核心判断：安全与长任务值得关注，工程表现仍有胜负
Google 发布表中，Carbon 的 AA Index v5 为 59，Opus 5.5 为 58；Vals Index v2.2 分别为 70.4% 与 70.2%。这类接近的综合成绩不适合用来宣布某一方全面胜出，特别是不同榜单有自己的误差、聚合方法与任务构成。
具体到工程任务，FrontierSWE 2 是 Carbon 61.2%、Opus 62.3%，Opus 略高；Google 表内的 Terminal-Bench 4.0（AA）则为 Carbon 65.2%、Opus 59.6%。这是不同工程任务和脚手架下的结果，不能用一行否定另一行。OSWorld 2.1 离线子集为 81.5% 对 87.2%，也提示电脑操作型任务应单独验证。
安全方向的 Google 表给出 CWE-bench v1 为 Carbon 71.0%、Opus 67.0%。有防御安全权限且能获得 Carbon 访问资格的团队，可以重点验证仓库审计和补丁质量。已经依赖 Opus 工具链与稳定服务的团队，应把可用性、迁移成本和失败恢复纳入决策；目前没有证据支持仅凭发布成绩就强制迁移整个工作流。
如何理解这里的成绩
本文的横向数字来自 Google 2026 年 10 月发布的 Carbon 对比表及其评测方法文档，是对公开证据的编辑整理，没有声称本站亲自测试。表中既有 Google 自测，也有 Google 转引的榜单和其他厂商结果。站内实时图表可能采用更精确的数值、另一种工具设置或更高优先级的来源，因此正文发布表与实时榜单存在差异时，应点开来源与设置核对，不能只根据模型名称判断它们是同一次实验。
尤其需要注意三个边界。第一，OSWorld 的对比仅覆盖离线子集，采用 partial score，Google 模型取三次运行的最好成绩，不能当成完整任务集上的普遍成功率。第二，Terminal-Bench 的成绩属于模型、agent 脚手架和预算组成的系统；Artificial Analysis 与 Vals 的独立运行需要分别看。第三，网络安全结果是在没有防护措施的特定评测条件下产生，不能推导成模型在任意生产权限下都安全可靠。
价格和落地条件
Google 公布 Carbon 的推广期输入/输出价格为每百万 tokens 2/10 美元，缓存输入比输入价低 95%；推广期结束后输入/输出为 4/20 美元，结束日期没有公布。预算应同时考虑正式价格、缓存命中和实际推理输出量。这里的推广报价不是向所有开发者开放 API 的承诺，公开 API 型号和广泛开放时间仍未确定。需要马上交付的团队，应先确认可用性与权限，再谈替换；有试用资格的团队，可以把自己的代表性任务、失败案例和工具边界整理成验证集。
选型时还要检查什么
评测适合筛选候选，不能替代业务验收。建议同时记录任务成功与否、修改是否可回滚、是否遵守项目范围、工具调用是否需要额外权限，以及整项任务的费用和耗时。对于长时间运行的工程 agent，还应检查断点恢复和人工接管机制。对安全类工作，测试环境、授权范围和补丁审查应在接入之前确定。尚未公开的参数量和训练细节不应靠相邻型号推断。
来源：Google Carbon 发布公告、Google 评测方法、Artificial Analysis、Vals Carbon 评测。资料核对日期：2026 年 10 月 29 日。