Gemini 4 Carbon 的最新评测来了！比 Argon 进步很明显，再和 Claude 放在一起看看。

这次重点看 Google 新版 Carbon，把它与 Argon，以及 Claude Fable 5.2、Opus 5.5 放到我司的 OpenResty Coding Evals（写新代码）和 Bug-Hunting Evals（修困难 bug）两套私有评测中比较质量评分和平均用时。以下数字均以这组六配置对照图为准，和上一篇 Fable 新旧版对照分开看。

1）Carbon 相比 Argon，两项都涨分，也都更费时间。

同为 high，写新代码从 62.6% 提高到 82.6%，增加 20 个百分点；修 bug 从 82.0% 提高到 87.5%，增加 5.5 个百分点。平均用时分别从 14.5、36.3 分钟增至 18.8、49.3 分钟，约多花 30% 和 36% 的时间。

至少在我们这轮任务里，Carbon 的进步相当明显，尤其是写新代码。不过，这些提升也伴随着更长的等待。

2）和 Claude 比，Opus 5.5 xhigh 的质量和用时组合仍然很亮眼。

Opus xhigh 写新代码是 86.8%、14.3 分钟，修 bug 是 88.1%、43.7 分钟，两项都是评分高于 Carbon，用时还更短。Carbon 修 bug 的评分已经比较接近它，写新代码则还有差距。Fable 5.2 xhigh 的两项评分也都高于 Carbon，但用时更长。

3）Fable 5.2 max 写代码拿高分，修 bug 则受超时影响。

Fable 5.2 max 写新代码拿到本组最高的 91.6%，平均用时 76.2 分钟；修 bug 的评分为 79.9%，主要是超时拖低了分数，任务平均耗时至少 116.1 分钟。它的 xhigh 则分别是 87.2%、28.6 分钟，以及 90.6%、74.8 分钟。修 bug 的评分与 Opus max 的 90.6% 相同，用时也几乎一样（Opus max 为 75.0 分钟）。

这次 Carbon 比 Argon 前进了一大步，而 Claude 的不同档位也各有取舍。新模型和更高推理强度，到底能换来多少质量提升、要多等多久，还是得用自己的任务来验证呀 [笑cry]

#Gemini##大模型评测##AI编程#