top of page

llm-gemini 0.36 新增 Carbon,Google 扩大付费访问

17分钟前
讀畢需時 11 分鐘
Illustrative photograph. Photo: AS Photography / Pexels.

Simon Willison 于 11 月 10 日发布 llm-gemini 0.36,新增对 Gemini 4 Carbon 的支持;与此同时,Google 将访问范围从早期的网络安全预览进一步扩大。开发者因此获得了另一种评估该模型的方式,不过更广泛的可用性仍伴随账户和产品限制。眼下的变化主要涉及访问与集成,而非独立证明其结果更优。

这一区别很重要,因为模型公告和可用的开发者集成回答的是不同问题。Google 描述的是预期能力;插件则让模型能在既有工作流中使用。两者都无法证明,额外推理是否足以为某个具体项目带来与其运营要求相称的价值。

Google 也仍保留 Gemini 4 Argon,将 Carbon 定位于要求更高的工作。因此,核心比较首先发生在 Google 自身产品线内部:更深入的调查能力,对比产出可接受结果所需的时间与资源。Willison 的视觉实验提供了一个易于理解的切入点,但可复现性、维护性和生产环境适用性仍有待验证。

llm-gemini 0.36 实际改变了什么

此次发布为开发者提供了熟悉的 Carbon 入口,使实际评估更容易与发布宣传区分开来。

Carbon 发布说明直接指出了新增内容:Gemini 4 Carbon 现可通过 llm -m gemini-4-carbon 选择。此次发布是面向 Willison 的 LLM 软件的集成更新;这是一款命令行工具,用户可通过文本命令与语言模型交互。

插件与底层模型之间的区别值得关注。更新客户端改变的是该软件可以发起哪些请求。能否访问所请求的服务,仍取决于服务提供商的要求,因此安装集成并不自动意味着账户具备访问资格。

对于已经使用 LLM 的开发者而言,其意义在于延续性。评估可以从熟悉的界面开始,而不必切换到完全不同的应用。这减少了比较模型响应时一个本可避免的混淆来源:周边软件发生变化。

熟悉的界面也让差异更便于调查。若切换模型后结果发生变化,评估者需要纳入考量的界面变更就更少。这无法消除所有变量,但比比较彼此无关的演示提供了更有用的起点。

设想一名开发者正在调查棘手的应用程序 bug。关键问题是 Carbon 是否能识别原因,并提出站得住脚的修正方案。仅有一段润色良好的解释并不能解决核心问题,尤其是建议的补丁又引入另一项故障时。

此次发布让人们更容易在成熟工作流内提出这类问题。其重要性在于,将已公布的能力连接到人们能够审查并纳入自身实验的界面中。在有人证明性能优势之前,这种连接已具备实际价值。

它还区分了支持与覆盖范围。客户端可以支持选择某一模型,却未必复现服务提供商应用中提供的所有功能。评估者不应假定,应用演示就能代表每个 API 客户端的体验。

因此,对此次发布最严谨的解读是明确的:Carbon 已进入另一条开发者访问路径。关于工程结果更优的说法,需要在连接成功后,使用成功条件不止于生成貌似合理回复的任务来收集证据。

这是一项有价值的发展,并不需要得出铺天盖地的结论。小型集成版本同样重要,因为它们让更多人能够检验宏大的说法。其价值来自它们促成的评估,而不是版本号本身。

更广泛的 Gemini Carbon 访问仍有边界

可用范围扩大带来了更多评估机会,但资格条件仍是产品体验的一部分。

Google 的 Carbon 访问公告介绍了面向开发者和企业的付费 API 访问。公告还提到,Google AI Ultra 订阅用户将在部分产品中陆续获得访问权限,包括 Antigravity、Gemini app 和 AI Mode。

该公告此前,Google 已通过 Fairwind Program 向部分网络安全防御人员提供该模型。这是不同的访问节点。若将 11 月的扩展视为模型首次亮相,就会抹去受限预览访问与更广泛商业推广之间的区别。

