Gemini 4 Carbon a cassé le bras robotique : ce que révèle une session de laboratoire de 7 heures et 33 minutes avant même que le score n'existe

Il n’y a pas encore de score. C’est la première chose à comprendre à propos du résultat de Gemini 4 Carbon en robotique, et presque tout le reste dans cet article en découle. Ce qui existe, au 13 novembre 2026, est une seule publication d’Artificial Analysis datée du 12 novembre, indiquant que Gemini 4 Carbon a passé 7 heures et 33 minutes dans le laboratoire AA-Robotics v0.1, « à tellement secouer le bras qu’il a cassé une pince », avec la précision que le laboratoire lui a accordé une nouvelle tentative lors de cet essai. Le classement à cinq modèles publié le 14 octobre présente toujours les mêmes cinq lignes qu’alors — 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 — et Carbon n’y figure pas. Aucun agrégat, aucune ventilation par tâche, aucun taux de préhension, aucune facture.

Considérez donc cela comme un signal précoce plutôt qu’un résultat : une durée, une panne matérielle et une nouvelle tentative, provenant du laboratoire qui possède le benchmark, publiées avant que son propre tableau n’ait été mis à jour. Tout ce qui suit et qui dépasse ces trois faits relève de l’inférence, et est signalé comme tel. La raison pour laquelle cela vaut encore la peine d’être lu maintenant, c’est que le prédécesseur de Carbon, Gemini 4 Argon, est le modèle le plus lent de ce laboratoire, et de loin, et que 7 heures 33 minutes tombe presque exactement sur le chiffre d’Argon — ce qui rend la durée lisible même sans score.

Le seul numéro public est une horloge.

Artificial Analysis décrit AA-Robotics comme mesurant « la capacité des modèles de langage à comprendre, planifier et agir dans le monde physique en contrôlant un bras robotique ». Le banc d’essai est un Hiwonder NexArm à 6 axes doté de cinq articulations et d’une pince, surveillé par quatre caméras — trois sur la table, une au poignet — sur huit tâches de table : appuyer sur un bouton rouge, placer un jouet crocodile dans un rectangle, verser une boisson dans une tasse, ranger des blocs dans une boîte, couvercle inclus, terminer un plateau d’association de formes, écrire « hello world », construire la plus haute tour en mousse et mesurer une boîte à 2 mm près par dimension. Les tentatives sont zero-shot, chacune notée de 0 à 100 avec crédit partiel. Les modèles sont intégrés via leurs propres harnais de codage en mode effort élevé — Codex pour les modèles GPT, Claude Code pour Claude, Antigravity pour Gemini — et doivent écrire eux-mêmes le Python qui planifie et exécute le mouvement.

Face à cela, le point de données Carbon est délibérément mince. Sept heures trente-trois minutes font 453 minutes. Il n’est pas précisé si cela couvre les huit tâches, si cela inclut la tentative relancée, ni ce que l’exécution a coûté. Quiconque le cite comme chiffre de performance lit un chronomètre comme un tableau d’affichage.

Ce qu’il dit, sans ambiguïté, c’est que Carbon a été soumis aux épreuves du laboratoire et que le matériel n’en est pas ressorti intact. La publication du benchmark lui-même documente des dizaines de modes de défaillance — des saisies dans le vide, des bouteilles échappées, des blocs repoussés hors de la table, un stylo testé sur la page elle-même — et aucun d’entre eux n’est un préhenseur cassé. La destruction de matériel est une catégorie que le compte rendu d’octobre n’a jamais eu à décrire, car aucun des cinq modèles qui y figurent n’en a produit une.

Sept heures trente-trois, mesuré par rapport à Argon

La référence compte plus que d’habitude ici, car la comparaison est exceptionnellement nette. Artificial Analysis a publié les temps d’exécution cumulés de chacun des cinq modèles d’octobre : GPT-6 Astra 242 minutes, GPT-6.1 Sol 224, Claude Opus 5.5 253, Claude Fable 5.1 249, et Gemini 4 Argon 419. Les 453 minutes de Carbon se situent 34 minutes au-dessus d’Argon — soit environ 8 % de plus — et à peu près 200 minutes au-dessus des quatre modèles non-Gemini, qui se regroupent dans une fourchette de 224 à 253 minutes.

