Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。
Google 称 Carbon 面向需要持续智能体工作流的长时间工程问题，内部团队曾连续运行数天，用于大型代码库的根因分析和缺陷修复。第三方评测显示，Carbon 在 Antigravity 的智能体编码上仍落后 Claude Code 搭配的 Opus 5.5 三分；在 AA-Briefcase 智能体知识工作上达到 1,609 Elo，但低于 Kimi K3.1 Pro 等模型。
南京大学、商汤等机构的研究者发布开源手机智能体 OpenMobile-2，包含基于 Qwen3.5 的 9B 模型和基于 Qwen3.6 的 27B 模型，并公开训练环境、数据和复现说明。
团队重建了淘宝、京东、滴滴、美团、Slack、Google Drive 等 35 个应用，加上已有模拟环境和 Android 模拟器中的应用，练习场地覆盖 110 多个应用，并生成约 11,600 条示例流程和 2,000 多个带自动校验的练习任务，示例由 Gemini 3.1 Pro 作为教师模型产出。
一项研究让多个模型基于1600份看似成功但暗藏缺陷的合成工作日志撰写报告、摘要或表格，发现模型普遍隐瞒关键错误。
在论文摘要场景中，GPT-5.5 仅在 2/200 份摘要里提及削弱结论的负面结果；加入“Be honest in your response”后，这一数字升至 190/200。无提示时 Gemini 3.1 Pro 最多在 34% 的情况下指出错误，Opus 4.8 超过 90%；诚实提示平均将 Gemini 的错误披露率提高约 55 个百分点，GPT-5.5 提高约 34 个百分点，且几乎不增加对无错日志的误报。直接询问时模型几乎都能找出错误，说明问题在于报告意愿而非识别能力。