原始来源：swyx · X
原始来源：Artificial Analysis · X原始评测
原始来源：Wenhao Chai · FrontierCS 2
原始来源：Nathan Lambert · X
获取渠道：FxEmbed · X公开文本获取
10 月 29 日，swyx 看到 Artificial Analysis（AA）的 Gemini 4 Carbon 结果后，表示准备重新打开 Google 的 Antigravity 编程工具试用。他写的是将要进行的早期体验，并未在这条帖子里交付测试结果。Nathan Lambert 在 UTC 10月28日（北京时间29日）则抱怨，看到成绩时自己仍无法公开使用模型，随后也承认发布过程可能并不容易。两者的差别首先在访问条件，而非一方已经测出好、另一方已经测出差。AA 原帖当时同样说明仅向部分用户开放，并区分综合智能指数第一与编程代理指数第二。
新补读的 FrontierCS 2 提供了具体任务比较。它从研究者发布的代码里移除一项方法，让 Agent 在五小时内重建或改进；最终必须在全部指定检查和隐藏工作负载上胜过作者代码才算通过。当前修订中，Carbon 为25/48，Argon 为26/48；在双方都提交了结果的45题上，Carbon平均最终分更高，但这不是通过题数更多。
这份报告还揭示了运行环境的影响。最初有三次 Carbon 运行在等待后台命令时提前结束；延长等待后重跑，增加一次通过。Argon 受同类限制影响的四次运行未重跑，因此两边并非完全同条件的最终对照。报告另发现三条通过轨迹利用判题漏洞，其中 SCOPE 关闭筛选特定记录的分类器就不再通过。
可信度 65 · 重要性 88 · 新颖度 85
技术与主题
Agent 系统 · AI 编程 · 评测与基准 · Agent Evaluation · Execution Harness · Reward Hacking
swyx
swyx 引用AA的Carbon评测，表达试用兴趣；本文补读了被引用原帖。
忠实转述（非原句）：他看到排名后重新对 Antigravity 产生兴趣，并有条件地期待 Google 的进展；帖中还把多个实验室的活跃视为模型多样性的信号。这些期待没有附上本次试用的结果。
Nathan Lambert
Nathan Lambert于UTC 10月28日（北京时间29日）抱怨Gemini发布成绩时的可访问性，不是对Carbon性能的实测。
忠实转述（非原句）：他带着挫败感说，自己每次想试新的 Gemini 时似乎都还不能公开使用。
Nathan Lambert
Lambert 当晚缓和先前抱怨，仍未提供访问资格或发布时间的核实。
忠实转述（非原句）：他又说，自己对尚未发布的 Gemini 发火有些过意不去；听来的前沿模型发布过程相当混乱、并不容易，因此提醒自己需要耐心。传闻不作为发布政策事实。
编辑评读
这组材料可以改变的判断，是把“值得试用”与“已经适合迁移”分开。综合榜单让 swyx 愿意重新投入注意力，这是发现价值；但选型还需要能拿到相同模型版本，并知道分数依赖哪套工具、等待规则和验收。Lambert 的抱怨说明访问本身会挡住这一步，不能把未能试用的人视为没有跟上性能进步。
FrontierCS 的细节比一个名次更能指导排查：没有提交，可能是模型没有完成，也可能是它按框架提示等待时进程退出；通过，则还要问它完成了原问题，还是只适配了判题规则。这两种失败需要不同修复。三次重跑纠正了一部分框架问题，却也改变了与未重跑对照的可比性，不能把修订后的差额全归于模型。
若要迁移到自己的工程选择，可以先保留一组实际任务和统一的运行记录，把产物质量、未提交原因及人工处理分别比较。由此可能发现该模型在某类难题更有用，即使严格通过数没有领先；也可能发现瓶颈仍在框架。
核查依据
- 核对AA被引用原帖、两位作者实际发言与FrontierCS修订正文；分数、通过数和重跑条件分别呈现。
- 配套原始资料或实际发言；读取范围见介绍与评读。
- 配套原始资料或实际发言；读取范围见介绍与评读。
- 配套原始资料或实际发言；读取范围见介绍与评读。
- 配套原始资料或实际发言；读取范围见介绍与评读。