Gemini 4 Carbon 实测:CursorBench 60.4% 背后的真实编程体验
先给判断
Cursor 在 2026 年 11 月 10 日宣布 Gemini 4 Carbon 进入 Cursor,高 effort 下以 60.4% 排在 CursorBench 4.0 第一,配图里的单任务成本是 9.22 美元。这个成绩值得看,但榜首的位置没有表面上那么稳。
同一张榜单上,Claude Fable 5.2 Max 是 60.0%,成本 32.79 美元。0.4 个百分点的差距,Cursor 自己在页面上写着小分差未必有统计意义。Carbon 拿下的更像是价格这一项,用大约对方 28% 的单任务成本,把正确率顶到了同一档。
我的判断是,Carbon 适合那些能验证、能等、跨多个模块的长任务,比如迁移、重构、跨子系统查根因。把它塞进需要来回对话的小改动里,延迟和 token 消耗会先把你劝退。默认的 medium 档是性价比最好的一档,高 effort 留给确实难的活。
这篇没有自己的跑分。CursorBench 的任务集不公开,我也没有重跑。下面做的是把 60.4% 这个数字拆到可以作判断的程度,所有数据标出来源;文末给一套能在自己仓库里复现的自测协议。
60.4% 到底测了什么
CursorBench 是 Cursor 自建的评测集,不是学术基准。Cursor 的方法文章写得很直白,题目来自工程团队真实的 Cursor 会话,通过 Cursor Blame 把提交的代码回溯到产生它的那次 agent 请求,再配上对应的真实解法。任务描述故意写得很短,模拟真实用户那种含糊的提法,评分交给 agentic grader。
4.0 版本在 2026 年 9 月 10 日上线,加进来的是一批长时程任务,覆盖编辑、重构、调查、意图理解、作业管理和设计还原。榜单每几个月刷新一次,任务数量和置信区间都没有公开。
这一点决定了 60.4% 的适用边界。它测的是模型、effort 档位和 Cursor 工具环境合在一起的表现,不是模型单独的能力。Cursor 的 harness、提示词、工具返回格式都参与其中,换到别的 IDE 或自建 agent 里,分数不会原样搬过去。不同版本的 CursorBench 也不能横向比较。
单任务成本的算法同样写在页面上。拿各模型公开的每百万 token 价格,乘上它在该任务上实际用掉的输入、缓存读取、缓存写入和输出 token,得到一个按标价估算的成本。它是估算值,不是账单,也不含订阅加价。
榜面上比第一名更有用的三个数字
第一个数字是 9.22 美元对 32.79 美元。Carbon 高 effort 用 60.4% 拿到第一,Fable 5.2 Max 用 60.0% 留在第二,成本差出 3.5 倍以上。如果你的任务本来就在这两个模型之间选,价差比 0.4 分更值得作为决策依据。
第二个数字是 Opus 5.5 的两行。Max 档 57.8%,成本 13.43 美元;High 档 56.0%,成本 3.97 美元。同一个模型,往上推一档只多 1.8 分,成本涨到 3.4 倍。这说明 effort 档位对账单的影响,往往比换模型还大。Carbon 自己也有类似曲线,高 effort 60.4% 对 medium 60.1%,只多 0.3 分,成本从 8.49 涨到 9.22。
第三个数字最反直觉。Carbon 低 effort 是 58.6%,成本 11.89 美元,比 medium 的 8.49 还贵。按常理,想得更少应该花得更少。榜单给出的结果相反。合理的解释是低 effort 更容易一次做不对,agent 多跑了几轮,轮次把省下的推理 token 又吃回去了。Cursor 没有解释这个现象,我也不把它当成定论,但它提醒了一件事,effort 调低不等于成本降低,尤其在有重试循环的 agent 里。
把这三组数放在一起,Carbon 的 medium 档是默认选择。60.1% 只比榜首少 0.3 分,成本低 8%,而且比低 effort 更便宜。高 effort 只在任务确实卡住时打开。

它为什么这么吃 token
Google 对 Carbon 的定位写得很清楚,这是目前最强的推理模型,面向把模型智力推到极限的任务,复杂多步的编码与调试,开放的科学研究。日常软件工程和知识工作仍然推荐 Gemini 4 Argon。官方还专门说明,Carbon 会消耗更多 token 去探索和推理更久。
