一、核心结论

谷歌于 2026 年 11 月 10 日联合第三方 AI 评测机构 Artificial Analysis 发布了 MKA（Multimodal Knowledge Agent，多模态知识智能体）基准测试，专门评估 AI 智能体阅读、理解视觉复杂文件并完成端到端专业知识工作的能力。在首批参测的前沿模型中，Claude Fable 5.2 排名第一，谷歌 Gemini 4 Carbon 位列第二；两者成绩差距不大，但 Carbon 完成单个任务的平均成本约为第一名的六分之一（公开口径为成本低 6 倍以上、Token 用量少约 5.7 倍）。这次评测的重点不是单看答题分数，而是模拟真实职场里 "给一批图纸、表格、文档和明确任务要求，让智能体自己走完多步骤流程并交付成品" 的场景，因此分数和成本要放在一起看：Carbon 属于在接近第一梯队质量的前提下，把单次任务花费压到很低的一档。对企业选型来说，MKA 补上了以往只靠文本基准测不出的视觉理解和办公交付能力这一块。

二、为什么需要 MKA 这类基准测试

1. 传统知识工作基准大多只考文本

现有不少知识工作评测，模型只靠文字推理就能答出来，不需要真正查看图片、页面布局、图表结构或图纸细节。但现实专业工作恰恰高度依赖视觉信息：建筑师要交叉核对建筑蓝图，工程师要追溯工程示意图，分析师要从表格和图表里找数据，再把结论整理成演示文稿、报告和电子表格。只测文本，测不出模型处理这类视觉密集型文件的真实水平。

2. 智能体任务是端到端交付，不是单点问答

MKA 面向的是 agentic workflow（智能体工作流）：模型拿到任务提示词和一组多模态输入文件后，需要自己提取信息、跨文件结合、推理判断，最终交付符合专业要求的成品。评测关注的是整个任务链条能不能走通、交付物是否达标，而不是某一道选择题答对与否。

3. 质量和成本需要同时评估

前沿模型之间能力差距缩小后，企业更关心 "完成一项真实工作要花多少钱"。MKA 在评分之外同时统计每个任务的 Token 消耗和任务成本，让使用者既能比较质量排位，也能比较性价比，避免只看跑分选型。

三、MKA 基准是怎么设计的

1. 任务来源与行业覆盖

谷歌与来自 10 个垂直行业、83 种职业的领域专家合作，共同构建了包含 200 项任务的评测集。覆盖行业包括：

• 商业（Business）
• 建筑（Construction）
• 教育（Education）
• 工程（Engineering）
• 金融（Finance）
• 医疗（Healthcare）
• 法律与政府（Law & government）
• 物流与地图（Logistics & mapping）
• 科学（Science）
• 软件与数据（Software & data）

2. 任务形态与输入文件

• 每项任务模拟一个多步骤专业项目，包含真实工作提示词和一组多模态输入文件。
• 输入文件格式涵盖 .xlsx、.pptx、.pdf、.docx、.html、.png 等。
• 谷歌称这些任务通常需要经验丰富的专业人员花费 3—8 小时完成，任务复杂度贴近真实办公场景。

3. 评分方式

• 由沙箱化的智能体自动评分器（agentic autorater）按专家加权评分规则（rubric）打分。
• 专家评分研究中，自动评分器与人类领域专家在 96.2% 的标准判断上一致，Cohen's κ = 0.91。
• 核心指标包括：
• WSR（Weighted Satisfaction Rate，加权满意度）：总体交付达标率。
• Climb-WSR：针对尚未被前代模型 "刷饱和" 的前沿标准打分，用于区分头部模型之间的细微差距。

4. 参测模型

首批纳入评测的前沿模型包括：Gemini 4 Carbon、Claude Fable 5.2、Claude Opus 5.5、GPT-6 Astra。

四、MKA 评测结果与成本对照

1. 质量与单任务成本（公开披露口径）

2. 结果怎么读

• 质量差距集中在头部：第一名 Fable 5.2 与第二名 Carbon 的 Climb-WSR 相差约 2.3 个百分点，Overall WSR 相差约 1.4 个百分点，属于同一梯队内的小幅差距。
• 成本差距非常明显：Carbon 单任务 $5.63，第一名 $35.28，约为后者的六分之一；相比第三名 Opus 5.5 的 $10.29 也低约四成以上。
• Token 效率是成本优势来源：论文口径显示 Carbon 相比第一名少用约 5.7 倍 Token，说明成本下降不只是定价低，也和模型完成任务时的调用效率有关。
• 头部模型仍有提升空间：即便最强模型，Climb-WSR 也低于 57%，说明多模态知识智能体在端到端专业交付上还远未饱和。

