Gemini 4 Carbon hat den Roboterarm zerbrochen: Was ein 7 Stunden 33 Minuten dauernder Laborlauf aussagt, bevor der Score existiert

Es gibt noch keine Punktzahl. Das ist das Erste, was man über das Robotik-Ergebnis von Gemini 4 Carbon verstehen muss, und fast alles andere in diesem Beitrag folgt daraus. Was es, Stand 13. November 2026, gibt, ist ein einzelner Beitrag von Artificial Analysis vom 12. November, der besagt, dass Gemini 4 Carbon 7 Stunden und 33 Minuten im AA-Robotics v0.1-Labor verbrachte und „den Arm so sehr herumprügelte, dass ein Greifer kaputtging“, mit der zusätzlichen Anmerkung, dass das Labor ihm bei diesem Versuch einen erneuten Versuch gewährte. Die am 14. Oktober veröffentlichte Fünf-Modell-Bestenliste führt noch immer dieselben fünf Zeilen auf, die sie damals aufführte — 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 — und Carbon ist nicht darunter. Kein Aggregat, keine Aufschlüsselung nach Aufgaben, keine Greifrate, keine Rechnung.

Das sollte man daher eher als frühes Signal denn als Ergebnis behandeln: eine Dauer, ein Hardwarefehler und ein Wiederholungsversuch, aus dem Labor, dem der Benchmark gehört, veröffentlicht, bevor die eigene Tabelle aktualisiert wurde. Alles, was darüber hinaus über diese drei Fakten hinausgeht, ist eine Schlussfolgerung und als solche gekennzeichnet. Der Grund, warum es sich trotzdem noch lohnt, das jetzt zu lesen, ist, dass Carbons Vorgänger Gemini 4 Argon das mit großem Abstand langsamste Modell in diesem Labor ist und 7 Stunden 33 Minuten fast exakt auf Argons Wert treffen – was die Dauer auch ohne Punktzahl deutbar macht.

Die einzige öffentlich sichtbare Zahl ist eine Uhr

Artificial Analysis beschreibt AA-Robotics als Messung dafür, „wie gut Sprachmodelle die physische Welt verstehen, planen und in ihr handeln, indem sie einen Roboterarm steuern“. Der Aufbau ist ein 6-achsiger Hiwonder NexArm mit fünf Gelenken und einem Greifer, überwacht von vier Kameras – drei auf dem Tisch, eine am Handgelenk – bei acht Tischaufgaben: eine rote Taste drücken, ein Krokodilspielzeug in ein Rechteck legen, ein Getränk in eine Tasse gießen, Blöcke samt Deckel in eine Kiste aufräumen, ein Formzuordnungsbrett fertigstellen, „hello world“ schreiben, den höchsten Schaumstoffturm bauen und eine Kiste mit einer Genauigkeit von 2 mm pro Dimension messen. Die Versuche erfolgen Zero-Shot, jeder wird mit 0 bis 100 Punkten bewertet, wobei Teilpunkte möglich sind. Die Modelle werden über ihre eigenen Coding-Harnesses mit hohem Aufwand eingesetzt – Codex für die GPT-Modelle, Claude Code für Claude, Antigravity für Gemini – und müssen selbst den Python-Code schreiben, der die Bewegung plant und ausführt.

Dagegen ist der Carbon-Datenpunkt bewusst dünn. Sieben Stunden dreiunddreißig Minuten sind 453 Minuten. Es wird nicht gesagt, ob das alle acht Aufgaben abdeckt, ob der wiederholte Versuch darin enthalten ist oder was der Lauf gekostet hat. Wer ihn als Leistungskennzahl zitiert, liest eine Stoppuhr als Anzeigetafel.

