Gemini 4 Carbon ha rotto il braccio robotico: cosa rivela una sessione di laboratorio di 7 ore e 33 minuti prima ancora che esista il punteggio

Non c'è ancora alcun punteggio. È la prima cosa da capire sul risultato robotico di Gemini 4 Carbon, e quasi tutto il resto in questo articolo ne consegue. Ciò che esiste, al 13 novembre 2026, è un singolo post di Artificial Analysis del 12 novembre che afferma che Gemini 4 Carbon ha trascorso 7 ore e 33 minuti all'interno del laboratorio AA-Robotics v0.1, «sbattendo il braccio di qua e di là così tanto da rompere una pinza», con l'aggiunta che il laboratorio gli ha concesso un nuovo tentativo su quel tentativo. La classifica dei cinque modelli pubblicata il 14 ottobre elenca ancora le stesse cinque righe di allora — 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 — e Carbon non è tra loro. Nessun aggregato, nessuna suddivisione per attività, nessun tasso di presa, nessuna fattura.

Quindi consideralo un segnale precoce più che un risultato: una durata, un guasto hardware e un nuovo tentativo, dal laboratorio che possiede il benchmark, pubblicato prima che la sua stessa tabella fosse aggiornata. Tutto ciò che segue e va oltre quei tre fatti è inferenza, etichettata come tale. Il motivo per cui vale ancora la pena leggerlo ora è che il predecessore di Carbon, Gemini 4 Argon, è di gran lunga il modello più lento di quel laboratorio, e 7 ore e 33 minuti coincidono quasi esattamente con il numero di Argon — il che rende la durata leggibile anche senza un punteggio.

L'unico numero pubblico è un orologio

Artificial Analysis descrive AA-Robotics come la misura di "quanto bene i modelli linguistici comprendono, pianificano e agiscono nel mondo fisico controllando un braccio robotico". L'apparecchiatura è un Hiwonder NexArm a 6 assi con cinque giunti e una pinza, osservato da quattro telecamere — tre sul tavolo, una sul polso — attraverso otto attività da tavolo: premere un pulsante rosso, mettere un coccodrillo giocattolo in un rettangolo, versare una bevanda in una tazza, riordinare dei blocchi in una scatola incluso il coperchio, completare una tavola di incastri sagomati, scrivere "hello world", costruire la torre di schiuma più alta e misurare una scatola con un margine di 2 mm per dimensione. I tentativi sono zero-shot, ciascuno valutato da 0 a 100 con credito parziale. I modelli vengono inseriti tramite i propri harness di programmazione ad alto sforzo — Codex per i modelli GPT, Claude Code per Claude, Antigravity per Gemini — e devono scrivere da soli il codice Python che pianifica ed esegue il movimento.

Di contro, il dato di Carbon è volutamente scarno. Sette ore e trentatré minuti sono 453 minuti. Non viene precisato se copre tutte e otto le attività, se include il tentativo ripetuto o quanto sia costata l’esecuzione. Chi lo cita come cifra di prestazione sta leggendo un cronometro come se fosse un tabellone segnapunti.

Quello che dice, inequivocabilmente, è che Carbon è stato messo alla prova in laboratorio e l’attrezzatura non è sopravvissuta intatta. La pubblicazione stessa del benchmark documenta dozzine di modalità di fallimento — prese a vuoto, bottiglie lasciate cadere, blocchi spinti fuori dal tavolo, una penna testata sulla pagina stessa — e nessuna di esse è un gripper rotto. La distruzione dell’hardware è una categoria che il resoconto di ottobre non ha mai dovuto descrivere, perché nessuno dei cinque modelli in esso presenti ne ha prodotto un caso.

Sette ore e trentatré, misurate rispetto ad Argon

Qui la baseline conta più del solito, perché il confronto è insolitamente netto. Artificial Analysis ha pubblicato i tempi di esecuzione lifetime per ciascuno dei cinque modelli di ottobre: GPT-6 Astra 242 minuti, GPT-6.1 Sol 224, Claude Opus 5.5 253, Claude Fable 5.1 249 e Gemini 4 Argon 419. I 453 minuti di Carbon si collocano 34 minuti sopra Argon — circa l'8% in più — e circa 200 minuti sopra i quattro modelli non Gemini, che si concentrano in una fascia da 224 a 253 minuti.