规格上也留了空间。上下文窗口 1,048,576 token,输入、思考、输出共享这一个窗口;同步调用的最大输出 65,536 token,后台模式可以到 100 万减输入。思考强度用 thinking_level 控制,取值是 low、medium、high,默认 medium。思考产生的 token 按输出计费。
独立评测机构 Artificial Analysis 的数据能解释很多体感。它测到 Carbon 单任务输出 token 的中位数是 7,280 万,平均 2.05 亿,首 token 时间 66 秒左右,吞吐 81 token 每秒,单任务耗时 25 分钟左右。同一套评测里,Claude Code 配 Opus 5.5 Max 的 Coding Agent Index 是 62,Carbon 配 Antigravity CLI 是 59。CursorBench 上排第一,不代表在所有 agent 编码评测里都第一。
按 Google 现在的入门价,输出每百万 token 10 美元,缓存读取每百万 0.1 美元。一个任务只要输出几十万 token,成本就上到几美元;如果 agent 反复读大文件、跑构建、看渲染结果,输入和缓存读取会继续叠加。Carbon 的贵不来自单价,来自它愿意为一个任务花掉的 token 量。
真实编程体验,强项和代价都很具体
Google 给的强项清单集中在长链条工作。多包迁移、跨子系统的根因调查、架构级重构,以及自己跑构建、验证、再看渲染出来的界面。这些正好对应 CursorBench 4.0 新增的长时程题型,所以 60.4% 和官方定位是自洽的。
社区里能看到一些接近真实的记录。一位开发者在 Antigravity 里用 Carbon 跑一个 Go 加 HTMX 的流水线,分四个阶段,全部一次通过,没有重试,也没有让 Opus 5.5 接管。其中高 effort 的数据模型阶段跑了 67 分钟,用掉约 115 万 token,事后由 Opus 5.5 审核,只改了 2 行。同一个阶段换 Argon,审核改出 617 行。作者自己标了样本量,Carbon 四次,高 effort 只有一次。这是个例,不能当基准,但它展示了 Carbon 在长任务里的典型形态,慢,贵,一次做对的概率高。
代价主要落在交互上。Hacker News 的发布讨论里,有人报告首 token 时间的 p75 到了 60 秒,吞吐只有每秒 10 token,直接说目前不可用。也有人反驳,Google 把它定位给长时间运行的任务,本来就不是给聊天框用的。两种说法都对,取决于你把 agent 放在哪个位置。
还有一个容易被忽略的限制,配额。有 Ultra 5x 用户说,用 Carbon 几乎跑不完一个项目。上下文 100 万 token 听起来很宽,但 Carbon 会把大量 token 花在探索和推理上,配额消耗速度比 Argon 快得多。
什么时候该切,什么时候别切
我会切的情况有这么几类。任务有明确的验证手段,测试、构建、lint 或渲染截图能告诉你对错;允许等 20 到 60 分钟;仓库大,改动跨三个以上模块;任务是迁移、重构、查一个说不清位置的 bug。这些条件和 CursorBench 4.0 的题型高度重合,也是 Carbon 的设计目标。
我不切的情况同样明确。改一个函数、调一个样式、补一段日志,用 Opus 5.5 High 或 Argon 更快更便宜。需要来回对话确认需求的活,也别交给它,首 token 一分钟的节奏会把对话拖散。预算紧的团队,先把 medium 档跑一遍,确认收益再开 high。还要注意 Cursor 里的计费位置,Carbon 属于第三方模型,不占套餐额度,X 订阅从预付额度扣,旧套餐走 Other Models 池。
有一个时间窗口值得记下来。Google 的入门价是输入每百万 2 美元、输出每百万 10 美元,有效期到 2026 年 11 月 30 日。12 月 1 日起恢复标准价,输入 4 美元、输出 20 美元,翻了一倍。如果你打算用 Carbon 做长任务,现在做完评估和基线测试,成本只有下个月的一半。Cursor 的文档也确认,它按 Google 的入门价计费到 11 月 30 日。
接入时怎么把成本按住
Carbon 和 Argon 同价,这给了按任务分流的空间。简单的活走 Argon,难的活走 Carbon,两边共用一套调用代码,只换模型名。Google 的迁移说明也写了,从 Argon 过来只需要改模型字符串。