Was er jedoch unmissverständlich sagt, ist, dass Carbon durch das Labor geschickt wurde und die Ausrüstung nicht unbeschadet überlebte. Die eigene Veröffentlichung des Benchmarks dokumentiert Dutzende Fehlermodi – leere Greifversuche, fallen gelassene Flaschen, vom Tisch geschubste Blöcke, ein Stift, der auf der Seite selbst getestet wurde – und keiner davon ist ein defekter Greifer. Die Zerstörung von Hardware ist eine Kategorie, die der Oktober-Bericht nie beschreiben musste, weil keines der fünf darin enthaltenen Modelle einen solchen Fall hervorbrachte.

Sieben Stunden dreiunddreißig, gemessen an Argon

Die Baseline ist hier wichtiger als sonst, weil der Vergleich ungewöhnlich sauber ist. Artificial Analysis hat die Laufzeiten über die gesamte Lebensdauer für jedes der fünf Oktober-Modelle veröffentlicht: GPT-6 Astra 242 Minuten, GPT-6.1 Sol 224, Claude Opus 5.5 253, Claude Fable 5.1 249 und Gemini 4 Argon 419. Carbons 453 Minuten liegen 34 Minuten über Argon – etwa 8 % länger – und rund 200 Minuten über den vier Nicht-Gemini-Modellen, die sich in einem Band von 224 bis 253 Minuten gruppieren.

• Tempo pro Aufgabe, wenn die Sitzung alle acht Aufgaben umfasste — Carbon etwa 56,6 Minuten pro Aufgabe gegenüber 52,4 bei Argon, 30,3 bei Astra und 28 bei Sol.

Gegenüber einem Menschen — AA veranschlagt für Menschen etwa 20 Sekunden pro Aufgabe, sodass 453 Minuten über acht Aufgaben hinweg etwa 170-mal langsamer sind als eine Person, die dieselbe Tabletop-Arbeit erledigt.

• Anteil der Laufzeit, der für Planung aufgewendet wurde — Argons Aufteilung lag bei 42 % Verständnis, 45 % Planung, 6 % Kameras und 6 % Arm. Astra und Sol kehrten dies um und verbrachten 13 % des Laufs mit tatsächlicher Armbewegung und den Großteil mit Planung.

Bei dieser letzten Zeile wird der kaputte Greifer interessant statt lustig. In den Oktoberdaten verbrachten die beiden Modelle mit den höchsten Punktzahlen (Astra mit 69,4 und Sol mit 64,6) die wenigste Zeit damit, die Szene zu verstehen, und die meiste Zeit mit Planen; Argon, das langsamste und drittbeste, verbrachte 42 % seiner Laufzeit nur mit Schauen. Ein Modell, das länger abwägt und dann die Hardware beschädigt, zeigt nicht denselben Fehler, den die Oktober-Fehlerwand beschrieben hat. Die Wand ist voll von Modellen, die den Zustand falsch eingeschätzt haben – „meldet den Deckel als eben und ausgerichtet, während er auf einem Keil aufliegt“, „zählt ein gekipptes gelbes Sechseck als platziert“. Das sind Wahrnehmungs- und Selbsteinschätzungsfehler. Auf einen Arm einzuschlagen, bis ein Greifer bricht, ist ein Fehler der Befehlsautorität: Das Modell verlangte von der Hardware etwas, das die Hardware nicht verkraften konnte. Ob Carbon das getan hat, indem es in eine Kollisionsgrenze hineinfuhr, einen Griff mit zu hohem Drehmoment beaufschlagte oder einfach eine Bewegung wiederholte, von der ihm bereits gesagt worden war, dass sie fehlgeschlagen ist, hat AA nicht gesagt, und der an den Beitrag angehängte 11-Sekunden-Clip klärt es nicht.

Der Wiederholungsversuch ist die methodologische Frage, nicht eine Fußnote.

„Wir haben es bei diesem einen noch einmal versucht“ ist der folgenreichste Halbsatz im Beitrag, und er verdient mehr kritische Prüfung als der kaputte Greifer. AA-Robotics baut auf Zero-Shot-Versuchen auf — die Oktober-Veröffentlichung sagt das ausdrücklich, und der ganze Sinn eines physischen Zero-Shot-Benchmarks besteht darin, dass das Modell einen einzigen Versuch bekommt, so wie ein Mensch. Nach einem Geräteausfall einen erneuten Versuch zu gewähren, ist vertretbar: Ein abgebrochener Greifer ist das Problem des Labors, kein Maß für die Planungsfähigkeit des Modells, und den zerstörten Versuch als Null zu werten, würde die Fragilität des Versuchsaufbaus bestrafen.