• Rythme par tâche, si la session couvrait les huit tâches — Carbon environ 56,6 minutes par tâche contre 52,4 pour Argon, 30,3 pour Astra et 28 pour Sol.

• Face à un humain — AA amène les personnes à environ 20 secondes par tâche, donc 453 minutes réparties sur huit tâches représentent environ 170 fois plus de temps qu’une personne effectuant le même travail sur table.

• Part du temps d'horloge consacrée à la planification — La répartition d'Argon était de 42 % pour la compréhension, 45 % pour la planification, 6 % pour les caméras, 6 % pour le bras. Astra et Sol ont inversé cela, consacrant 13 % de l'exécution au mouvement réel du bras et la majorité à la planification.

C'est dans cette dernière ligne que le gripper cassé devient intéressant plutôt que drôle. Dans les données d'octobre, les deux modèles aux meilleurs scores (Astra à 69,4 et Sol à 64,6) ont passé le moins de temps à comprendre la scène et le plus de temps à planifier ; Argon, le plus lent et troisième meilleur, a passé 42 % de son exécution à simplement regarder. Un modèle qui délibère plus longtemps puis endommage le matériel ne présente pas la même défaillance que celle décrite par le mur des erreurs d'octobre. Le mur est plein de modèles qui ont mal évalué l'état — « signale le couvercle à niveau et aligné alors qu'il repose sur une cale », « compte un hexagone jaune incliné comme placé ». Ce sont des erreurs de perception et d'auto-évaluation. Marteler un bras jusqu'à ce qu'un gripper casse est une erreur d'autorité de commande : le modèle a demandé au matériel quelque chose que celui-ci ne pouvait pas encaisser. Que Carbon l'ait fait en fonçant dans une limite de collision, en appliquant un couple excessif à une prise ou en répétant simplement un mouvement dont on lui avait déjà dit qu'il avait échoué, AA ne l'a pas dit, et le clip de 11 secondes joint au billet ne tranche pas la question.

La nouvelle tentative constitue la question méthodologique, non une note de bas de page.

« Nous lui avons accordé une nouvelle tentative, sur celle-là » est la demi-phrase la plus lourde de conséquences de l’article, et elle mérite plus d’examen que le préhenseur cassé. AA-Robotics repose sur des tentatives zero-shot — la publication d’octobre le dit explicitement, et tout l’intérêt d’un benchmark physique zero-shot est que le modèle n’a qu’une seule chance, comme une personne. Accorder une reprise après une défaillance du matériel est défendable : un préhenseur brisé est un problème du laboratoire, pas une mesure de la planification du modèle, et noter la tentative détruite comme un zéro reviendrait à punir la fragilité du banc.

Mais cela crée un problème de comparabilité auquel le score final devra répondre. Si exactement une tentative a été annulée puis relancée, l’agrégat est comparable aux cinq autres et la nouvelle tentative n’est qu’une note de bas de page. Si la nouvelle tentative a été accordée plus d’une fois, ou uniquement sur des tâches où Carbon avait déjà échoué pour des raisons liées au modèle, le chiffre qui apparaîtra au classement ne signifiera pas ce que signifient les cinq autres chiffres. Ce qu’il faut honnêtement rechercher lors de la mise à jour du tableau, c’est une ligne indiquant combien de tentatives ont été annulées, sur quelle tâche et selon quel critère — de la même manière que l’article d’octobre documentait que l’échantillon de préhension d’Argon était n=75 contre n=95 pour Astra.

Il y a un deuxième problème de mesure, plus discret. Les temps mesurés d’Argon dans la publication d’octobre sont explicitement des estimations : Antigravity, le harnais Gemini, n’horodate pas les étapes, si bien qu’AA les a interpolés en fonction des tokens entre des commandes de bras chronométrées. Carbon s’exécute dans le même harnais. Si la valeur de 7 heures a été mesurée de la même manière, elle n’est pas directement comparable aux décomptes en minutes générés par Codex et Claude Code — et l’écart de 34 minutes par rapport à Argon se situe bien dans la marge d’erreur qu’une méthode d’interpolation par tokens pourrait introduire sur une exécution de 453 minutes. Cela ne rend pas la durée dépourvue de sens. Cela fait de « Carbon est 8 % plus lent qu’Argon » une affirmation que les données n’étayent pas, même si « Carbon a pris très longtemps » est sûr.