五、Gemini 4 Carbon 的背景与定位

1. 模型发布与其他榜单表现

• Gemini 4 Carbon 于 2026 年 10 月底发布，是谷歌当前的前沿模型之一，主打复杂推理、知识、科学任务、编码与智能体能力，以及网络安全相关表现。
• 在 Artificial Analysis 智能指数 v5（Intelligence Index v5）上，Carbon 以 59 分位列第一；在编码智能体指数上排名第二，仅次于 Claude Opus 5.5。
• 公开基准中，Carbon 在 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 等评测上处于领先位置。

2. 定价与性价比

• 引入期 API 定价：每百万输入 Token 2 美元，每百万输出 Token 10 美元。
• 缓存命中可享受较高折扣（公开口径为缓存 95% 折扣）。
• 结合 MKA 中的单任务成本表现，谷歌在这一代模型上把 "头部能力 + 较低调用成本" 作为主要卖点之一。

3. MKA 结果在 Carbon 整体能力中的位置

需要区分不同榜单：Carbon 在综合智能指数、部分编码和自动化评测上排名靠前，但在 MKA 这个多模态知识工作专项基准上是第二名。也就是说，MKA 反映的是它在视觉密集型办公交付场景下的排位，不能直接等同于所有评测都拿第一。

六、基准测试的实际使用价值

1. 对模型研发方

• 暴露模型在跨文件视觉理解、长流程交付上的短板，指导后续能力优化。
• Climb-WSR 这类未饱和指标，帮助区分头部模型之间难以从普通分数看出的差距。

2. 对企业和开发者选型

• 评估模型能否处理图纸、表格、文档混合的真实办公任务，而不只是文本对话。
• 把质量得分和单任务成本放在一起比较，测算规模化调用时的费用。
• 可结合自身行业文件类型（图纸、报表、合同、演示稿等）参考对应垂直任务的表现。

3. 对评测行业

• 推动基准从 "文本问答" 走向 "多模态端到端交付"，并把成本效率纳入评测维度。
• 专家参与出题、自动评分器与人类专家一致性校验，提升了任务贴近真实工作的程度。

七、使用这类基准时需要注意的点

• 基准不等于生产环境：MKA 任务经过专家设计和沙箱评分，实际业务中的文件规范、数据质量、权限流程和异常情况会更复杂。
• 成本随档位和用法变化：单任务成本与推理档位、上下文长度、缓存命中率、任务复杂度相关，公开数字是特定评测条件下的均值。
• 榜单会持续更新：参测模型、版本和定价可能调整，排位应结合最新官方榜单核对。
• 多基准交叉验证：选型时建议把 MKA 与编码、自动化、计算机操作、幻觉率等其他基准对照看，避免单榜单下结论。

八、总结

谷歌联合 Artificial Analysis 推出的 MKA 基准，把评测焦点从纯文本推理拉回到真实职场里的视觉密集型知识工作：200 项任务覆盖 10 个行业、83 种职业，要求智能体跨图纸、表格、文档等多模态文件完成端到端交付。首批结果中 Claude Fable 5.2 质量第一，Gemini 4 Carbon 以约 2.3 个百分点的差距位列第二，但单任务成本约为第一名的六分之一、Token 用量少约 5.7 倍。这一结果说明，头部模型在多模态知识工作上已经比较接近，竞争重点正转向交付质量与调用成本的平衡；对关注办公自动化和智能体落地的团队，MKA 可以作为评估视觉理解与任务交付能力的一项参考，但仍需结合自身业务场景和多基准交叉验证。

【相关 FAQ】

问题 1：MKA 基准测试是什么，谷歌为什么联合 Artificial Analysis 推出它？

回答 1：MKA 全称 Multimodal Knowledge Agent（多模态知识智能体）基准，由谷歌与 Artificial Analysis 于 2026 年 11 月 10 日合作发布，用来评估 AI 智能体处理视觉复杂文件、完成端到端专业知识工作的能力。推出它是因为传统知识工作基准大多只考文本，测不出模型看图纸、图表、文档并交付成品的真实水平；Artificial Analysis 作为第三方评测机构参与，保证评测组织和成本统计的独立性。