Aber es schafft ein Vergleichbarkeitsproblem, das die endgültige Punktzahl beantworten muss. Wenn genau ein Versuch für ungültig erklärt und wiederholt wurde, ist die Gesamtauswertung mit den anderen fünf vergleichbar, und die Wiederholung ist eine Fußnote. Wenn die Wiederholung mehr als einmal gewährt wurde oder nur bei Aufgaben, bei denen Carbon bereits aus modellseitigen Gründen gescheitert war, wird die Zahl, die auf dem Leaderboard landet, nicht dasselbe bedeuten wie die anderen fünf Zahlen. Worauf man bei der Aktualisierung der Tabelle ehrlicherweise achten sollte, ist eine Zeile, die angibt, wie viele Versuche für ungültig erklärt wurden, bei welcher Aufgabe und nach welchem Kriterium — so wie der Oktober-Beitrag dokumentierte, dass Argons Greifstichprobe n=75 gegenüber Astras n=95 betrug.

Es gibt ein zweites, weniger offensichtliches Messproblem. Die Zeitangaben zu Argon in der Oktober-Veröffentlichung sind ausdrücklich Schätzungen: Antigravity, das Gemini-Harness, versieht die Schritte nicht mit Zeitstempeln, daher hat AA sie anhand der Tokens zwischen zeitlich erfassten Arm-Kommandos interpoliert. Carbon läuft im selben Harness. Wenn der Wert von 7 Stunden auf dieselbe Weise gemessen wurde, ist er nicht direkt mit den Minutenwerten vergleichbar, die von Codex und Claude Code erzeugt werden – und der 34-Minuten-Abstand gegenüber Argon liegt deutlich innerhalb des Fehlers, den eine Token-Interpolationsmethode bei einem 453-minütigen Lauf verursachen könnte. Das macht die Dauer nicht bedeutungslos. Es macht „Carbon ist 8 % langsamer als Argon“ zu einer Aussage, die von den Daten nicht gestützt wird, auch wenn „Carbon hat sehr lange gedauert“ unbedenklich ist.

Was das Textprofil von Carbon vorhersagen würde

Nichts davon ist überraschend angesichts von Carbons veröffentlichtem Verhalten, dem Teil, den wir unabhängig überprüfen können. Im v5-Index von Artificial Analysis erzielt das Modell 60 Punkte, den vierten Platz von 78, und sein Profil ist das eines bedächtigen, wortreichen Reasoners statt eines schnellen: 28,4 Minuten pro Aufgabe gegenüber einem Median von 13,0 Minuten, 72 Ausgabe-Token pro Sekunde, 64,71 Sekunden bis zum ersten Antwort-Token und 205 Millionen Ausgabe-Token über den gesamten Index hinweg – von AA als „sehr wortreich“ beschrieben, gegenüber einem Median von 72,8 Millionen. Außerdem kostet es 5,48 US-Dollar pro Indexaufgabe und rangiert bei der Kosteneffizienz auf Platz 59 von 77.

Liest man diese zusammen, hat das Laborergebnis eine Gestalt, bevor die Punktzahl eintrifft. Ein Modell, das vor seinem ersten Token bei einem Text-Prompt eine Minute verbringt, fast das Dreifache des Medianvolumens ausgibt und auf einem statischen Benchmark bereits 28 Minuten pro Aufgabe gebraucht hat, wird in einer Schleife, in der jeder Schritt das Lesen von vier Kamerafeeds und anschließend das Schreiben von Bewegungscode erfordert, nicht schnell sein. Die 7-Stunden-Zahl ist, wie das Textprofil von Carbon aussieht, wenn es an einen Roboterarm angeschlossen ist. Ob diese Abwägung bessere Manipulation hervorgebracht hat, ist genau das, was uns die fehlende Punktzahl sagen würde, und der kaputte Greifer ist zumindest ein schwacher Hinweis darauf, dass mehr Nachdenken sich nicht in sanfterem Handeln niederschlug.