Ce que prédirait le profil de texte de Carbon

Rien de tout cela n’est surprenant au regard du comportement publié de Carbon, qui est la partie que nous pouvons vérifier indépendamment. Sur l’indice v5 d’Artificial Analysis, le modèle obtient 60, quatrième sur 78, et son profil est celui d’un raisonneur délibéré et verbeux plutôt que rapide : 28,4 minutes par tâche contre une médiane de 13,0 minutes, 72 jetons de sortie par seconde, 64,71 secondes jusqu’au premier jeton de réponse, et 205 millions de jetons de sortie sur l’ensemble de l’indice — décrit par AA comme « très verbeux » contre une médiane de 72,8 millions. Il coûte également 5,48 $ par tâche de l’indice, se classant 59e sur 77 pour l’efficacité des coûts.

Rapprochez ces éléments, et le résultat du laboratoire prend déjà forme avant l’arrivée du score. Un modèle qui met une minute avant son premier token sur un prompt textuel, émet près de trois fois le volume médian et a déjà mis 28 minutes par tâche sur un benchmark statique ne va pas être rapide dans une boucle où chaque étape exige de lire quatre flux de caméras puis d’écrire du code de mouvement. Le chiffre de 7 heures correspond à ce à quoi ressemble le profil textuel de Carbon lorsqu’il est rattaché à un bras robotique. Si cette délibération a produit une meilleure manipulation, c’est exactement ce que le score manquant nous apprendrait, et la pince cassée constitue au moins un faible indice que davantage de réflexion ne s’est pas traduit par une action plus douce.

Ce que coûte une course comme celle-ci, et pourquoi le calendrier compte

Le coût par tâche est le chiffre qu’AA n’a pas publié pour Carbon, et le deviner serait sans valeur, car l’écart existant est énorme : l’exécution de 242 minutes de GPT-6 Astra a coûté 16,36 $ par tâche, celle de GPT-6.1 Sol a coûté 1,93 $ — un écart de 8,5x entre deux modèles du même fournisseur réalisant les mêmes huit tâches. Sur huit tâches, cela représente environ 131 $ contre 15 $. Environ 70 % des dépenses sont allées à l’entrée et au contexte plutôt qu’à la sortie, ce qui est l’effet de quatre flux de caméra et d’une transcription croissante sur une facture de tokens. Carbon est plus verbeux que les deux sur le texte, donc son chiffre par tâche devrait plutôt se situer haut — mais c’est une prédiction, pas un chiffre, et la seule utilisation honnête consiste à s’en servir comme fourchette budgétaire plutôt que comme devis.

Le calendrier est la partie sur laquelle vous pouvez agir. Carbon est à 2 $ par million de tokens d’entrée et 10 $ par million de tokens de sortie jusqu’au 30 novembre 2026 ; le 1er décembre, ces tarifs passeront à 4 $ et 20 $, le modèle restant inchangé. L’entrée mise en cache passe de 0,10 $ à 0,20 $, le batch et flex s’exécutent à la moitié du tarif, priority à 1,8 fois le tarif standard. Toute longue boucle agentique du type de celle qu’AA vient d’exécuter est essentiellement constituée de contexte mis en cache et d’images de caméra répétées, ce qui signifie qu’une charge de travail de type robotique est précisément la forme qui bénéficie le plus du tarif actuel et souffre le plus après. Refaire cette expérience en décembre coûte deux fois ce qu’elle coûte cette semaine.

Comment lire le numéro lorsqu'il tombe

Quand AA met à jour le tableau, trois choses déterminent si Carbon est un pas en avant ou un autre Argon.

• {{1}}Le score agrégé face à 55,3{{/1}} — {{2}}le score d’Argon{{/2}}. Un modèle Gemini égal ou inférieur à son propre prédécesseur, une version plus tard, ferait de l’histoire robotique de la famille une histoire de latence du harnais plutôt que de capacité.

