Gemini 4 Carbon 的 FrontierCS 2 成绩出来了。53 …

Gemini 4 Carbon 的 FrontierCS 2 成绩出来了。53 FCI、54 通过率，从 Argon 到 Carbon 只隔几周。 这个跳幅让我停了一下。几周时间，同一个系列里把分数顶上去一截，说明迭代节奏已经不是按季度算的了。 还有一件事我更在意：model 和 harness 一起进化。评测长任务时，光模型强不够，跑评测的那套架子也得跟上。他们在和 antigravity 合作改 long-horizon 的评测方式，让分数更反映真实干活的能力，而不是刷题。 我一直觉得，评测这行最容易糊弄。榜单好看不代表能落地，长任务里模型跑着跑着就崩才是常态。把评测架子和模型一起迭代，比单纯追一个分数诚实得多。 FrontierCS 2 这个基准我盯了一阵，它考的是长链条的活。Carbon 能在这上面跳分，比在短题上刷榜有说服力。何况这次 FCI 和通过率是一起抬的，不是单项刷高。等 harness 那边再改几轮，分数的含金量应该会更实。