Demo Pelican Gemini 4 Carbon, Dibedah: Dua Agen, Pipeline Blender, dan Loop Tinjauan yang Benar-Benar Menutup

Hal paling berguna yang dirilis Google pada 10 November 2026 bukanlah tabel benchmark. Itu adalah burung di atas sepeda. Dalam pos yang sama yang membuat Gemini 4 Carbon tersedia secara umum, Google mendeskripsikan sebuah proses di mana agen-agen Carbon membangun game 3D open-world — Anda menjelajahi kampus Mountain View Google sebagai pelikan yang mengendarai GBike — dengan memodelkan aset di Blender, lalu membangun game browser di Three.js dengan shader WebGL, dengan efek Web Audio prosedural yang dipadukan dengan musik Lyria. Klip yang beredar bersamanya berdurasi sekitar 77 detik. Bagian yang layak Anda perhatikan bukanlah pelikannya. Melainkan bahwa lingkarannya tertutup: sesuatu dalam pipeline itu melihat apa yang telah dirender dan memutuskan apakah hasilnya cukup baik.

Itu klaim yang berbeda dari "model ini pintar." Demo itu dipilih, dan yang ini dipilih oleh vendor. Tetapi demo yang menyertakan peninjau dapat diuji dengan cara yang tidak bisa dilakukan skor benchmark — Anda dapat membaca strukturnya, menghitung perannya, dan bertanya apakah bentuk yang sama akan bertahan dalam pekerjaan Anda sendiri. Jadi ini adalah teardown, bukan artikel peluncuran: apa yang dibangun, bagaimana agen-agen dipisah, apa yang ditunjukkan dan tidak ditunjukkan oleh proses tersebut, dan berapa biaya untuk mengarahkan pola yang sama ke sesuatu yang benar-benar Anda pedulikan.

Apa yang sebenarnya dibangun, dalam urutan pembangunannya

Deskripsi Google luar biasa spesifik mengenai toolchain, dan itulah yang membuatnya layak dibaca sebagai catatan teknik. Proses tersebut memiliki tiga jalur media, dan ketiganya tidak dapat dipertukarkan:

• Aset — subagen memodelkan objek 3D di Blender, dengan mengacu pada referensi yang dihasilkan oleh Omni dan Nano Banana. Ini adalah langkah pemodelan, bukan langkah kode: geometri, material, dan skala dihasilkan dari tahap ini, dan semua tahap berikutnya mewarisi apa pun yang salah darinya.

• Gamenya — dibangun dengan Three.js menggunakan shader WebGL, jadi hasil akhirnya adalah adegan yang dapat dirender di browser, bukan video yang sudah dirender. Shader yang berhasil dikompilasi adalah sinyal keras yang dapat diperiksa mesin, sedangkan "terlihat bagus" bukan.

• Suara — efek Web Audio prosedural yang dipadukan dengan musik Lyria. Ini adalah bagian yang paling sedikit terhubung ke loop tinjauan, dan yang paling mungkin disetel secara manual oleh manusia setelahnya.

Postingan yang sama menempatkan empat hasil build 3D lainnya di sampingnya, dan polanya berulang: pameran Three.js interaktif tentang konstruksi Menara Eiffel 1887–1889 dari foto-foto historis dan pelat teknik; rekonstruksi Three.js dengan 906.000 segitiga atas kantor Platform 37 milik Google yang dibangun dalam sepuluh loop semalam dari tujuh PDF perencanaan City Council; visualisator tekstil dengan pelacakan polar 110 serat; dan fortepiano yang dapat dimainkan dengan fisika escapement 61 tuts. Apa pun yang juga benar, ini bukan satu prompt yang beruntung. Ini adalah serangkaian eksekusi dengan bentuk yang sama.

Dua agen, atau satu agen dengan tiga pekerjaan?