• Ritmo per attività, se la sessione ha coperto tutte e otto le attività — Carbon circa 56,6 minuti per attività rispetto ai 52,4 di Argon, ai 30,3 di Astra e ai 28 di Sol.

• Rispetto a un essere umano — AA richiede alle persone circa 20 secondi per attività, quindi 453 minuti su otto attività sono circa 170 volte più lenti di una persona che svolge lo stesso lavoro da tavolo.

• Quota del tempo dedicata alla pianificazione — la ripartizione di Argon era 42% comprensione, 45% pianificazione, 6% telecamere, 6% braccio. Astra e Sol l'hanno invertita, dedicando il 13% dell'esecuzione al movimento effettivo del braccio e la maggior parte alla pianificazione.

È in quell'ultima riga che la pinza rotta diventa interessante anziché divertente. Nei dati di ottobre, i due modelli con il punteggio più alto (Astra a 69,4 e Sol a 64,6) hanno dedicato meno tempo a comprendere la scena e il maggior tempo a pianificare; Argon, il più lento e terzo migliore, ha passato il 42% della sua esecuzione solo a guardare. Un modello che delibera più a lungo e poi danneggia l'hardware non mostra lo stesso tipo di errore descritto dal muro degli errori di ottobre. Il muro è pieno di modelli che hanno valutato male lo stato — “riporta il coperchio a livello e allineato mentre è appoggiato su un cuneo”, “considera posizionato un esagono giallo inclinato”. Quelli sono errori di percezione e autovalutazione. Colpire ripetutamente un braccio finché una pinza si rompe è un errore di autorità dei comandi: il modello ha chiesto all'hardware qualcosa che l'hardware non poteva sopportare. Se Carbon lo abbia fatto spingendosi fino a un limite di collisione, applicando una coppia eccessiva a una presa o semplicemente ripetendo un movimento che gli era già stato detto essere fallito, AA non lo ha detto, e la clip di 11 secondi allegata al post non lo chiarisce.

Il retry è la questione metodologica, non una nota a piè di pagina.

«Gli abbiamo dato un secondo tentativo, su quello» è la mezza frase più incisiva del post, e merita più attenzione della pinza rotta. AA-Robotics si basa su tentativi zero-shot — la pubblicazione di ottobre lo dice esplicitamente, e il senso stesso di un benchmark fisico zero-shot è che il modello ha un solo tentativo, come farebbe una persona. Concedere un nuovo tentativo dopo un guasto dell'attrezzatura è difendibile: una pinza spezzata è un problema del laboratorio, non una misura della pianificazione del modello, e assegnare zero al tentativo distrutto punirebbe la fragilità dell'apparecchiatura.

Ma questo crea un problema di comparabilità a cui il punteggio finale dovrà rispondere. Se esattamente un tentativo è stato annullato e ripetuto, l’aggregato è comparabile agli altri cinque e il nuovo tentativo è una nota a piè di pagina. Se la ripetizione è stata concessa più di una volta, o solo su attività in cui Carbon aveva già fallito per ragioni legate al modello, il numero che finirà sulla classifica non significherà ciò che significano gli altri cinque numeri. La cosa onesta da cercare quando la tabella viene aggiornata è una riga che dichiari quanti tentativi sono stati annullati, su quale attività e in base a quale criterio — proprio come il post di ottobre documentava che il campione di presa di Argon era n=75 contro n=95 di Astra.

