Google 正式公開發布最強模型 Gemini 4 Carbon：開價每百萬 token 2 美元起，並在 Antigravity 預覽「代理群組」（swarm）功能

11 月 10 日，Google 正式把 Gemini 4 Carbon 推向一般公眾——這是官方稱「最強模型」的前沿系統，在前兩週小範圍釋出給「網路安全防禦者」沿用後全面開放。Google 表示 Carbon「把前沿推進得更遠」，定位在挑戰模型智慧的極限：複雜、多步驟的程式碼工作與開放式科學研究。它經由 Gemini API、Google AI Studio 與 Gemini for business 提供給所有付費開發者與企業，並在 Gemini App 的 AI Mode、以及 AI Mode in Search 與 Antigravity 上線。伴隨 Carbon，Google 也在代理開發平台 Antigravity 預覽 「swarm（代理群組）」功能——讓使用者用一句自然語言提示，把任務變成「一堆協調合作的代理團隊」。對香港企業與開發者而言，這不只是「又一顆更強模型」，而是成本結構與多代理協作方式同時鬆動的訊號。

Gemini 4 Carbon 做什麼：為「長時間、多步驟」工作而生的強模型

Google 把 Argon 與 Carbon 做出明確分工：Argon 將仍是多數軟體工程與知識工作的「理想選擇」，而 Carbon 是為「測試模型智慧極限」的任務打造——例如長時間跨度的自動化、多步驟編碼、開放式研究。具體重點：

能力定位：Carbon 專攻需要長久持續推理與自主作業的工作負載，在**代理式工作流（agentic workflows）**上有前沿表現，也涵蓋網路安全等領域；
收費極具侵略性：上市初期每百萬輸入 2 美元、輸出 10 美元——約為 OpenAI GPT-6 Astra 的五分之一、Anthropic Fable 5.2 的四分之一。即使 11 月底優惠期結束後價格加倍，仍明顯低於前沿競品；
上線管道：開發者與企業可即刻從 Gemini API、Google AI Studio 取用，AI Ultra 訂閱者也能在 Gemini App、AI Mode in Search 與 Antigravity 使用。

貼士：促銷價與「不同模型吃不同 tokens 數量」提醒——單價低不代表總成本低，企業仍應以「每一萬次實際任務的總花費」來比較。

趨勢：一句話生成「代理群組」——從強模型走向多代理協作

伴隨 Carbon 推出的 Antigravity「swarm」功能，是這次發布更值得注意的訊號：

一句提示 → 一組代理：使用者把任務交代給系統，Antigravity 自動把單一提示拆成「一群協調合作的代理」，各自分工、協作完成長任務；
開發週期被壓縮：Google 也在本月讓工程團隊得以用 GPT-6 等級代理在幾小時內完成過去要數週的晶片設計，側面印證「強模型＋代理協作」對工程產出的放大效果；
與行業趨勢同向：Anthropic 本週以 1,000+ 子代理寫出作業系統、OpenAI 讓 agent 連結多台電腦——「多代理分工」已成為所有前沿實驗室一致押注的方向。

對企業而言，這意味著「用代理做事的單位成本與上手門檻」都在快速下降：即便不用自家工程師手寫代理框架，也能用平台層的工具（如 Antigravity）把「一群代理」當成服務呼叫。

對香港企業與在職人士的啟示

重估「用強模型扛全面自動化」的成本：Carbon 的定價把前沿能力的取得門檻再往下壓。對打算重構、數據遷移、長流程自動化的香港團隊，這類需長時間自主作業的模型如今已「量力可負擔」；
守住「每任務成本」而非「每 token 成本」：Carbon 雖單價低，卻可能在同一任務吃掉更多 tokens。務必用自家真實工作負載跑一次，量出每完成一件事的成本與成功率，再決定用哪顆模型——這是放量前的唯一可靠決策依據；
把「代理群組」當成新的執行單位：從「寫提示詞」到「讓一組代理分工完成提示詞」，是一大步。建議先挑一條多步驟、可回滾、可測量的流程（如資料整理、跨系統對帳），用 swarm 式工具跑通後，用輸出品質與完成時間評估，再決定是否擴張；
先小規模測，再談規模化：無論 Carbon 多強，品質閘口與人工抽驗仍是代理落地的必要環節。把「主模型規劃、便宜代理執行、人工審查」的三層架構當成預設，是控制風險又不拖慢節奏的務實路線。

Gemini 4 Carbon 的公開發布，加上 Antigravity 的「代理群組（swarm）」預覽，顯示**「強模型＋多代理協作」正成為前沿應用的預設作業方式，而激進定價更讓它快速進入企業預算範圍。對香港在職人士與企業，現在是重新評估自身可自動化工作、比對不同模型實際每任務成本**的絕佳時機：把「更強、更便宜、能分工」三個變數一起納入規劃，才能讓 AI 投資真正放大產能。