同样,更广泛的访问不应被简化为所有人都可免费使用。一个产品公告可以覆盖多类受众,却为每类受众设定不同条件。开发者、企业客户和个人订阅用户未必通过同一条路径进入。

对于评估 Carbon 的团队而言,这会在性能问题之前带来一个实际的采购问题:目标用户能否通过目标应用访问它?通过某一位员工的账户进行实验,并不能证明整个组织都能使用。

访问条件还会影响评估是否可复现。若参与者使用不同产品,其可用工具和权限可能不同。当这些差异没有记录时,模型比较就更难解读。

这一点在演示脱离其配置环境传播时尤其重要。观众看到的是最终输出,但账户类型、界面和启用的工具可能从讨论中消失。这些细节有助于说明,另一位用户可以合理尝试什么。

一种有用的组织应对方式,是在任何内部评估中准确说明访问条件。评估应明确所使用的产品及授予的权限。这能为同事提供足够背景,以区分模型限制、功能不可用或账户限制。

对于考虑面向客户功能的产品团队,这也涉及沟通问题。内部访问并不自动确立某项功能可以上线的条件。任何承诺都需要符合支撑该实现的实际服务路径和条款。

这并未削弱此次扩展的意义。它界定了改变之处,以及哪些地方仍需要进一步确认。更多符合条件的用户可以调查 Carbon,但具体部署问题仍需在账户和产品层面获得答案。

对于关注该公告的读者而言,关键进展是通往评估的路径正在拓宽。其实际覆盖范围应通过相关环境中已确认的可用性来判断。宽泛表述本身无法替代这种确认。

Gemini Carbon 与 Argon 的比较是一项资源决策

有意义的比较关注的是被接受的工作成果,包括检查和修复所需的投入。

Google 将 Argon 定位为适用于大多数软件工程和知识工作,同时将 Carbon 描述为处理更棘手问题的选择。这种定位将一个重要决定留给用户:哪些任务值得采用更密集的推理过程?

任务难度不能只由提示词长度推断。一份简短的 bug 报告可能隐藏着组件之间复杂的交互。一项冗长的文档请求若源材料清晰,也可能只涉及直接提取。

因此,评估单位需要是已完成的任务。对于编程任务,完成意味着行为经得起恰当检查。对于研究任务,完成意味着审阅者检查后,结论仍可追溯至证据。

这改变了对表面效率的理解。一个需要大量后续修正的快速回复,会在之后消耗人工注意力。若较慢的回复能够减少这一修正负担,仍可能有用,不过这种减少必须被观察到。

反向情况也同样值得关注。延长推理并不能保证模型正在调查正确的问题。一份冗长回答可能围绕错误假设展开,使审查工作更繁重而非更轻松。

因此,Gemini Carbon 与 Argon 的比较应保留实际决策中重要的条件。模型需要获得可比的源材料和共同的成功定义。否则,准备工作上的差异可能伪装成模型能力上的差异。

对于工程团队,一个说明性的比较可以使用具有已知复现路径的真实缺陷。审阅者将检查每项建议的改动是否解决该缺陷,同时也会考虑该改动是否引入无关修改,从而增加维护工作。

对于知识工作者,对应任务可能是协调相互矛盾的项目文件。令人满意的结果应识别冲突并为其解读提供依据。无论回复看起来多么易读,若自信地合并不兼容的陈述,就意味着任务失败。

这些例子描述的是评估标准,而非任何一款模型已经确立的结果。其目的是让决策具体化。缺少明确标准时,评估者可能会奖励初读时显得更令人印象深刻的回答。

组织层面的压力落在选择默认模型的人身上。为每项请求选择 Carbon 需要理由,正如将它排除在困难工作之外也需要理由。有用的政策会将模型选择与已观察到的任务要求联系起来。

