对科研人员来说，Gemini 4 Carbon 省下的不是“出答案的时间”，而是验证、清障、返工这类长周期流程里的苦活。随发布拿出的最硬一例是 AlphaProofCode：研究团队用 Carbon 驱动的 agent 对 Signal 加密协议的底层代码做形式化验证，生成超过 650 万行经过机器检查的数学证明代码，这项原本可能需要专家团队耗费数年完成的工作，最终只用了四周。 这个“数年”是谷歌自己的口径，但它回答了“省多少”的量级问题。36氪
Carbon 是谷歌目前能力最强的模型，专门面向软件工程、科学研究、知识工作和网络安全中的复杂长周期任务。当地时间 11 月 10 日，谷歌把它开放给付费开发者、企业和 Google AI Ultra 订阅用户；两周前它首次亮相时，只提供给通过审查的网络安全防御团队。36氪
官方科研案例：省的是数据清理和检索验证的力气
在形式化验证这条线里，研究团队首先与模型合作，将 Signal 的安全目标转化为 Lean 语言能够理解的数学规格，再由人类专家逐一审核，最终建立在约 2.6 万行经过审核的形式化规格之上，只有约 1% 的代码库需要额外人工关注。 谷歌内部同时把 Carbon 用于酶检测方法开发和蛋白质结构预测：在 CASP17 盲测集的 7 个低同源蛋白质家族中，Carbon 协助检索到的同源序列数量平均增至原来的 40 倍，无需重新训练 AlphaFold3 这类结构预测模型即可增加其可用信息。 在酶检测任务里，Carbon 根据实验记录和原始数据找到了难以解释的异常——深孔板自动混合不充分、仪器残留微量样品，并据此改进了色谱峰解析方法；药物毒性研究公司 Axiom Bio 称，Carbon 在其转化科学任务中表现最佳，帮助团队找到此前未发现的毒性机制。36氪36氪
对科研用户更有针对性的，是谷歌用一套 375 个任务的诚实度测试给出的数字：Carbon 通过 92%，Argon 是 70%；碰到缺失的实验数据，98% 的情况下不会自己编；实验方法有缺陷时，68% 的情况会直接指出来。 这组数字省下的是“反复回头查数据”的精力，但剩下的 2% 和三分之一仍然要人来兜底。微博
长周期能力从哪来：自检循环加蜂群分工
Carbon 的核心设计是扩展验证循环：面对复杂任务投入更多思考 token，探索不同解决路径，执行中反复检查结果，发现问题就继续修改、测试，直到得到更可靠的结果。谷歌明确建议的分工是：日常软件工程与知识工作用 Argon，快也省；复杂根因排查、从大量文档中综合信息、科学证明这类任务才切 Carbon。36氪
配套的多 Agent 功能 /swarm 正在 Google Antigravity 中预览：任务拆给多个有名字的 agent，每两到四个干活的 agent 配一个验证员看改动、跑测试，没活干的 agent 休眠不消耗 token；谷歌建议让 Carbon 当协调员、架构师和审查员，改文件、写常规代码交给更快更便宜的模型。官方文档同时提醒，每个 agent 单独消耗额度，用 /swarm 比普通对话烧额度快得多。第三方实测也在印证它的“无人值守”属性：有创作者展示它独立研究冷门历史港口并重建 3D 场景、连续运行约 20 小时，还有人让它在无人值守下 100 多轮迭代重建一座历史堡垒。 这类属于个人体验，不构成官方结论，但方向与“长任务”定位一致。哔哩哔哩
省功夫和花钱是两本账，涨价前才好算
普通用户要订 Google AI Ultra 才能在 Gemini App、搜索 AI 模式、Antigravity 和 AI Studio 里用上 Carbon，Ultra 分每月 99.99 美元和 199.99 美元两档，19.99 美元的 Pro 用不了。微博
开发者走付费 API 层，模型名 gemini-4-carbon，免费层没有；API 引入价与 Argon 相同：每百万 token 输入 2 美元、输出 10 美元，优惠持续到 11 月 30 日，12 月 1 日起翻倍到 4 美元和 20 美元。 但单价一样不等于账单一样：官方文档写明，Carbon 每轮思考用的 token 比 Argon 多、响应也更慢，同一个任务跑下来会更贵。36氪微博
效率侧的对比来自第三方榜单：在 Zapier 的自动化评测 AutomationBench 上，Carbon 开 High 档得分 53.9%、每个任务花 2.12 美元，别家最好的 Fable 5.2 开 Max 档得分 51.5%、每任务 4.64 美元。 谷歌与 Artificial Analysis 合作的多模态文档评测 MKA 里，Carbon 以 54% 排名第二，谷歌称其平均单任务成本不到榜首模型的六分之一；而在 Cursor 官网当前的 CursorBench 榜单上，排第一的仍是 Fable 5.2（60%），并没有列出谷歌自称第一的成绩。Artificial Analysis 综合指数上 Carbon 以 60 分位列第二，落后 Fable 5.2 的 65 分，一个第三方实测的概括是“60 分档里没有比它更便宜的”。微博哔哩哔哩
不用自掏腰包的通道是科研免费计划：约一个月前谷歌启动面向 1 万名科学家的免费计划，提供 6 个月 Google Antigravity 最高用量档的使用权限，此次开放后新老参与者均有机会用上 Carbon，已有数千名科学家加入，按资格和容量每周分批放行。36氪
能省的是力气，省不掉的是判断
回到选题的问题：在形式化验证、机制发现、序列检索这类规模上，现有官方证据能把专家估计数年的验证工作压到约四周，把人工复核范围压到约 1% 的代码库。但这条账的边界同样清楚——人类专家仍然需要定义和审核安全规格，证明系统也只能保证代码满足已经明确表达出来的属性，AI 还不能独立证明任何软件绝对安全。36氪
具体到某个课题能省多少，更可靠的做法是社区给出的那套：拿同一个问题、同一套验收标准，记录结果是否通过、总耗时、总费用，再决定要不要切换，而不是只看模型给出的答案漂不漂亮。 一个现实的时间点：引入价只撑到 11 月 30 日，12 月起 token 翻倍，这也是眼下试错成本最低的窗口。小红书
