跳到正文
Every (AI & I)(youtube.com)· Dan Shipper·· 12 天前品質評分58

LIVE Vibe Check:Gemini 4 Carbon

LIVE Vibe Check:Gemini 4 Carbon

重點導讀

Dan Shipper 與來賓在程式開發、3D 建模、設計與資料分析等面向實測 Gemini Carbon,結論是:這是一款勤奮、野心十足的「第二意見」模型,擅長一次到位的 3D 建構與圖示設計,但在缺乏引導時會產出雜亂的 UI,文字也偏冗長。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Every 的開發者 Kieran Klaassen 把 Google 新推出的 Gemini 4 Carbon 排在 Anthropic 模型之後,認為它是寫程式的第二選擇;與談者的共識是,Google 端出的是一顆強勁的「第二意見」模型,而非日常主力。這場 68 分鐘的即時體驗大多花在手動實測——寫程式基準、多模態音訊/影片、3D 場景建構、UI 生成與寫作品質——只有一小段談到 Google 的發布節奏與命名混亂。

與談者為主持人 Dan Shipper,以及 Kieran Klaassen、Randy、Jack、Tyler;他們都替 Every 測試前沿模型,並在這次直播前約兩週各自用個人基準跑過 Carbon。讀者讀完應該能清楚掌握:Carbon 在哪些地方勝過 Claude 與 OpenAI 模型(勤奮、長時間任務、原生多模態感知、新穎的 UI 模式)、在哪些地方退步(寫作語感、未給指示時的視覺設計、冗長),以及團隊的多模型排程流程正如何演進。

Carbon 是勤奮的長跑選手,不會自己停下來

測試者最一致的發現是:Carbon 異常堅持且徹底,甚至會跑到基準逾時、把硬體操壞。Dan Shipper 的「初階工程師基準」給模型一份凍結的 Notion 待辦清單與當下的程式碼庫,要它挑出不必問人就能完成的票,並為每張票各開一個 PR。Devin、搭配 Astra 的 Codex、Opus 5.5 都在一小時內完成,各做完八到九張票;Carbon 完成了 15 到 16 張,跑了約四個半小時才被 Shipper 喊停。在他個人的儀錶板基準中,Carbon 有許多工逾時、那些回合掛零,把平均拉低——與寫程式測試是同一種失敗模式。

Randy 在創意工作上看到同樣的行為。他給模型一段 podcast 錄音室的螢幕錄影,要它在 Blender、3JS 與 Unity 中重建,Carbon 跑了約 24 小時,重建了每一個物件,還把他的 Mac Studio「烤」到反覆當機。他不得不叫它少開一些代理。Shipper 的總結是:「我們已經脫離那個得叫代理繼續做的時代了。現在你得叫它停下來。」

Tyler 跑盲測 UI 測試套件時,在持續性上卻是相反的經驗:Carbon 有幾項測試沒能繼續,得叫它繼續,最多叫了三次,而且許多測試直接失敗——他說這種情況通常不會發生。它產生的檔案也大得多,約 100 KB,Fable 5.2 則約 25 KB;建置倒是更快(約 30 分鐘,Fable 最多要兩倍時間)。

測試者測試Carbon 結果對照
Dan Shipper初階工程師基準(凍結的 Notion 待辦清單,約 100 張票)15–16 張票,約 4.5 小時後被喊停Devin、Codex/Astra、Opus 5.5:8–9 張票,一小時內完成
Dan Shipper個人儀錶板基準多項任務逾時,那些回合掛零平均分數低於其他模型
Randy在 Blender、3JS、Unity 重建 podcast 錄音室約 24 小時,所有物件重建完成,操壞一臺 Mac Studio必須限制代理數量
Tyler盲測 UI 測試套件多項直接失敗,最多需叫它「繼續」三次不尋常;Fable 5.2 沒出現此狀況
Tyler檔案大小/建置時間檔案約 100 KB,建置約 30 分鐘Fable 5.2:檔案約 25 KB,建置最多兩倍時間

原生多模態是勝過 Claude 與 OpenAI 最明顯的優勢

Carbon 原生的音訊與影片感知,找出其他模型漏掉的問題。Randy 讓 Astra、Fable、Opus 反覆檢視同一條影片時間軸,全都漏掉講者臺詞被切掉的週期性音訊瑕疵;Carbon 立刻抓到這個反覆出現的問題、診斷出原因,並開了一個修復 PR,由 Kieran 合併。Randy 說,這是第一次有模型找出不同類別的問題,還自己動手修好,不必再交接給人。