C'è un secondo problema di misurazione, meno evidente. I tempi di Argon nella pubblicazione di ottobre sono esplicitamente stime: Antigravity, l'harness Gemini, non applica timestamp ai passaggi, quindi AA li ha interpolati in base ai token tra comandi arm cronometrati. Carbon viene eseguito nello stesso harness. Se la cifra di 7 ore è stata misurata allo stesso modo, non è direttamente confrontabile con i valori in minuti generati da Codex e Claude Code — e lo scarto di 34 minuti rispetto ad Argon rientra ben dentro l'errore che un metodo di interpolazione basato sui token potrebbe introdurre su un'esecuzione di 453 minuti. Ciò non rende priva di significato la durata. Rende «Carbon è l'8% più lento di Argon» un'affermazione che i dati non supportano, anche se «Carbon ha impiegato moltissimo tempo» è sicura.

Cosa prevedrebbe il profilo testuale di Carbon

Niente di tutto ciò sorprende se lo si confronta con il comportamento dichiarato di Carbon, l'aspetto che possiamo verificare in modo indipendente. Nell'indice v5 di Artificial Analysis il modello ottiene 60 punti, quarto su 78, e il suo profilo è quello di un ragionatore deliberato e prolisso anziché veloce: 28,4 minuti per attività contro una mediana di 13,0 minuti, 72 token di output al secondo, 64,71 secondi per il primo token di risposta e 205 milioni di token di output sull'intero indice — descritto da AA come "very verbose" rispetto a una mediana di 72,8 milioni. Costa inoltre 5,48 $ per attività dell'indice, classificandosi al 59º posto su 77 per efficienza dei costi.

Leggi queste cose insieme e il risultato di laboratorio ha già una forma prima che arrivi il punteggio. Un modello che impiega un minuto prima del suo primo token su un prompt testuale, emette quasi tre volte il volume mediano e ha già impiegato 28 minuti per attività su un benchmark statico non sarà rapido in un ciclo in cui ogni passo richiede di leggere quattro feed video e poi scrivere codice di movimento. La cifra di 7 ore è l'aspetto che il profilo testuale di Carbon assume quando è collegato a un braccio robotico. Se quella riflessione abbia prodotto una manipolazione migliore è esattamente ciò che ci direbbe il punteggio mancante, e la pinza rotta è almeno una debole prova che più pensiero non si è tradotto in un agire più delicato.

Quanto costa una corsa come questa, e perché il calendario conta

Il costo per attività è il dato che AA non ha pubblicato per Carbon, e indovinarlo sarebbe inutile perché la forbice esistente è enorme: l'esecuzione di 242 minuti di GPT-6 Astra è costata $16,36 per attività, quella di GPT-6.1 Sol $1,93 — un divario di 8,5x tra due modelli dello stesso fornitore che svolgono le stesse otto attività. Su otto attività, si tratta di circa $131 contro $15. Circa il 70% della spesa è andato in input e contesto anziché in output, che è l'effetto che quattro feed video e una trascrizione in crescita hanno su una bolletta di token. Carbon è più verboso di entrambi sul testo, quindi semmai il suo valore per attività dovrebbe risultare alto — ma questa è una previsione, non una cifra, e l'unico uso onesto che se ne può fare è come intervallo di budget anziché come preventivo.

Il calendario è la parte su cui puoi agire. Carbon è a 2 $ per milione di token di input e 10 $ per milione di output fino al 30 novembre 2026; il 1° dicembre diventano 4 $ e 20 $ con il modello invariato. L'input in cache passa da 0,10 $ a 0,20 $, batch e flex funzionano a metà tariffa, priority a 1,8 volte lo standard. Qualsiasi lungo ciclo agentico del tipo che AA ha appena eseguito è per lo più contesto in cache e fotogrammi della telecamera ripetuti, il che significa che un carico di lavoro in stile robotica è esattamente la forma che beneficia maggiormente della tariffa attuale e subisce il maggiore danno dopo. Rieseguire questo esperimento a dicembre costa il doppio di questa settimana.

Come leggere il numero quando esce

Quando {{1}}AA aggiorna{{/1}} la tabella, tre fattori decidono se {{2}}Carbon{{/2}} è un passo avanti o un altro {{3}}Argon{{/3}}.

• Il risultato aggregato rispetto a 55,3 — il punteggio di Argon. Un modello Gemini pari o inferiore al proprio predecessore, una release dopo, renderebbe la storia della robotica della famiglia una storia di latenza dell'harness anziché di capacità.