Akun-akun pengamat dan tulisan Google sendiri menggambarkan proses yang sama dari sudut pandang berbeda, dan perbedaannya memberi pelajaran. Ringkasan berbahasa Mandarin yang paling banyak dibagikan, dari @dotey pada 10 November, memecahnya menjadi agen pembangun dan agen peninjau yang memeriksa hasil render-nya sendiri. Penulis aslinya, Vamsi Batchu dari Google AI Studio, membingkai hal yang sama sebagai pelikan yang mengumpulkan chip TPU di sekitar kampus — dan menyebut fitur /swarm dari Google Antigravity, yang menurut Google mengubah satu prompt menjadi "tim agen terkoordinasi yang dapat Anda pantau secara real time."

Postingan Google menetapkan peran bagi Carbon, bukan bagi media: "desain arsitektural, koordinasi, dan audit." Jika dibaca bersama deskripsi observer, bentuknya adalah sebuah builder yang menghasilkan geometri dan kode, serta seorang auditor yang memeriksa output alih-alih sumber. Perbedaan itu lebih penting daripada jumlah agen. Agen yang meninjau diff-nya sendiri memiliki sinyal yang lemah; agen yang meninjau frame yang dirender, shader yang dikompilasi, atau tangkapan layar game yang sedang berjalan memiliki sinyal yang kuat, karena kegagalan terlihat pada artefaknya, bukan diperdebatkan dalam prosa.

Dua catatan jujur soal sumbernya. Pemisahan builder/reviewer berasal dari orang-orang yang mendeskripsikan proses tersebut, bukan dari diagram arsitektur yang dipublikasikan — anggap ini sebagai ringkasan yang setia, bukan spesifikasi. Dan /swarm masih dalam tahap pratinjau di Antigravity, jadi lapisan orkestrasi yang ingin Anda reproduksi belum tersedia secara umum.

Ada juga kendala praktis yang tidak disebutkan siapa pun: aplikasi AI Studio yang ditautkan berada di balik login Google. Saya tidak dapat membuka game itu secara anonim — URL-nya langsung mengalihkan ke accounts.google.com. Jadi "bisa dimainkan di browser Anda" berarti "bisa dimainkan jika Anda punya akun Google dan, untuk aplikasi itu sendiri, sesi AI Studio." Itu hal kecil yang diam-diam dilewatkan oleh seratus repost video tersebut.

Mengapa gim menjadi uji yang lebih sulit daripada SVG yang digantikannya

Prompt pelikan di atas sepeda itu milik Simon Willison, yang telah menjalankannya terhadap hampir setiap rilis model frontier sejak 2024 — mula-mula sebagai satu permintaan SVG, lalu, setelah model-model tidak lagi terbedakan pada SVG datar, sebagai prompt 3D: halaman WebGL, render Blender, sketsa p5.js. Nilai tes ini tidak pernah terletak pada sulitnya menggambar pelikan. Nilainya adalah keluarannya bersifat visual, mandiri, dan dapat langsung dinilai oleh manusia dalam waktu kurang dari satu detik.

Yang dilakukan Carbon adalah mendorong sifat yang sama itu ke tingkat kesulitan yang lebih tinggi. SVG adalah satu artefak dalam satu bahasa. Ini adalah geometri dari satu alat, kode dari alat lain, runtime dari alat ketiga, dan langkah tinjauan yang harus merekonsiliasi ketiganya — yang persis merupakan jenis tugas tempat kerja agen jangka panjang biasanya gagal, bukan pada langkah pertama melainkan pada langkah keempat belas, ketika model telah lupa sistem koordinat mana yang telah ia tetapkan.

Ringkasan Google tentang kemampuan itu tepat, dan menyebutkan mekanismenya: untuk pengembangan aplikasi web, model "menjalankan loop build-and-verify, pulih dari kesalahan, dan memeriksa kode maupun UI yang dirender." Itulah inti triknya, dinyatakan secara gamblang. Variabel yang menarik bukanlah seberapa bagus percobaan pertama. Melainkan berapa kali loop dapat berputar sebelum agen berhenti membaik dan mulai berputar-putar tanpa kemajuan.

