官方宣稱 Carbon 喺 17 項基準測試有 15 項奪冠，喺 Artificial Analysis 智能指數上追過 Claude Opus 5.5（58 分）同 GPT-6 Astra（57 分），「重奪全球第一」。聽落好似完美答卷，但跟住 Q3 業績同新模型一出，Alphabet 股價盤後一度跌約 10%，市值蒸發 3000 至 4000 億美元。
模姐驗嚇貨，睇下呢個「第一名」到底幾硬淨。
先講強項。官方數據顯示，SWE-sweep（Agent 級代碼修復，即讓模型自己揾 bug 同修復）由 Argon 嘅 4.3% 翻倍到 9.6%；Terminal-Bench 自主操作能力提升到 65.2%；超長文本處理嘅 GraphWalks 得 96.2%，對手最高 71.8%。呢啲係佢哋重點投入嘅垂直領域。
但通用能力上仲有明顯短板。軟件工程 FrontierSWE 2 上，Carbon 61.2%，落後於 GPT-6 Astra 嘅 65.5% 同 Claude Opus 5.5 嘅 62.3%；電腦操作 OSWorld-2.1，Claude 87.2% 對 Carbon 81.5%，只排第二。更關鍵：AA-Omniscience 知識評測子集，幻覺率（即模型「一本正經話癆嗰」嘅概率）由 Argon 嘅 4% 飆升至 11%。
點解跑分勁但體驗未必好？原因好直接呢個數。一個幻覺率 11% 嘅模型，黑客攻防再高分都未夠寫數。
另外，呢個 Carbon 唔係全新預訓練旗艦，係喺 Argon 底座上做專項增強，所以兩週就出到。而呢輪密集發布背後，據 Google CEO 喺播客透露，佢哋主動放棄咗原計劃嘅 Gemini 3.5 Pro，改為用輕量 Flash 模型快速迭代三個月（3.5、3.6、3.7、3.8），再將沉澱能力整合入 Argon。
佢哋仲透露內部新增代碼約 75% 由 AI 生成，研發流程進入所謂 RSI（Recursive Self-Improvement，遞歸自我改進）探索階段。
講到最後，Carbon 而家仲限制開放對象，一般用家暫時試唔到，唯有睇榜單分數。跑分同實際能力之間，呢條線始終存在。
模姐｜深度調教
