Cognition 公布 Gemini 4 Carbon 的 FrontierCode 2.0 成绩：40%、每任务 4.04 美元，接近榜首；Argon 26.3%、成本 6.41 美元

核心背景与行业痛点

多数编程基准只看代码能不能通过测试，而 FrontierCode 由 Cognition 联合开源维护者出题，问的是更接近真实工作的问题：这个 PR 维护者会不会合并。10 月 27 日的 2.0 版把任务扩到 132 个，覆盖安全补丁和性能优化，并提高了合并标准，Claude Opus 5.5 以 45.5% 居首，基准远未饱和。Google 10 月 28 日推出 Gemini 4 Carbon 后，开发者最关心的是它在真实代码库里的表现，Cognition 这次给出了第三方（但同为模型使用方）的独立数据。

架构亮点与底层机制

FrontierCode 的分数是各评分项的加权汇总，没通过阻断性判定项的解直接记 0 分；成本是按公开 API 列表价（含公开折扣）计算的每次运行平均花费。基准限制联网：模型可以像工程师那样查文档、搜报错，但一旦查阅含答案的来源（例如原始 PR）就记 0 分。Cognition 没有在原帖中说明 Carbon 使用了哪种推理强度或评测框架，排行榜上可按框架和推理强度展开查看。

权威 Benchmark 与实测跑分对比

据 Cognition 原帖：Gemini 4 Carbon 得分 40%，每任务 4.04 美元，接近最高水平，排在 Claude Opus 5.5、GPT-6 Astra 和 Claude Sonnet 5.5 之后。按 2.0 版发布时的官方数据，Opus 5.5 为 45.5%、GPT-6 Astra 为 42.8%；原帖未给出 Sonnet 5.5 的具体分数。Gemini 4 Argon 得分 26.3%，每任务 6.41 美元，高于 Muse Wonder 1.0（24.3%），但落后于 Claude Haiku 5.5 和 Grok 4.7（28.6%）。也就是说，Google 新一代模型在这项测试上提高了约 13.7 个百分点，同时每任务便宜约 2.4 美元。以上均为 Cognition 自测结果，并非 Google 官方成绩。

开发者实战落地与开箱指南

如果你在选编程 agent 的底座模型，Carbon 现在是 FrontierCode 上仅次于 Anthropic 和 OpenAI 顶级模型的选项，并且单任务成本低于 Argon，值得在自己的代码库上和 Opus 5.5、GPT-6 Astra 做对比。可以在 FrontierCode 排行榜 查看得分与成本的散点图，找出同等预算下得分最高的模型和推理强度。注意 40% 意味着多数任务的解仍达不到合并标准，人工审查和测试依然不能省。