كسر Gemini 4 Carbon ذراع الروبوت: ماذا يقول تشغيل مختبري استمر 7 ساعات و33 دقيقة قبل أن تصدر النتيجة

لا توجد نتيجة بعد. هذا أول ما ينبغي فهمه بشأن نتيجة Gemini 4 Carbon في مجال الروبوتات، ومعظم ما تبقى في هذا المقال يتبع من ذلك. ما هو موجود، حتى 13 نوفمبر 2026، منشور واحد من Artificial Analysis في 12 نوفمبر يقول إن Gemini 4 Carbon قضى 7 ساعات و33 دقيقة داخل مختبر AA-Robotics v0.1، "يضرب الذراع بشدة حتى كسر قابضًا"، مع ملاحظة إضافية بأن المختبر منحه إعادة محاولة في تلك المحاولة. أما لوحة الصدارة الخاصة بالنماذج الخمسة المنشورة في 14 أكتوبر فلا تزال تسرد الصفوف الخمسة نفسها التي كانت تسردها حينها — GPT-6 Astra 69.4، GPT-6.1 Sol 64.6، Gemini 4 Argon 55.3، Claude Opus 5.5 48.8، Claude Fable 5.1 46.3 — وليس Gemini 4 Carbon بينها. لا إجمالي، ولا تفصيل حسب المهمة، ولا معدل إمساك، ولا فاتورة.

فاعتبروا هذا إشارة مبكرة لا نتيجة: مدة، وعطل في العتاد، وإعادة محاولة واحدة، من المختبر الذي يملك المعيار، ونُشرت قبل أن يُحدَّث جدوله الخاص. وكل ما يلي بعد هذه الحقائق الثلاث هو استنتاج، موسوم على هذا الأساس. السبب في أنه لا يزال يستحق القراءة الآن هو أن سلف Carbon، وهو Gemini 4 Argon، أبطأ طراز في ذلك المختبر بفارق كبير، وأن 7 ساعات و33 دقيقة تكاد تتطابق تمامًا مع رقم Argon — مما يجعل المدة قابلة للقراءة حتى من دون درجة.

الرقم العام الوحيد هو ساعة

تصف Artificial Analysis منصة AA-Robotics بأنها تقيس "مدى فهم نماذج اللغة، وتخطيطها، وتصرفها في العالم المادي عبر التحكم بذراع روبوتية". ويتكوّن الجهاز من ذراع Hiwonder NexArm ذات 6 محاور بخمسة مفاصل وقابض، تراقبها أربع كاميرات — ثلاث على الطاولة وواحدة على المعصم — عبر ثماني مهام على سطح المكتب: الضغط على زر أحمر، ووضع لعبة تمساح داخل مستطيل، وسكب مشروب في كوب، وترتيب المكعبات في صندوق بما في ذلك غطاؤه، وإكمال لوحة مطابقة الأشكال، وكتابة "hello world"، وبناء أعلى برج من الإسفنج، وقياس صندوق بدقة تصل إلى 2 مم لكل بُعد. تكون المحاولات دون أمثلة مسبقة (zero-shot)، وتُقيَّم كل منها من 0 إلى 100 مع منح درجات جزئية. وتُشغَّل النماذج عبر أدوات الترميز الخاصة بها بجهد مرتفع — Codex لنماذج GPT، وClaude Code لـ Claude، وAntigravity لـ Gemini — وعليها كتابة شيفرة Python التي تخطط الحركة وتنفذها بنفسها.

في مقابل ذلك، نقطة بيانات Carbon رقيقة عمدًا. سبع ساعات وثلاث وثلاثون دقيقة تساوي 453 دقيقة. ولم يُذكر ما إذا كان ذلك يغطي المهام الثماني جميعها، أو ما إذا كان يتضمن المحاولة المُعاد تنفيذها، أو ما كلّفه التشغيل. أي شخص يستشهد بها كرقم أداء إنما يقرأ ساعة إيقاف كأنها لوحة نتائج.