Shipper 的做法是:只要涉及多模態,就給 Claude 一組 Gemini API key,因為 Claude 是把影片切成場景來處理,而非原生體驗影片。Kieran 則在他的環境音樂工作站裡用 Carbon:他先渲染 30 秒音訊,再請 Carbon 混音,它能處理和絃、EQ 與轉譜,不必取樣或讀取引數。Randy 現在工作流程中每一份影片輸出都會跑一輪 Gemini,因為「它就是能抓到其他輪次永遠抓不到的東西」。

Randy 也注意到 Carbon 會產出奇特的中間產物——軌跡圖、色譜波形、頭髮的深度分析、圖層分離、聲音訊率圖——像是把「思考過程」攤在眼前,而非最終成品。有一次要一鏡完成的主標題序列,鏡頭從太空飛越布魯克林、穿進 podcast 視窗,成果令他印象深刻,一頁又一頁的飛行路徑運算也是;當他說畫面還是很卡,它就繼續迭代。

它寫得出好維護的程式碼,卻丟了 Argon 的寫作語感

Kieran 把 Carbon 的寫程式能力排在第二,僅次於 Anthropic 的 Opus 5.5 與 Fable 5.2,並說自己用它比用 OpenAI 的模型多。他的評價是:Carbon 寫的是好維護的程式碼,而非精簡的程式碼,在大型程式碼庫上遵循最佳實務,也會自行驗證成果——但比 Fable 冗長,偶爾還是會出錯。相較之下,OpenAI 追求行數最少,有時還會無中生有。

退步的是散文。據說 Dan 與 Katie(兩人都缺席——Dan 正從休假開車回來,Katie 去演講)認為 Carbon 的寫作不如 Argon,而他們視 Argon 為目前最強的寫作模型。Tyler 的盲測捕捉到兩者為果凍動畫各自撰寫提示詞的差異:Fable 寫的是「一顆放在碟子上的模型覆盆莓果凍,始終微微顫動」,Carbon 則寫「一座高聳的凹槽圓頂,半透明紅寶石色凝膠,置於光滑骨瓷碟上,在緩慢的純淨波紋中無盡顫抖」。Tyler 說兩者的語感差異大到不看名字也能認出是哪個模型。Jack 把 Carbon 這種形容詞密集、技術性的描述方式,連結到科學奧林匹亞的練習:一人用言語描述樂高結構,另一人照著重建——追求最大程度的明確規格,而不是信任彼此的共同理解。

Shipper 對這筆取捨的總結是:「寫作不行、果凍不行,但其他很多事情都很強。」

設計產物新穎但不穩定,而且預設就往密集走

Tyler 的盲測 UI 套件——由評審模型依簡報生成點子,受測模型看不到先前的產出——得到與談者最分歧的評價。Carbon 贏在 UI 模式的多樣性:Tyler 點出一些他沒見過其他模型產生的動畫與互動模式,不過有幾項有瑕疵或直接報錯。在創意程式與物理任務上它表現不佳,物理不真實、「果凍」效果也差,但部分 3D 作品看起來很強。

反覆出現的視覺問題是密度:卡片裡還有卡片、按鈕裡還有按鈕、卡片裡塞 chips。Shipper 在他自己的儀錶板與簡報測試中也看到同樣情況,並造了個說法:「像科學家,而不是管理顧問」——資訊塞好塞滿,沒有「麥肯錫化」。他推測這種風格反映了 Google 以科學家為主的組織文化。Randy 在做 iPhone app 時遇到類似的問題:Carbon 一直以 iPhone 17 的尺寸設計,即使被告知是 18,也來回溝通了好幾次才把畫面填滿——可能是以 Android 優先的訓練偏誤,Jack 也懷疑 Tyler 測試中奇怪的間距是同一原因。

Carbon 真正出色的是狹窄、指示明確的任務:一款專注力 app 的 macOS 圖示,主題是超寫實的銀杏葉。Jack 說它贏過其他所有模型,正確畫出葉片的平行葉脈(其他模型畫成碎形分岔的葉脈),還把圖示放在 Apple 人機介面指南的比例網格上。同一個任務 Argon 的版本明顯較差。Jack 的結論是:Carbon 需要很強的脈絡與提示;放任它用預設值,就會掉進密集輸出。

Shipper 的 Typeform 複製測試(「說話表單」——Typeform 後端、純語音訪談前端)產出一個其他模型都沒做出來的落地頁,頁面上直接展示結構化 JSON 輸出,顯然是判斷開發者才是買家。Fable 5.2 的版本則很普通。在他邁阿密飯店與餐廳的測試中,Carbon 選了 Kimpton Hotel Palomar South Beach 與 Wynwood 的餐廳 Doma——這兩家先前沒有任何模型提過——在「太浮誇不能報帳」與「太寒酸不能帶客戶」之間抓到了合理的平衡。它也是第一個通過他「這臺 Tesla 所在位置附近的咖啡店」測試的 Google 模型;他原本就預期 Google 靠地圖資料早該通過這項測試。