Was ein Lauf wie dieser kostet – und warum der Kalender wichtig ist

Die Kosten pro Aufgabe sind die Zahl, die AA für Carbon nicht veröffentlicht hat, und sie zu raten wäre wertlos, weil die bestehende Spannweite enorm ist: GPT-6 Astras 242-minütiger Lauf kostete $16.36 pro Aufgabe, GPT-6.1 Sol kostete $1.93 – eine 8,5-fache Lücke zwischen zwei Modellen desselben Anbieters, die dieselben acht Aufgaben erledigen. Über acht Aufgaben hinweg sind das grob $131 gegenüber $15. Etwa 70 % der Ausgaben entfielen auf Eingabe und Kontext statt auf Ausgabe, was vier Kamerafeeds und ein wachsendes Transkript mit einer Token-Rechnung anrichten. Carbon ist bei Text ausführlicher als beide, also dürfte seine Pro-Aufgabe-Zahl, wenn überhaupt, hoch ausfallen – aber das ist eine Vorhersage, keine Zahl, und der einzig ehrliche Umgang damit ist der als Budgetierungsspanne statt als Angebot.

Der Kalender ist der Teil, auf den Sie Einfluss nehmen können. Carbon liegt bis zum 30. November 2026 bei 2 US-Dollar pro Million Eingabe- und 10 US-Dollar pro Million Ausgabe-Tokens; am 1. Dezember werden daraus 4 US-Dollar und 20 US-Dollar, bei unverändertem Modell. Zwischengespeicherte Eingabe-Tokens steigen von 0,10 US-Dollar auf 0,20 US-Dollar, Batch und Flex laufen zum halben Tarif, Priority zum 1,8-Fachen des Standardtarifs. Jede lange agentische Schleife der Art, die AA gerade ausgeführt hat, besteht größtenteils aus zwischengespeichertem Kontext und wiederholten Kamerabildern, was bedeutet, dass eine Arbeitslast im Robotik-Stil genau die Form ist, die am meisten vom aktuellen Tarif profitiert und nach der Änderung am meisten darunter leidet. Dieses Experiment im Dezember erneut auszuführen kostet doppelt so viel wie diese Woche.

Wie die Zahl zu lesen ist, wenn sie landet

Wenn AA die Tabelle aktualisiert, entscheiden drei Dinge darüber, ob Carbon ein Schritt nach vorn oder ein weiteres Argon ist.

• Der Gesamtwert gegenüber 55.3 — Argons Punktzahl. Ein Gemini-Modell, das eine Version später auf oder unter dem Niveau seines eigenen Vorgängers liegt, würde die Robotikgeschichte der Familie zu einer Geschichte über Harness-Latenz statt über Leistungsfähigkeit machen.

• Greiferfolg gegenüber dem 28-bis-45-%-Band: Astra 45 % (n=95), Fable 44 % (n=89), Opus 40 % (n=100), Argon 36 % (n=75), Sol 28 % (n=111). Dies ist die Kennzahl, die ein Modell erfassen würde, das Greifer beschädigt, weil ein Befehl, der Hardware beschädigt, und ein Griff, der das Objekt verfehlt, auf dasselbe Fehlen von Kraftrückmeldung zurückgehen.

• Das Profil pro Aufgabe, Aufgabe für Aufgabe. Argons Werte waren 100, 100, 100, 40, 0, 45, 57, 0 bei Knopf, Krokodil, Eingießen, Aufräumen, Formen, Schreiben, Turm, Messen. Die Aufgabe „Kiste messen“ ist diejenige, die niemand löst: Astra 0, Argon 0, Fable 0, nur Sol und Opus bei 17. Eine Toleranz von 2 mm in drei Dimensionen ist eine Präzisionsaufgabe, und Präzision ist der Bereich, in dem ein Modell, das einen Arm grob herumstößt, am schlechtesten abschneiden sollte.