ما يقوله بشكل لا لبس فيه هو أن Carbon خضع للتجربة في المختبر، وأن المعدات لم تنجُ سليمة. وتوثّق منشورة المعيار نفسه عشرات من أنماط الفشل — قبضات فارغة، وزجاجات سقطت، ومكعبات دُفعت عن الطاولة، وقلم جرى اختباره على الصفحة نفسها — ولا واحدة منها مِقبض مكسور. أما تدمير العتاد فهو فئة لم يضطر تقرير أكتوبر إلى وصفها، لأن أياً من النماذج الخمسة الواردة فيه لم يُنتج حالة منها.

سبع ساعات وثلاث وثلاثون، بالقياس إلى الأرجون

تكتسب مسألة خط الأساس أهمية أكبر من المعتاد هنا، لأن المقارنة واضحة على نحو غير معتاد. نشرت Artificial Analysis أوقات التشغيل الإجمالية لكل من نماذج أكتوبر الخمسة: GPT-6 Astra 242 دقيقة، وGPT-6.1 Sol 224، وClaude Opus 5.5 253، وClaude Fable 5.1 249، وGemini 4 Argon 419. تقع مدة 453 دقيقة الخاصة بـ Carbon أعلى من Argon بمقدار 34 دقيقة — أي أطول بنحو 8% — وأعلى بنحو 200 دقيقة من النماذج الأربعة غير Gemini، التي تتجمّع ضمن نطاق يتراوح بين 224 و253 دقيقة.

• الوتيرة لكل مهمة، إذا شملت الجلسة المهام الثماني كلها — Carbon حوالي 56.6 دقيقة لكل مهمة مقابل 52.4 لـ Argon، و30.3 لـ Astra، و28 لـ Sol.

• مقارنةً بإنسان — يقدّر AA زمن الأشخاص بنحو 20 ثانية لكل مهمة، لذا فإن 453 دقيقة موزعة على ثماني مهام تعني بطئًا بنحو 170 مرة مقارنةً بشخص يؤدّي العمل نفسه على الطاولة.

• حصة الوقت المستغرق في التخطيط — كان توزيع Argon هو 42% للفهم، و45% للتخطيط، و6% للكاميرات، و6% للذراع. أما Astra وSol فقد عكسا ذلك، إذ أمضيا 13% من التشغيل في حركة الذراع الفعلية والنسبة الأكبر في التخطيط.

هذا السطر الأخير هو حيث يصبح القابض المكسور مثيرًا للاهتمام بدلًا من كونه مضحكًا. في بيانات أكتوبر، أمضى النموذجان الأعلى تسجيلًا (أسترا عند 69.4 وسول عند 64.6) أقل وقت في فهم المشهد وأكثر وقت في التخطيط؛ أما أرغون، الأبطأ والثالث في الترتيب، فقد أمضى 42% من تشغيله في مجرد النظر. النموذج الذي يتأنى مدة أطول ثم يتلف العتاد لا يعرض الفشل نفسه الذي وصفه جدار أخطاء أكتوبر. الجدار مليء بنماذج أخطأت في تقدير الحالة — «يُبلِغ أن الغطاء مستوٍ ومحاذٍ بينما هو مستقر على وتد»، «يحتسب سداسيًا أصفر مائلًا على أنه موضوع». تلك أخطاء إدراك وتقييم ذاتي. ضرب ذراع بعنف حتى ينكسر القابض هو خطأ في سلطة الأوامر: فقد طلب النموذج من العتاد شيئًا لا يستطيع العتاد تحمله. أما هل فعل كربون ذلك بالاندفاع إلى حد تصادم، أو بتطبيق عزم مفرط على قبضة، أو بمجرد تكرار حركة سبق أن أُخبر بأنها فشلت، فلم تقل AA، ولا يحسم الأمر المقطع المصور البالغ 11 ثانية المرفق بالمنشور.

إعادة المحاولة هي المسألة المنهجية، وليست حاشية.

«لقد منحناه إعادة محاولة في تلك الحالة» هو نصف الجملة الأكثر أثرًا في المنشور، ويستحق تدقيقًا أعمق من المقبض المكسور. تقوم AA-Robotics على محاولات zero-shot — ومنشور أكتوبر يقول ذلك صراحةً، وجوهر أي اختبار بدني قائم على zero-shot أن يحصل النموذج على محاولة واحدة، كما يفعل الإنسان. منح إعادة محاولة بعد عطل في المعدات أمر قابل للدفاع عنه: فالمقبض المكسور مشكلة المختبر، وليس مقياسًا لتخطيط النموذج، واحتساب المحاولة المدمَّرة صفرًا سيعاقب هشاشة الجهاز.