• Réussite de préhension par rapport à la fourchette de 28 à 45 % : Astra 45 % (n=95), Fable 44 % (n=89), Opus 40 % (n=100), Argon 36 % (n=75), Sol 28 % (n=111). C’est la métrique qui permettrait de repérer un modèle qui casse les préhenseurs, car une commande qui endommage le matériel et une prise qui rate l’objet proviennent de la même absence de retour de force.

• Le profil par tâche, tâche par tâche. Celui d’Argon était de 100, 100, 100, 40, 0, 45, 57, 0 pour bouton, crocodile, verser, ranger, formes, écrire, tour, mesurer. La tâche de mesure de la boîte est celle que personne ne résout : Astra 0, Argon 0, Fable 0, seuls Sol et Opus à 17. Une tolérance de 2 mm sur trois dimensions est une tâche de précision, et c’est en précision qu’un modèle qui cogne un bras devrait être le plus mauvais.

Il y a aussi une question légitime sur ce que le benchmark évalue réellement. Carbon a tourné dans Antigravity avec un effort élevé, tout comme Argon. Une session de 7,5 heures est un test conjoint de la planification du modèle et de la capacité du harnais à maintenir la cohérence d'une longue boucle — et les données d'octobre montraient déjà des artefacts façonnés par le harnais, de la première action de 25 minutes d'Argon aux dix minutes d'étude de Fable avant de toucher quoi que ce soit. Le résultat de Carbon sera cité comme un chiffre de modèle quoi qu'il en soit. C'est au moins en partie un chiffre de boucle d'agent.

Si vous souhaitez reproduire l’expérience au lieu d’attendre

Ce qui est utile avec un benchmark public doté d'un banc d'essai public, c'est que le score n'est pas le seul moyen d'en tirer des enseignements. Carbon est désormais appelable — Google a rendugemini-4-carbondisponible en général sur l'API Gemini payante le 10 novembre 2026, après l'avoir annoncé à une cohorte restreinte de cyberdéfenseurs le 28 octobre — et il est disponible sur OrcaRouter sousgoogle/gemini-4-carbonau tarif d'introduction de Google de 2 $/10 $, sur le même point de terminaison compatible OpenAI que les autresplus de 200 modèlesaccessibles avec la clé. Comme nous répercutons le prix catalogue du fournisseur avec0 % de marge, la nouvelle tarification du 1er décembre est répercutée de notre côté le jour même où Google l'applique, plutôt qu'après un cycle de revente.

Deux remarques pratiques avant que quiconque pointe un nouveau modèle vers du matériel coûteux. Premièrement, un point de terminaison de première semaine n'est pas un point de terminaison de production : nos propres chiffres agrégés pour google/gemini-4-carbon affichent actuellement un taux d'erreur de 30,2 % et un temps médian (p50) jusqu'au premier token de 6,89 secondes sur les sept derniers jours, mesurés sur le chemin de fournisseur que nous utilisons pour le routage. C'est normal pour un modèle trois jours après sa disponibilité générale, et c'est aussi exactement pourquoi vous ne devez pas coder en dur un seul point de terminaison dans une boucle qui tourne pendant sept heures — le basculement automatique entre fournisseurs est ce qui empêche une longue session agentique de mourir à la quatrième heure. Deuxièmement, le DSL de routage vous permet de garder un modèle bon marché dans la boucle pour les étapes qui n'ont pas besoin de Carbon, ce qui compte à 453 minutes : l'essentiel de cette session consistait à lire des images et à replanifier, pas à prendre des décisions difficiles.

Ce qui changerait cette lecture, ce n’est pas un meilleur clip du bras. C’est qu’AA publie un score où les tentatives annulées sont documentées, et un taux de préhension à côté des cinq autres. D’ici là, le résumé exact est étroit : Gemini 4 Carbon est le premier modèle de ce laboratoire à lui coûter un élément matériel, il a pris plus de temps que tout ce que le laboratoire a mesuré, hormis son propre prédécesseur, et la nouvelle tentative qui a suivi est un détail que le chiffre final devra intégrer. Le billet du 12 novembre est un véritable point de données sur la façon dont ce modèle se comporte lorsqu’on lui donne des mains. Ce n’est pas encore un résultat sur la qualité de leur utilisation.