若高要求任务显示出一致收益,选择性部署将加强 Carbon 的使用依据。若其在常规工作上改进不大,则支持保留一个资源投入较低的选项。无论哪种发现,都比笼统宣称某个模型最佳更具可操作性。

思考控制改变评估方式

可配置的推理设置引入了另一个变量,比较时需要披露。

插件文档列出了 Carbon 的低、中、高思考等级。思考等级控制模型在回应前进行多少推理,但其影响仍需针对当前任务进行评估。

这一设置很重要,因为仅有模型名称无法完整描述一项实验。若评估者使用不同推理等级,他们测试的就是不同配置。一项有用的比较会将该设置与提示词和可用工具一并记录。

当有人报告令人失望的结果时,这一点尤其相关。该结果仍是对那次尝试的有效证据,但其适用范围取决于具体条件。缺少这些条件,读者就无法判断应对类似请求抱有何种预期。

同一标准也适用于正面案例。某个选定配置下令人印象深刻的输出,并不能证明每种配置都会产生同等质量的工作。呈现该设置有助于读者理解结果,而不会夸大其意义。

围绕额外推理究竟应当实现什么目标,还存在一个更深层的问题。评估者应在审阅答案之前先明确预期收益。否则,任何细节的增加都可能看起来像是在证明模型思考得更有效。

对于调试任务,预期收益可能是更准确的因果解释。对于文档审查,可能是对相互矛盾证据的更好处理。这些都是可观察的品质,前提是审阅者掌握足够信息来判断它们。

回答篇幅提供的信号较弱。更多文字可能包含有价值的调查、重复内容或缺乏依据的解释。它的价值取决于是否推动任务进展,以及是否为对结果负责的人减少不确定性。

思考控制功能也使默认选择变得更复杂。默认设置会成为所有未作更改者体验的一部分。团队应认识到,他们的结论可能反映的是该默认设置,而非所有可用配置的完整范围。

对于搜索 Gemini Carbon 详解的读者,需要记住的操作层面区别在于:该模型提供可配置的推理行为。只要有人用实验来支撑更广泛的主张,配置就应当成为证据的一部分。

此次发布支持通过有文档记录的客户端接口考察这一区别。但它并未确定每种工作流都应使用哪项设置。该决策取决于经测量的质量、可接受的延迟,以及任务所需的人类审查程度。

Pelican 展示了可能性,但证据有限

可见的创意成果能够揭示有用的行为,但仍无法确定可靠性和比较性能。

Willison 在其 Carbon 编程实验中发布了不同思考设置下的 pelican 示例。他还描述了一项 Antigravity 实验:Yonkers 变成一个大型机甲,并在纽约市中移动的三维动画。

该动画请求使用了 Three.js,这是一套用于创建基于浏览器的三维图形的 JavaScript 库。Willison 表示,他随后追加了一条提示词,以获得不含外部依赖的独立 HTML 版本。他还提到了此前使用 Claude Fable 5.2 的一次尝试。

这些细节使该示例可作为一次交互过程的记录。请求是具体的,输出可供检查,后续跟进则揭示了额外要求。读者可以理解评估者的关注点,而不必将其反应视为正式测量。

这一后续要求尤其具有参考价值,因为交付格式会影响可用性。生成的场景可以满足视觉构想,却仍可能需要打包工作。要求独立结果引入了一项超出最初创意请求的实际要求。

对评估者而言,这表明生成工件与以所需形式交付工件之间存在区别。当预期用户依赖最终交付包时,两者都应纳入评估。忽略后者可能低估生成后仍需完成的工作。

pelican 示例具有不同的证据作用。它们让输出易于检查和讨论。但它们无法证明模型能以多高的一致性处理无关的任务,尤其是那些涉及隐藏约束或需要专家审查才能确认正确性的任务。

对 Claude 的提及也需要谨慎处理。复用某个想法提供了易于识别的比较点,但模型排名需要更受控的证据。提示词、工具、后续请求和输出选择的差异,都可能影响表面结果。