Google 每月出貨,命名讓所有人一頭霧水

Jack 整理了發布節奏:Gemini 4 Argon 於 9 月 30 日發表,兩週後釋出;Carbon 於 10 月 28 日發表,並在這次直播當天釋出。自 7 月的 Gemini 3.6 以來,Google 大約每月出一顆模型——7 月 3.6、8 月 3.7 Flash、9 月 3.8 Flash。Shipper 的陰謀論是:Google 內部其實領先好幾個世代,只是慢慢擠牙膏式釋出;他也提到團隊這陣子「看起來真的很興奮、很開心」,是好久以來第一次。Randy 說他光看名字分不出這些模型,還有觀眾提問:Carbon 實際上是不是 4.3?

多模型排程已成標準做法

被問到如何跨模型排程時,與談者描述了幾種做法。Kieran 使用 T3 與 Vertex,並在 Every 的複合工程設定中把任務交給不同的執行環境——例如叫 Claude Code 在 Anti-Gravity 裡用 Carbon 做實作。不過當模型還新時,他仍偏好一次只用一個,先摸清它後訓練的特性,而不是想辦法繞過它。

Jack 在 Mac mini 上跑一套個人代理執行環境,只有一個對話串,可從手機存取;他的預設模型是 Opus 5.5,它能透過 CLI 存取其他所有執行環境。他的口頭禪是「讓委員會看一下」——由 Fable、Codex,現在再加上 Gemini 擔任評審。Randy 採用同樣的模式,並認為源頭很可能是 Karpathy 的文章。Shipper 自稱是排程極簡派:他用 Claude 桌面 app,並透過 API 或無介面的 Anti-Gravity 呼叫 Google 模型。Randy 認為 Anti-Gravity 的功能已接近齊備、用起來也順手,但既然早期存取已結束,他打算回頭透過 Claude 或 ChatGPT 呼叫 Gemini。

實用建議:現在訂閱一家就夠了

Shipper 給非專家的結論是:有了 Argon 與 Carbon,只用 Google 的使用者不再落後。任何透過公司取得 Gemini 訂閱的人——他說這很普遍而且便宜——現在都有一顆夠力的模型,而以往 Claude 使用者有明顯優勢。Randy 同意一般使用者會對 Carbon「樂壞了」。Jack 的建議是挑一個執行環境深入學,而不是什麼都測,因為連 Every 團隊的時間都不夠用。Shipper 仍推薦開發者用 Claude,但說 Google 現在讓做影片、媒體與寫作的人天平傾了過來。Randy 說,如果他純靠感覺寫程式、又沒有 Every 幫忙負擔費用,他會三個實驗室的訂閱都留著,而 Carbon 正是會推他去加訂 Google 的那顆模型。

與談者評價為黃燈,只有 Randy 給綠燈

Randy 給 Carbon 綠燈,因為它解開了 Fable 與 Astra 卡住的任務——那兩個模型會卡在同一條思路,Carbon 則走真正不同的路,而且讓 Fable 審 Carbon 的成果、反之亦然,難一點的任務就變得可解。Kieran 唯一真正的抱怨是,Carbon 是個他還沒學會定位的新個性與新執行環境。Tyler 給黃燈,說測 Anthropic 模型「像在玩」,這次「幾乎像在工作」,但他強調這顆模型被低估,在某些任務上贏過 Fable 5.2 與 Opus 5.5。Jack 的遊戲室賽車測試——用他幼兒凌亂遊戲室的照片做一款賽車遊戲——顯示 Carbon 會驗證遊戲能不能玩,Argon 則在賽道上橫了一道牆;它還加了個有創意的機制,收集 Magna-Tiles 來加速,但遊戲很混亂、不好操作,不如 Fable 5.2 一次就上手。他用 Blender 做的千年鷹號駕駛艙模型,圓角與管線比 Argon 好,但仍不及頂尖水準。

值得持續追蹤的綜合觀察是:Google 已把差距縮小到「模型多樣性本身」成了賣點。Carbon 的價值與其說在單一基準,不如說在於它與 Anthropic、OpenAI 不相關——它找到不同的 bug、挑不同的飯店、生成不同的 UI 模式。懸而未決的問題是:寫作退步與預設密度,究竟是 Google 這輪以寫程式為主的後訓練留下的副作用、會在下次月度釋出修正,還是 Argon 與 Carbon 之間持久的個性分裂,使用者只能自己想辦法繞過。

來源: Every (AI & I) (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論