這三天的新素材把焦點放在四種不同的模型使用方式：Google 將 Gemini 4 Carbon 定位在長時間代理工作與資安任務；Surge AI 用不完整資料和專業判斷測試稅務代理；Cursor 把代理的 prompt、工具與評測納入程式專案；Google Research 則提出讓模型在離線階段更新參數的持續學習方法。這些發布的共同限制是，結果都依賴各自的模型版本、harness、資料集或內部測試，不能直接互換成跨產品排名。

🔥 Gemini 4 Carbon 先向部分資安防禦者開放，API 導入價每百萬輸入 token 2 美元

Google 於 10 月 28 日發布 Gemini 4 Carbon，官方將它定位為處理長時間工程任務、代理工作與資安防禦的模型。Google 列出的外部測試數字包括 SEC-bench Pro 漏洞發現 88.2%、ExploitGym 漏洞利用 54.8%，以及 CWE-bench 修補 71.0%；在 WebDev Arena 的排名為第 4，分數 1768，並稱較前次增加 89 個 Elo 分數。

Google 也公布內部測試：Carbon 產生安全程式碼的成功率比 Gemini 4 Argon 高兩倍以上，Chrome 團隊則回報其產生高品質修補程式的表現高於另一家實驗室的大型 frontier model。這些數字分別來自 Google 的內部測試、合作團隊回報或指定 benchmark；公告沒有提供所有比較模型、完整樣本與各測試的失敗案例，因此不能從單一數字推導到所有資安工作的成功率。

發布初期 Carbon 只提供給一部分資安防禦者，之後再透過 Fairwind Program 擴大到其他受信任合作夥伴。Google 表示仍在進行美國政府的自願性預發布模型測試，並會在後續才向開發者、企業與一般消費者開放。誰屬於「受信任合作夥伴」、採用什麼審查條件，公告沒有說明。

API 導入價格為每百萬 input token 2 美元、output token 10 美元，cached input token 比 input token 價格低 95%；導入期結束後，價格會變成每百萬 input token 4 美元、output token 20 美元。這是 Google 公布的價格與存取時程，不代表目前已可由一般 API 使用者取得。

DAYJOB: Tax 以 50 個工作環境測試代理能否處理未明說的稅務問題

Surge AI 發布 DAYJOB: Tax，資料包含 50 個工作環境與 1,789 個檔案，涵蓋個人與家庭稅務、小型企業、合夥、財產與投資、遺產與信託、國際稅務、企業交易，以及稅務審查與爭議。代理收到客戶要求和支援文件後，要產生報稅表、工作底稿、技術審查或客戶建議。

評測使用 pass@1，通過門檻是 rubric 至少完成 95% 的要求，項目包括計算、證據、重要問題辨識與最終交付物。Surge AI 公布的排行榜中，Claude Sonnet 5.5 的通過率為 10.8%，Claude Fable 5.1 為 9.6%，Claude Opus 5.5 為 9.2%。這些結果使用 Surge AI 設計並由稅務專家審查的任務與評分規則，數字不等於代理在真實客戶案件中的合格率。

其中一個案例是客戶計畫出售公寓，代理正確比較了 2026 年 10 月與 2027 年 1 月出售的稅務結果，但沒有指出若延至約 2027 年 8 月底之後，可能失去居住年限帶來的排除額資格。Surge AI 表示，在五次測試中 Astra 都沒有找出這個期限，Opus 則五次都找出。另一個案例中，Opus 根據客戶未婚的假設提出退休帳戶分配建議，但文件已包含可能涉及 Texas 非正式婚姻的線索。

Surge AI 將這項評測與只回答明確問題或計算報稅數字的既有 benchmark 區分開來，測試代理是否能從不完整指令、互相衝突的紀錄中找出客戶沒有明說的問題。完整 leaderboard 與資料集連結由 Surge AI 提供，部分 benchmark 仍需申請存取。

Cursor Agent SDK 將代理的 prompt、工具與評測放進可部署的程式專案

Cursor 宣布 Agent SDK 一般可用，讓開發者以程式碼定義代理，並透過 agent-sdk deploy 部署。Cursor 表示，這套 SDK 用於建立自家的 Bugbot、Security Reviewer 與 Rollouts 等 managed agents；代理可以監聽 GitHub、GitLab 或 Bitbucket 的 pull request 事件，依團隊政策分流、審查或核准變更。

SDK 的專案結構把 prompt 以 Markdown 保存，工具與外部服務連線以 TypeScript 函式定義，評測也放在同一個專案內。Cursor 提供 event replay 與 evals，讓開發者在部署前重播事件並測試工作流程；代理也可以把任務交給使用不同工具和 session 的專門代理，或交由多個子代理平行處理。

部署方式包括使用 Cursor 的服務，或在自有基礎設施中以單一 Node process 執行並封裝成容器。官方範例使用 @cursor/agent-sdk 的 defineAgent 定義模型、effort、fast 參數與本機工作目錄；公告沒有在本文列出服務定價、權限隔離細節或不同部署模式的功能差異。

Cursor 表示 Agent SDK 支援 PGA Tour 的軟體開發工廠，也展示了內部團隊以約一天建立 kb-reviewer、在每個 pull request 檢查知識庫規則的案例。這些是 Cursor 公布的產品案例，不是跨組織的獨立評估。

Google Research 提出 sleep framework，讓 LLM 在離線階段把新資訊寫入參數

Google Research 提出 sleep framework，將持續學習分成 active（wake）與 sleep 兩個階段。模型在 active 階段接收新資訊並將資料存入短期記憶；在離線的 sleep 階段，方法使用預先配置的 Mixture-of-Experts 記憶區塊、自生成練習資料與參數更新，把新知識整合到參數中。Google Research 表示，這套方法維持固定的模型架構與由人類定義的訓練規則，並不是模型自行改寫程式碼。

sleep 階段包含 memory consolidation 與 dreaming。前者以低秩結構、MoE、知識蒸餾、強化學習式模仿與 synaptic pruning 保存新資訊；後者透過隨機選擇 expert、反覆練習與 RL refinement 產生自我改進資料。這些名稱借用了人類睡眠的描述，但 Google 明確說明實作仍是模型訓練流程。

Google Research 在 continual translation、長上下文理解、事實知識整合與數學推理上比較這套方法和 ICL、supervised fine-tuning 等 baseline。公告列出：在未見過的 Manchu 與 Kalamang 翻譯任務中，分階段評測的性能下降接近零；在 BABILong 長上下文測試中，方法可擴展到 1,000 萬 token；在 SQuAD 與 continued pre-training 評測中，單任務與 CPT 結果分別為 48.9% 與 46.2%。

上述數字來自 Google Research 的方法與比較設定，公告未提供部署後長期運行、資料污染、錯誤知識修正或外部團隊重現結果。這項研究的論文、模型架構與 baseline 設定另列於 Google Research 的原始文章與 arXiv 連結。