AI 模型怎么选｜总分第一，写代码却输给 Cl

Google 刚发的 Gemini 4 Carbon，在 Artificial Analysis 榜单上拿了总分第一。59 分，压过 Claude Opus 5.5。

但同一个模型换到写代码的榜上，直接掉队。Carbon 59，Claude Code 配 Opus 5.5 是 62；换到 FrontierCode，51% 对 56%；再到 FrontierSWE，它连 Sonnet 都没跑过。

总分高，不代表你的活它能干好。

真要选模型，盯紧这三件事：

只看对应分项：要写代码就看 coding，要读合同就看 legal research。Carbon 在金融和法律研究上才是实打实的第一。
看测试工具：Carbon 那个高分，是在 Google 自家的 Antigravity CLI 里测出来的。你平时用 Cursor 还是网页版？工具不一样，成绩能差好几分。
死盯幻觉率：Carbon 这代幻觉率飙到了 11%，上一代才 4%。而 Opus 5.5 和 Astra 都是 50%。总分只差 1 分，幻觉率差了四倍多——查资料报数字，这一项就是一票否决。

说白了，榜单测的是各家厂商后训练时把力气花在了哪。Google 练科学和安全，Anthropic 练代码。

所以别迷信总分。拿你自己的真实任务，让候选模型各跑两遍，谁让你改得最少，谁才是你的第一。