Es gibt auch die berechtigte Frage, was der Benchmark eigentlich bewertet. Carbon lief in Antigravity mit hohem Aufwand, ebenso wie Argon. Eine 7,5-stündige Sitzung ist ein gemeinsamer Test der Planungsfähigkeit des Modells und der Fähigkeit des Harness, eine lange Schleife kohärent zu halten — und die Oktober-Daten zeigten bereits harnessförmige Artefakte, von Argons 25-minütiger erster Aktion bis zu Fables zehn Minuten Studium, bevor irgendetwas angefasst wurde. Carbons Ergebnis wird unabhängig davon als Modellkennzahl zitiert werden. Es ist zumindest teilweise eine Agent-Loop-Kennzahl.

Wenn Sie das Experiment reproduzieren möchten, anstatt zu warten

Das Praktische an einem öffentlichen Benchmark mit einem öffentlichen Rig ist, dass die Punktzahl nicht der einzige Weg ist, daraus zu lernen. Carbon ist jetzt aufrufbar – Google hat gemini-4-carbon am 10. November 2026 in der kostenpflichtigen Gemini API allgemein verfügbar gemacht, nachdem es am 28. Oktober einer geschlossenen Cyber-Defender-Kohorte angekündigt wurde – und es ist auf OrcaRouter als google/gemini-4-carbon zu Googles eigenem Einführungspreis von $2/$10 verfügbar, am selben OpenAI-kompatiblen Endpunkt wie die anderen über 200 Modelle am Schlüssel. Weil wir den Listenpreis des Anbieters mit 0 % Aufschlag weitergeben, greift die Preisanpassung zum 1. Dezember bei uns an dem Tag, an dem Google sie anwendet, statt erst nach einem Wiederverkaufszyklus.

Zwei praktische Hinweise, bevor jemand ein frisches Modell auf teure Hardware loslässt. Erstens: Ein Endpunkt aus der ersten Woche ist kein Produktionsendpunkt: Unsere eigenen aggregierten Zahlen für google/gemini-4-carbon weisen derzeit eine Fehlerrate von 30,2 % und eine p50-Zeit bis zum ersten Token von 6,89 Sekunden in den letzten sieben Tagen aus, gemessen über den Provider-Pfad, den wir routen. Das ist normal für ein Modell, das seit drei Tagen allgemein verfügbar ist, und genau deshalb sollte man einen Endpunkt nicht fest in eine Schleife verdrahten, die sieben Stunden läuft – automatisches Failover über Provider hinweg ist das, was eine lange agentische Sitzung davor bewahrt, in Stunde vier zu sterben. Zweitens: Mit der Routing-DSL kann man ein günstiges Modell für die Schritte in der Schleife behalten, die Carbon nicht brauchen, was bei 453 Minuten wichtig ist: Der Großteil dieser Sitzung bestand aus dem Lesen von Frames und dem erneuten Planen, nicht aus schwierigen Entscheidungen.

Was diese Einschätzung ändern würde, ist kein besserer Clip des Arms. Es ist, dass AA einen Score veröffentlicht, in dem die annullierten Versuche dokumentiert sind, und eine Greifrate neben den anderen fünf. Bis dahin ist die zutreffende Zusammenfassung eng: Gemini 4 Carbon ist das erste Modell in diesem Labor, das das Labor ein Stück Hardware gekostet hat, es brauchte länger als alles, was das Labor gemessen hat, außer seinem eigenen Vorgänger, und der darauffolgende Wiederholungsversuch ist ein Detail, das die eventuelle Zahl wird tragen müssen. Der Beitrag vom 12. November ist ein echter Datenpunkt dazu, wie sich dieses Modell verhält, wenn ihm Hände gegeben werden. Es ist noch kein Ergebnis darüber, wie gut es sie einsetzt.