Gemini 4 Carbon 在 WANDR 拿了 0.857，评论区先盯上了 5.86 美元

Perplexity CEO Aravind Srinivas 在 X 上放出一组早期评测：Gemini 4 Carbon 在 WANDR 基准上拿到 0.857，是目前分数最高的模型。按他的说法，这个模型在长篇幅研究和回答质量上表现最强，之后会进入 Perplexity Pro 和 Max 用户的 Computer 功能，前提是 token 容量足够。他恭喜了 Google DeepMind。

WANDR 是 Wide-And-Deep-Research 的缩写，测的是模型做宽范围、多步骤研究并给出答案的能力。它不等于日常聊天，也不等于写代码。对普通用户，可以把它理解成一次需要查很多资料、再写成报告的任务。

图中横轴是单任务成本，纵轴是 WANDR 分数。Carbon 得分 0.857，成本 5.86 美元；Gemini 4 Argon 0.802，7.88 美元；GPT-6 Astra 0.735，13.34 美元；Claude Fable 5.1 0.601，12.76 美元。更便宜的一侧有 GPT-6 Sol 0.566/2.23 美元，Claude Opus 5.5 0.647/3.69 美元，DeepSeek V4 Pro 0813 0.359/0.75 美元。Grok 4.7 是 0.528/9.30 美元。

从图上看，Carbon 不是最便宜，但在高分区间里，成本明显低于 Astra 和 Fable 5.1。X 用户 Moriarty 把这一点挑明了：Astra 用 13.34 美元拿到 0.735，Fable 5.1 用 12.76 美元拿到 0.601，Carbon 用 5.86 美元拿到 0.857。

评论区没有停在恭喜。Tanish Mehta 问，WANDR 的提升有多少来自模型本身，多少来自外围的搜索 harness。拿同一个 harness 配上一代 Gemini 做对照，会更有说服力。这个问题打中评测的关键：研究型产品的分数，往往由模型、检索、编排、引用策略共同决定。

Raghav Mehta 和 Max Petrusenko 追问的是评分对象。WANDR 到底评最终报告，还是也评它有没有找到正确来源、引用是否站得住？如果只看成稿，报告写得顺但引用错，分数可能仍然好看。对长文研究来说，来源质量比句子通顺更难，也更重要。

Pedro G 的回复带点讽刺：每次模型发布都配一个新名字的基准，它会不会说“没找到”，而不是自信地引用一篇 2019 年的 Medium 文章。Hershal Rao 也担心模型以极高精度和自信产生幻觉。这些是研究型产品的老问题。分数高不消除幻觉，只说明在这套测试里表现好。

可用性也被盯上。Aravind 写的是“once we have sufficient token capacity”，Chandu 直接问，days or weeks？Harley Lewis Foote 则提到 Google 目前把模型锁给 cyber defenders 和 trusted partners，认为“即将向所有 Pro 和 Max 用户开放”偏乐观。这条是网友说法，不是 Perplexity 的官方时间表。能确定的是，Aravind 没有给日期。

还有体验层面的怀疑。Mikhail Rogov 问典型 WANDR 查询在 Carbon 上要多久，长研究跑起来很容易变慢。Gonzalo Ruiz de Villa 说，按他的体验，Argon 低于 Sol 6.1 和 Opus 5.5，所以在亲自试过之前保持怀疑。ChrisUniverse 则夸 Argon 4 的 token 用量很低。两种反馈放在一起，说明基准分数和日常手感不是一回事。

Natural Stupidity 的回复更像一句自嘲：宽而深的研究很好，我窄而浅，但今天就能用。这句话解释了为什么“即将开放”会让人不耐烦。模型能力是一层，能不能稳定调用、要等多久、一次任务花多少钱，是另一层。

这张图最值得看的地方，是三个变量被摆在一起：分数、成本、可用性。0.857 只是其中一个点。Carbon 在分数和成本之间给了一个很强的组合，但 benchmark 的构造、搜索 harness 的贡献、引用质量、延迟和开放时间，都还没有答案。Aravind 说会开放给 Pro 和 Max 用户，时间取决于 token 容量。评论区已经把下一轮问题问完了。