لكن هذا يخلق مشكلة في قابلية المقارنة سيتعين على النتيجة النهائية أن تجيب عنها. إذا أُلغيت محاولة واحدة بالضبط وأعيد تشغيلها، فإن الإجمالي يكون قابلاً للمقارنة مع الأرقام الخمسة الأخرى وتكون إعادة المحاولة مجرد حاشية. أما إذا مُنحت إعادة المحاولة أكثر من مرة، أو مُنحت فقط في المهام التي كان فيها Carbon قد فشل بالفعل لأسباب تخص النموذج، فإن الرقم الذي سيظهر على لوحة الصدارة لن يعني ما تعنيه الأرقام الخمسة الأخرى. الشيء الصادق الذي ينبغي البحث عنه عند تحديث الجدول هو سطر يوضح عدد المحاولات التي أُلغيت، وفي أي مهمة، ووفق أي معيار — بالطريقة نفسها التي وثّقت بها تدوينة أكتوبر أن عينة grasp لدى Argon كانت n=75 مقابل n=95 لدى Astra.

ثمة مشكلة قياس ثانية أقل ضجيجًا. توقيتات Argon في منشور أكتوبر هي تقديرات صريحة: فـAntigravity، إطار Gemini، لا يضع طوابع زمنية للخطوات، لذا استوفت AA/استنتجتها بالرموز بين أوامر arm الموقوتة. ويعمل Carbon في الإطار نفسه. وإذا كانت قيمة السبع ساعات قد قيست بالطريقة نفسها، فهي غير قابلة للمقارنة مباشرة بأعداد الدقائق التي أنتجها Codex وClaude Code — والفارق البالغ 34 دقيقة عن Argon يقع بأريحية ضمن هامش الخطأ الذي قد يُدخله أسلوب الاستيفاء بالرموز على تشغيل يستغرق 453 دقيقة. وهذا لا يجعل المدة بلا معنى. بل يجعل عبارة "Carbon أبطأ من Argon بنسبة 8%" ادعاءً لا تدعمه البيانات، حتى وإن كانت عبارة "استغرق Carbon وقتًا طويلًا جدًا" آمنة.

ما الذي سيتوقعه ملف Carbon النصي

لا شيء من هذا مفاجئ مقارنةً بالسلوك المنشور لـ Carbon، وهو الجزء الذي يمكننا التحقق منه بشكل مستقل. على مؤشر v5 لدى Artificial Analysis، يحصل النموذج على 60، أي الرابع من 78، وملفه هو ملف مُستدِلّ متأنٍّ ومسهب بدلاً من كونه سريعًا: 28.4 دقيقة لكل مهمة مقابل وسيط قدره 13.0 دقيقة، و72 رمز إخراج في الثانية، و64.71 ثانية حتى أول رمز إجابة، و205 ملايين رمز إخراج عبر المؤشر — وصفته AA بأنه «شديد الإسهاب» مقابل وسيط قدره 72.8 مليون. كما يكلف 5.48 دولارات لكل مهمة في المؤشر، ويحتل المرتبة 59 من 77 في كفاءة التكلفة.

اقرأ هذه معًا، وستكون لنتيجة المختبر ملامح قبل أن تصل الدرجة. نموذج يقضي دقيقة قبل أول رمز له على موجّه نصي، ويُخرج ما يقارب ثلاثة أضعاف الحجم الوسيط، واستغرق بالفعل 28 دقيقة لكل مهمة في اختبار ثابت، لن يكون سريعًا في حلقة تتطلب فيها كل خطوة قراءة أربع بثّات كاميرا ثم كتابة كود الحركة. رقم السبع ساعات هو ما يبدو عليه الملف النصي لـ Carbon عندما يُوصَل بذراع روبوت. وما إذا كان ذلك التروّي قد أنتج تلاعبًا أفضل هو بالضبط ما ستخبرنا به الدرجة المفقودة، والقابض المكسور على الأقل دليل ضعيف على أن مزيدًا من التفكير لم يترجم إلى تصرف ألطف.