Apa yang tidak diceritakan demo kepada Anda

Demo vendor adalah sampel yang dipilih, dan pemilihan itulah inti dari latihan ini. Tiga hal yang tidak dapat dijawabnya:

• Seberapa sering gagal. Kita melihat proses yang selesai. Tidak ada yang mempublikasikan sebelas yang terhenti, dan tidak ada penyebut di mana pun dalam postingan ini.

• Berapa biayanya. Sepuluh loop semalam pada build Platform 37 menyiratkan banyak token dan banyak waktu aktual. Dengan tarif Carbon, itu adalah angka nyata, dan Google tidak memberikannya.

• Apakah model yang lebih murah sudah cukup. Inilah pertanyaan yang seharusnya benar-benar diajukan pembaca, dan demo tersebut secara struktural tidak mampu menjawabnya.

Untuk bagian-bagian yang dapat diukur, Artificial Analysis menjadi pembandingnya, dan angka-angkanya tidak seindah dalam video tersebut. Gemini 4 Carbon pada effort tinggi mencetak 60 pada Intelligence Index v5.0.1 — peringkat keempat dari 74 model, di bawah tiga konfigurasi Claude Fable 5.2 dengan nilai 65, 62, dan 62. Biaya per tugas indeksnya $7.76, menempati peringkat ke-61 dari 73 pada ukuran tersebut, dan model ini mengonsumsi 205 juta output token di seluruh indeks dibandingkan median sekitar 73 juta: model ini verbose, dan harga per token meremehkan biaya beban kerja Carbon. Kecepatan output sekitar 82 token per detik dengan sekitar 67,5 detik hingga token jawaban pertama — cukup cepat per token, tetapi cukup lambat untuk token pertama sehingga terkesan sebagai profil batch-and-wait ketimbang profil kotak obrolan. Pada Coding Agent Index, evaluator yang sama menempatkan Carbon di angka 59 dengan Antigravity CLI, dibandingkan 62 untuk Claude Code dengan Opus 5.5.

Tidak ada dari semua itu yang bertentangan dengan demo. Sebuah model bisa berada di peringkat keempat pada indeks umum, mahal per tugas, dan tetap menjadi model yang menjaga build empat jam tetap utuh — itu semua adalah pengukuran yang berbeda, dan demo adalah bukti untuk hal ketiga, bukan yang pertama. Yang tidak dimilikinya adalah bukti, dan komponen yang hilang dengan biaya termurah adalah yang biasanya disediakan oleh keluarga model ini. Willison menjalankan prompt pelican pada hampir setiap rilis dan memublikasikan hasilnya; pada November 2026, postingan pelican-nya mencakup Claude Fable 5.2 pada lima tingkat penalaran dan Muse Ember pada enam, dan tidak ada kumpulan Carbon di antaranya. Sampai ada yang muncul, demo pelican adalah artefak Google dan bukan milik siapa pun selain Google — build yang dipilih vendor dengan deskripsi yang ditulis vendor, dan tidak ada uji dari luar untuk membandingkan tingkat kegagalannya.

Berapa biaya menjalankan loop yang sama sendiri

Carbon hanya tersedia di tier berbayar Google. Tidak ada jalur gratis: aplikasi AI Studio memerlukan akun Google, API memerlukan penagihan, dan setiap token yang diproses ditagih, termasuk token pemikiran. Kartu tarifnya bersifat pengenalan dan berlaku terbatas waktu:

• Hingga 30 November 2026 — $2,00 per juta token masukan, $10,00 per juta token keluaran.

• Mulai 1 Desember 2026 — $4,00 dan $20,00, pada model yang tidak mengalami perubahan.

• Konteks — 1 juta token, tanpa tingkat harga berdasarkan panjang, sehingga basis kode 900.000 token berbiaya sama per token dengan prompt 2.000 token.