• Successo nella presa rispetto alla fascia 28-45%: Astra 45% (n=95), Fable 44% (n=89), Opus 40% (n=100), Argon 36% (n=75), Sol 28% (n=111). Questa è la metrica che rileverebbe un modello che rompe i gripper, perché un comando che danneggia l'hardware e una presa che manca l'oggetto derivano dalla stessa assenza di feedback di forza.

• Il profilo per attività, attività per attività. Quello di Argon era 100, 100, 100, 40, 0, 45, 57, 0 su button, crocodile, pour, tidy, shapes, write, tower, measure. L'attività measure-the-box è quella che nessuno risolve: Astra 0, Argon 0, Fable 0, con solo Sol e Opus a 17. Una tolleranza di 2 mm su tre dimensioni è un'attività di precisione, ed è proprio nella precisione che un modello che sbatte un braccio dovrebbe mostrarsi peggiore.

C’è anche una domanda legittima su cosa stia realmente misurando il benchmark. Carbon è stato eseguito all’interno di Antigravity a sforzo elevato, come Argon. Una sessione di 7,5 ore è un test congiunto della pianificazione del modello e della capacità dell’harness di mantenere coerente un loop lungo — e i dati di ottobre mostravano già artefatti plasmati dall’harness, dalla prima azione di 25 minuti di Argon ai dieci minuti di studio di Fable prima di toccare qualsiasi cosa. Il risultato di Carbon sarà comunque citato come un numero del modello. È almeno in parte un numero dell’agent-loop.

Se vuoi riprodurre l'esperimento invece di aspettare

La cosa utile di un benchmark pubblico con un rig pubblico è che il punteggio non è l'unico modo per imparare da esso. Carbon è ora utilizzabile — Google ha reso gemini-4-carbon disponibile a livello generale sull'API Gemini a pagamento il 10 novembre 2026, dopo averlo annunciato a una coorte riservata di cyber-defender il 28 ottobre — ed è su OrcaRouter come google/gemini-4-carbon al prezzo introduttivo di Google stesso di $2/$10, sullo stesso endpoint compatibile con OpenAI degli altri oltre 200 modelli sulla chiave. Poiché trasferiamo il prezzo di listino del fornitore con ricarico 0%, l'adeguamento dei prezzi del 1° dicembre si applica dalla nostra parte il giorno in cui Google lo applica, anziché dopo un ciclo di rivendita.

Due note pratiche prima che qualcuno metta un modello appena uscito su hardware costoso. Primo, un endpoint della prima settimana non è un endpoint di produzione: i nostri dati aggregati per google/gemini-4-carbon indicano attualmente un tasso di errore del 30,2% e un tempo p50 al primo token di 6,89 secondi negli ultimi sette giorni, misurati lungo il percorso del provider che instradiamo. È normale per un modello a tre giorni dalla disponibilità generale ed è anche esattamente il motivo per cui non si codifica un solo endpoint in un ciclo che dura sette ore — il failover automatico tra provider è ciò che impedisce a una lunga sessione agentica di morire all'ora quattro. Secondo, il DSL di routing consente di mantenere un modello economico nel ciclo per i passaggi che non richiedono Carbon, il che conta a 453 minuti: gran parte di quella sessione consisteva nel leggere frame e ripianificare, non nel decidere qualcosa di difficile.

Ciò che cambierebbe questa lettura non è una clip migliore del braccio. È AA che pubblica un punteggio con i tentativi annullati documentati, e un tasso di presa accanto agli altri cinque. Fino ad allora il riepilogo accurato è ristretto: Gemini 4 Carbon è il primo modello di quel laboratorio a costare al laboratorio un pezzo di hardware, ha impiegato più tempo di qualsiasi cosa il laboratorio abbia misurato tranne il suo stesso predecessore, e il nuovo tentativo che ne è seguito è un dettaglio che il numero finale dovrà portare con sé. Il post del 12 novembre è un vero dato su come si comporta questo modello quando gli vengono date delle mani. Non è ancora un risultato su quanto bene le usi.