问题 2：Gemini 4 Carbon 在 MKA 基准测试中取得什么成绩，成本表现如何？

回答 2：Gemini 4 Carbon 在 MKA 多模态知识工作测试中位列第二，Climb-WSR 为 54.3%，Overall WSR 为 71.9%；第一名 Claude Fable 5.2 分别为 56.6% 和 73.3%。Carbon 单任务成本约 5.63 美元，第一名约 35.28 美元，成本约为第一名的六分之一，Token 用量少约 5.7 倍，属于接近头部质量、调用成本明显更低的一档。

问题 3：MKA 基准的任务是怎么设计的，覆盖哪些行业？

回答 3：MKA 与 10 个垂直行业、83 种职业的领域专家合作，构建了 200 项任务，覆盖商业、建筑、教育、工程、金融、医疗、法律与政府、物流与地图、科学、软件与数据。每项任务包含真实工作提示词和 .xlsx、.pptx、.pdf、.docx、.html、.png 等多模态输入文件，资深专业人员通常需要 3—8 小时完成，评分采用专家加权规则和沙箱智能体自动评分器。

问题 4：MKA 里的 WSR 和 Climb-WSR 分别是什么意思？

回答 4：WSR 是 Weighted Satisfaction Rate（加权满意度），衡量交付物按专家规则加权后的总体达标率；Climb-WSR 则针对尚未被前代模型饱和的前沿标准打分，用来区分头部模型之间的细微差距。MKA 同时公布总体 WSR 和 Climb-WSR，自动评分器与人类专家在 96.2% 的标准判断上一致（Cohen's κ = 0.91）。

问题 5：除了 MKA，Gemini 4 Carbon 在其他评测上表现如何？

回答 5：Gemini 4 Carbon 在 Artificial Analysis 智能指数 v5 上以 59 分排名第一，编码智能体指数排名第二、仅次于 Claude Opus 5.5，并在部分科学推理、幻觉控制和自动化评测上处于领先。需要注意的是，MKA 是多模态知识工作专项基准，Carbon 在该榜单排第二，不能等同于它在所有评测中都拿第一。

问题 6：企业参考 MKA 结果选型时，应该怎么看待质量和成本？

回答 6：建议把质量排位和单任务成本放在一起评估：Carbon 与第一名质量差距约 2 个百分点，但成本约为六分之一，适合对调用预算敏感、任务量较大的场景；如果更看重极限交付质量，可再对照第一名模型。同时要考虑推理档位、上下文长度、缓存命中率和自身文件类型，MKA 结果只是参考之一，应结合编码、自动化、幻觉率等其他基准和实际业务测试综合判断。

【参考资料】

• [2026-11-14]（谷歌六周连发三款大模型，压力给到 OpenAI）上游财经（今日头条）
• [2026-11-11]（谷歌联合 Artificial Analysis 推出 MKA 基准测试：Gemini 4 Carbon 多模态知识工作测试获第二，任务成本仅为第一名六分之一）IT 之家（今日头条）
• [2026-11-11]（谷歌最强 AI「碳」全球解禁，再现人类首次登月）36 氪（今日头条）
• [2026-11-11]（IT 之家：谷歌联合 Artificial Analysis 推出 MKA 基准，Gemini 4 Carbon 获第二）微博
• [2026-11-10]（Introducing the Multimodal Knowledge Agent benchmark）Google The Keyword
• [2026-11-10]（Gemini 4 Carbon is now available）Google The Keyword
• [2026-10-29]（刚刚，Gemini 4 Carbon 发布，谷歌重回世界第一）36 氪
• [2026-10-28]（Gemini 4 Carbon is the new #1 on the Artificial Analysis Intelligence Index v5）Artificial Analysis
• [2026-10-28]（Introducing Gemini 4 Carbon）Google The Keyword
• [论文]（MKA: Evaluating Multimodal Knowledge Agents on end-to-end professional tasks）Google DeepMind 技术论文

【免责声明】

本文内容基于谷歌官方博客、Artificial Analysis 公开页面、技术论文及媒体报道整理，仅用于技术资讯与科普参考，不构成任何模型选型、采购或投资建议。文中榜单排位、WSR 分数、单任务成本、Token 倍数和定价均来自公开披露口径，评测结果与特定模型版本、推理档位、任务集和统计条件相关，后续可能随模型更新和榜单迭代发生变化。实际业务表现需以企业自有场景测试和官方最新文档为准。