Letakkan verbositas di samping jurang, dan perhitungannya jadi tidak nyaman. Siklus build-dan-review memang berat output secara bawaan: reviewer menulis, builder menulis ulang, dan transkrip bertambah setiap giliran. Beban kerja 100 juta token input dan 20 juta token output ditagih $400 bulan ini — $200 masuk, $200 keluar — dan $800 mulai 1 Desember untuk lalu lintas yang identik. Jika Anda menjalankan pilot pada November, tetapkan harga pilot pada tarif Desember atau Anda akan menyetujui anggaran yang salah dengan faktor dua.

Perlu ditegaskan posisi kami: Gemini 4 Carbon tidak ada dalam katalog OrcaRouter, dan tidak ada yang di sini boleh dibaca sebagai klaim bahwa ia ada. Yang ada adalah google/gemini-4-argon dengan harga Google sendiri $2 masuk / $10 keluar — kartu yang sama dengan yang dipakai Carbon bulan ini — bersama DeepSeek V4 Pro di $0.66/$1.98 dan Grok 4.7 di $2/$6, semuanya pada satu kunci yang kompatibel dengan OpenAI di 216 model, dengan harga daftar penyedia diteruskan tanpa markup 0% sehingga perubahan tarif vendor langsung berlaku pada hari itu juga, bukan setelah siklus penetapan harga ulang. Untuk pola khusus ini, itu penting karena alasan yang membosankan: loop build multi-agen adalah beban kerja yang paling mungkin kena rate limit atau hari buruk di salah satu penyedia, dan failover ke rute kedua lebih murah daripada menemukan batas atas di tengah jalan saat menjalankan sepuluh loop.

Jika Anda ingin menyalin struktur, salin langkah peninjauan

Bagian yang dapat ditransfer dari demo ini bukanlah Blender, dan bukan pula Three.js. Yang penting adalah peninjau diberi sesuatu yang bisa dilihatnya. Tiga langkah, diurutkan berdasarkan seberapa besar pengaruhnya terhadap hasil:

• Jadikan artefak sebagai input tinjauan. Ambil tangkapan layar aplikasi yang sedang berjalan, render frame, kompilasi shader, jalankan tes — lalu serahkan itu kembali, bukan diff. Agen yang ditanya "apakah kode ini benar" akan menyetujui dirinya sendiri. Agen yang ditanya "apakah tangkapan layar ini sesuai dengan brief" punya sesuatu untuk disalahkan.

• Batasi loop dan periksa konvergensi. Sepuluh loop semalaman adalah angka yang dikutip Google untuk satu build. Pilih batas atas Anda sendiri, dan catat apakah setiap putaran benar-benar meningkatkan artefak — agen yang telah berhenti meningkatkan biasanya adalah agen yang mulai mendekorasi ulang.

• Pertahankan toolchain tetap sederhana dan dapat diperiksa. Ekspor Blender, Three.js, WebGL, dan browser semuanya deterministik dan dapat diperiksa. Tidak ada apa pun dalam eksekusi ini yang bergantung pada kemampuan yang hanya dimiliki satu vendor; ini bergantung pada model yang akan terus berjalan setelah kegagalan pertama.

Yang perlu diperhatikan selanjutnya bersifat sempit dan spesifik. Apakah /swarm keluar dari pratinjau, karena orkestrasi adalah bagian yang tidak dapat Anda reproduksi saat ini. Apakah ada orang di luar Google yang menerbitkan Carbon pelican — versi Willison adalah hal yang paling mendekati hasil independen yang dimiliki garis pengembangan ini, dan itu belum muncul. Dan apakah jeda dua belas hari antara pengumuman terbatas pada 28 Oktober dan rilis umum pada 10 November ternyata menjadi pola, atau pengecualian. Demo itu akan dikutip selama berbulan-bulan. Loop di baliknya adalah hal yang entah akan berlaku umum atau tidak.