没有必要因为非正式实验缺少这些控制条件就否定它们。它们可以暴露值得进一步研究的行为,并让技术发布更容易理解。限制在于基于它们得出的结论。

有价值的演示可以为后续测试带来一个聚焦的问题。生成的项目在有人编辑后是否仍然易于理解?当被要求修改其中一个组件时,它是否保留原有要求?这些问题能够自然地从创意工件延伸到工程层面的关注点。

在知识工作中,与之对应的是一份在演示期间读起来很流畅的报告。它的外观让观看者能够立即评估一些内容。但其证据、对不确定性的处理,以及是否适合用于影响重大的决策,则需要更仔细的审查。

恰当的结论是有边界但有用的。Willison 的示例提供了可供讨论和进一步评估的具体材料。它们仍未回答更广泛的问题:在对特定用户而言重要的条件下,Carbon 是否能改善可重复的结果。

扩大推出后值得关注的事项

下一批有用证据将涉及已确认的访问权限、可重复的任务结果以及部署限制。

第一个信号是,用户计划采用的产品是否能持续提供访问权限。推出公告表明了方向。相关环境中已确认的访问权限,则决定评估或部署能否实际推进。

如果团队能够复现其预期设置,这一信号将增强此次扩展的实际意义。围绕资格条件持续存在的不确定性,会缩小其即时实用性。这是一个采用问题,与模型在成功访问后能否产生强有力的答案是分开的。

第二个信号是报告完整任务结果的独立评估。最有价值的证据会披露提示词、工具、推理设置和验收标准。这些细节让读者能够判断观察到的收益能否迁移到自身工作中。

在困难任务上反复取得成功,将支持为特定任务选择性分配更多推理资源的理由。若结果需要大量修复,则会削弱这些任务的论据。无论结果如何,都应在保留实验范围的前提下加以描述。

第三个信号是,文档所列限制如何在日常使用中出现。Google 的 Carbon 模型卡指出,在更高思考等级下会出现幻觉、偶发的缓慢或超时,以及更高的 token 使用量。Token 是模型处理或生成的文本单位。

该模型卡还区分了仅向经过验证的防御者提供的专业网络安全能力。在解读与此前受限发布相关的主张时,这一区别很重要。读者不应假设该背景下讨论的每项能力都会原封不动地转移到公开访问中。

这些限制为评估者提供了可观察的具体问题,同时不会预先决定结果。超时在探索性会话中的影响,与在计划好的业务流程中并不相同。当审阅者在交付前发现无依据的陈述时,其影响也不同于有人据此采取行动之后才发现。

评估应保留这些后果。只记录最终成功的输出,可能会掩盖为达成该结果所需的尝试和干预。只记录最初的失败,也可能掩盖合理的后续跟进是否能够解决问题。

对于正在收集证据的团队而言,可搜索的知识库可以将提示词、源文档、审查记录和已接受的修改关联起来。当同事日后回顾选择某个模型的原因时,这有助于形成更可追溯的决策。

这些信号合在一起,将阐明此次发布在哪些方面具有实际价值。可用性决定谁能开展研究。可重复的结果决定哪些任务能从中受益。有文档记录的限制有助于界定何处仍需额外审查或采取不同方法。

在将 llm-gemini 0.36 纳入常规工作流之前,先选择一项你能识别并捍卫其成功结果的任务。保留原始要求,记录模型配置,并以审视其他贡献者工作的同等谨慎来检查结果。将纠正错误和核查假设所花的时间纳入考量。将已接受的结果与现有方法进行比较,在相关情况下包括 Argon,而不是只比较呈现质量。将失败的示例与成功的示例一并保留。此次发布为符合资格的开发者提供了另一条考察 Carbon 行为的途径;请利用这一访问权限,为一项具体决策建立证据链。对于你的团队而言,哪项高难度任务值得开展这项研究?

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page