ما تكلفة جولة كهذه، ولماذا يهم التقويم

التكلفة لكل مهمة هي الرقم الذي لم تنشره AA بشأن Carbon، والتخمين سيكون بلا قيمة لأن الفارق القائم هائل: تشغيل GPT-6 Astra الذي استغرق 242 دقيقة كلّف 16.36 دولارًا لكل مهمة، وGPT-6.1 Sol كلّف 1.93 دولار — فجوة مقدارها 8.5 أضعاف بين نموذجين من المورّد نفسه ينفذان المهام الثماني نفسها. عبر ثماني مهام، يمثل ذلك نحو 131 دولارًا مقابل 15 دولارًا. وذهب نحو 70% من الإنفاق إلى المدخلات والسياق لا إلى المخرجات، وهو ما تفعله أربع تغذيات كاميرا وسجل نصي متنامٍ بفاتورة الرموز. Carbon أكثر إسهابًا من كليهما في النصوص، لذا إن كان هناك شيء فإن رقمه لكل مهمة ينبغي أن يكون مرتفعًا — لكن ذلك تنبؤ، وليس رقمًا، والاستخدام الصادق الوحيد له هو كنطاق للميزانية لا كاقتباس سعري.

التقويم هو الجزء الذي يمكنك العمل عليه. تبلغ تكلفة Carbon 2 دولار لكل مليون توكن إدخال و10 دولارات لكل مليون توكن إخراج حتى 30 نوفمبر 2026؛ وفي 1 ديسمبر تصبح 4 دولارات و20 دولارًا مع بقاء النموذج دون تغيير. تنتقل المدخلات المخزنة مؤقتًا من 0.10 دولار إلى 0.20 دولار، ويعمل batch وflex بنصف السعر، وpriority عند 1.8 ضعف المعيار. أي حلقة وكيلية طويلة من النوع الذي أجراه AA للتو تتكون في معظمها من سياق مخزن مؤقتًا وإطارات كاميرا متكررة، ما يعني أن عبء عمل على طراز الروبوتات هو بالضبط الشكل الذي يستفيد أكثر من السعر الحالي ويتضرر أكثر بعده. إعادة تشغيل هذه التجربة في ديسمبر تكلف ضعف ما تكلفه هذا الأسبوع.

كيف تقرأ الرقم عندما يهبط

عندما تحدّث AA الجدول، تحدد ثلاثة أمور ما إذا كان Carbon خطوة إلى الأمام أو Argon آخر.

• النتيجة المجمّعة مقابل 55.3 — نتيجة Argon. إن جاء نموذج Gemini عند مستوى سلفه أو أدنى منه، بعد إصدار واحد فقط، فسيحوّل قصة الروبوتات لدى هذه العائلة إلى قصة عن زمن تأخير إطار الاختبار بدلًا من القدرة.

• نسبة نجاح الإمساك مقابل نطاق 28 إلى 45%: Astra 45% (n=95)، Fable 44% (n=89)، Opus 40% (n=100)، Argon 36% (n=75)، Sol 28% (n=111). هذا هو المقياس الذي يرصد نموذجًا يكسر القوابض، لأن الأمر الذي يتلف العتاد والإمساك الذي يخطئ الجسم ينبعان من الغياب نفسه للتغذية الراجعة للقوة.

• ملف الأداء لكل مهمة، مهمة بمهمة. كان ملف Argon هو 100، 100، 100، 40، 0، 45، 57، 0 على الزر، والتمساح، والصب، والترتيب، والأشكال، والكتابة، والبرج، والقياس. مهمة قياس الصندوق هي التي لا يحلها أحد: Astra 0، وArgon 0، وFable 0، ولم يسجل سوى Sol وOpus 17. إن تفاوتًا مقداره 2 مم عبر ثلاثة أبعاد هو مهمة دقة، والدقة هي المجال الذي ينبغي أن يظهر فيه أسوأ أداء لدى نموذج يرطم ذراعًا.

