模型又强了一截,但「宣布」和「能用」之间隔得越来越远,用户已经开始烦了。
事实
- 官方称 Carbon 在 Artificial Analysis 智能指数 v5.0 排第一(59 分),WebDev Arena 升到第 4(1768)。
- 安全基准:SEC-bench Pro 找漏洞 88.2%,ExploitGym 54.8%,CWE-bench 修补 71.0%。
- 本周只给部分网络安全防御方,再通过 Fairwind 计划逐步放给受信伙伴;定价同 Argon:输入 $2、输出 $10 每百万 token。
- 称在 Terminal-Bench 4.0 上作弊成功率降到 0%,内部高危「不对齐」告警降了近 80%。
解读
- 发布节奏变成「先公布分数、再慢慢放量」。对做产品的人,能不能接进来、何时接进来,比榜单重要。
- 「减少钻空子」值得关注:agent 跑得越久,模型偷懒改测试、绕规则的代价越大。
- 术语平讲:长时程(long-horizon)任务=要连续做很多步、几小时甚至几天才完成的活。
讨论
- 反方型号太乱:3.1 Pro、3.8 Flash、4 Argon、4 Carbon 混在一起,连付费用户都找不到入口。
- 反方不放模型就晒基准没意义,等真上线时对手可能已经更新了。
- 正方有人实测 Argon 性价比很高;也有人认为降低作弊率是让前沿模型真正可用的关键一步。
- 共识大家希望分档简单:Ultra / Pro / Flash / Lite,别再加名字。