如果团队在国内要同时接这两档,还要把 Claude 和 GPT 系列放在同一个入口比对,接口AI(jiekou.ai) 这类聚合服务能省掉多套密钥和多张账单的麻烦。它的模型定价页把输入、缓存读取和输出分开列,Carbon 目前是输入每百万 2 美元、缓存读取 0.1 美元、输出 10 美元,和官方入门价一致,按 2026 年 11 月 12 日在售信息为准。Carbon 的模型详情页也能看到 100 万上下文、65.5K 最大输出,以及函数调用、结构化输出和推理开关这些能力标记。
要按住的成本有三处。思考强度按任务难度给,不要默认开 high。最大输出和 agent 轮次设上限,防止它在同一个错误上反复重试。稳定的大段上下文放在提示词前部,让隐式缓存命中,缓存读取的价格只有正常输入的二十分之一。

用 30 分钟判断它在你的仓库里行不行
CursorBench 的任务来自 Cursor 自己的代码库,分数再高也不能直接外推到你的项目。我建议做一次小规模对照,成本可控,结论比看榜单可靠。
从最近三个月已合并的提交里挑五个,覆盖三类改动,一个单文件修复,一个多文件重构,再加一次跨模块调查。把每个提交回滚成任务描述,描述写得像真实需求,不要补提示。用你现在的模型跑一遍,再用 Carbon 的 medium 和 high 各跑一遍,记录三项,首次通过率、人工审核改动的行数、单任务 token 与耗时。
五个任务不足以得出统计结论,但足以看出方向。如果 Carbon 在跨模块调查上明显少改几行,延迟你也能接受,它就值得进入日常工具箱。如果它在三类任务上都没有优势,只体现了慢和贵,那就等下一版,或者只用它跑季度级的大重构。

写在最后
60.4% 是一个真实的成绩,也是一个被 0.4 分和 3.5 倍价差同时定义的成绩。Cursor 把它放在榜首,有充分的理由;你把它放进自己的工作流,需要另一套理由。如果你已经在 Cursor 或 API 里跑过 Carbon 的长任务,欢迎说说它在哪个环节最省事,又在哪个环节最拖时间。
参考资料
- Cursor,CursorBench 榜单与版本说明,cursor.com/cursorbench,2026-09-10 更新(访问日期 2026-11-12)
- Cursor,CursorBench 方法说明,cursor.com/blog/cursorbench,2026-03-11(访问日期 2026-11-12)
- Cursor,Gemini 4 Carbon 模型文档,cursor.com/docs/models/gemini-4-carbon(访问日期 2026-11-12)
- Cursor,Gemini 4 Carbon 上线公告,x.com/cursor_ai,2026-11-10(访问日期 2026-11-12)
- Google DeepMind,Gemini 4 Carbon is now available,deepmind.google/blog,2026-11-10(访问日期 2026-11-12)
- Google AI Studio,Gemini 4 Carbon 模型规格与价格,aistudio.google.com/docs,2026-11(访问日期 2026-11-12)
- Artificial Analysis,Gemini 4 Carbon 评测数据,artificialanalysis.ai,2026-10-28(访问日期 2026-11-12)
- Hacker News,Gemini 4 Carbon is now available 讨论,news.ycombinator.com,2026-11-10(访问日期 2026-11-12)
- Reddit,My preliminary results on Carbon,reddit.com/r/google_antigravity,2026-11-11(访问日期 2026-11-12)
- AlphaSignal,Gemini 4 Carbon tops Cursor coding benchmark at half the price,alphasignal.ai,2026-11-10(访问日期 2026-11-12)
- 接口AI,模型定价页与 gemini-4-carbon 模型详情,jiekou.ai,2026-11-12 在售信息(访问日期 2026-11-12)