ثمة أيضًا سؤال مشروع حول ما يقيسه هذا المعيار فعلاً. فقد شُغّل Carbon داخل Antigravity بجهد مرتفع، كما فعل Argon. وجلسة مدتها 7.5 ساعات هي اختبار مشترك لتخطيط النموذج ولقدرة إطار التشغيل على الحفاظ على تماسك حلقة طويلة — وقد أظهرت بيانات أكتوبر بالفعل آثارًا على شكل إطار التشغيل، من إجراء Argon الأول الذي استغرق 25 دقيقة إلى عشر دقائق من الدراسة التي أجراها Fable قبل أن يلمس أي شيء. وستُقتبس نتيجة Carbon كرقم خاص بالنموذج بغض النظر عن ذلك. وهي رقم يعود جزئيًا على الأقل إلى حلقة الوكيل.

إذا كنت تريد إعادة إجراء التجربة بدلاً من الانتظار

الشيء المفيد في اختبار مرجعي عام على عتاد عام هو أن النتيجة ليست الطريقة الوحيدة للتعلّم منه. أصبح Carbon قابلاً للاستدعاء الآن — فقد أتاحت Google gemini-4-carbon للاستخدام العام على Gemini API المدفوع في 10 نوفمبر 2026، بعد الإعلان عنه لمجموعة مغلقة من المدافعين السيبرانيين في 28 أكتوبر — وهو متاح على OrcaRouter باسم google/gemini-4-carbon بالسعر التمهيدي نفسه لدى Google البالغ $2/$10، على نقطة النهاية نفسها المتوافقة مع OpenAI، مثل النماذج الأخرى التي يزيد عددها على 200 المتاحة على المفتاح. ولأننا نمرر سعر قائمة المزوّد كما هو مع هامش ربح نسبته 0%، فإن إعادة التسعير في 1 ديسمبر تسري علينا في اليوم الذي تطبّقها فيه Google، بدلاً من بعد دورة إعادة بيع.

ملاحظتان عمليتان قبل أن يوجّه أي شخص نموذجًا جديدًا إلى عتاد مكلف. أولًا، نقطة نهاية الأسبوع الأول ليست نقطة نهاية إنتاجية: أرقامنا المجمّعة الخاصة لـ google/gemini-4-carbon تقرأ حاليًا معدل خطأ 30.2% وزمنًا p50 لاستجابة أول رمز مميز قدره 6.89 ثانية خلال الأيام السبعة الماضية، مقيسة عبر مسار المزوّد الذي نوجّه عبره. هذا طبيعي لنموذج مضى ثلاثة أيام على توفره العام، وهو أيضًا بالضبط سبب عدم ترميز نقطة نهاية واحدة بشكل ثابت داخل حلقة تعمل سبع ساعات — فالتبديل التلقائي عند الفشل بين المزوّدين هو ما يمنع جلسة وكيلية طويلة من الموت في الساعة الرابعة. ثانيًا، تتيح لك لغة التوجيه DSL إبقاء نموذج رخيص في الحلقة للخطوات التي لا تحتاج إلى Carbon، وهذا مهم عند 453 دقيقة: معظم تلك الجلسة كان في قراءة الإطارات وإعادة التخطيط، وليس في اتخاذ أي قرارات صعبة.

ما سيغيّر هذه القراءة ليس مقطعًا أفضل للذراع، بل أن تنشر AA نتيجةً موثّقًا فيها المحاولات الملغاة، ومعدل إمساك إلى جانب المعدلات الخمسة الأخرى. حتى ذلك الحين، يظل الملخص الدقيق ضيقًا: Gemini 4 Carbon هو أول طراز في ذلك المختبر يكلّف المختبر قطعة من العتاد، وقد استغرق وقتًا أطول من أي شيء قاسه المختبر باستثناء سلفه، أما إعادة المحاولة التي تلتها فهي تفصيل سيتعيّن على الرقم النهائي أن يحمله. منشور 12 نوفمبر نقطة بيانات حقيقية عن كيفية تصرف هذا الطراز عندما تُمنح له أيدٍ. لكنه ليس بعد نتيجةً عن مدى جودته في استخدامها.