稳定性和网安垂直纵深上构筑壁垒。接下来就看防守团队的第一波实测反馈：能不能真正在全自动流水线里连跑几天不崩，才是它能否落地的试金石。
正文完