Gemini 4 CarbonのPelicanデモを分解：2つのエージェント、Blenderパイプライン、そして実際に完結するレビューループ

2026年11月10日にGoogleが提供開始した中で最も有用だったのは、ベンチマークの表ではありませんでした。自転車に乗った鳥でした。Gemini 4 Carbonを一般提供開始した同じ投稿で、Googleは、Carbonエージェントがオープンワールドの3Dゲームを構築した実行例を説明しています。Googleのマウンテンビュー本社キャンパスを、GBikeに乗ったペリカンとして探索するゲームで、Blenderでアセットをモデリングし、その後Three.jsとWebGLシェーダーでブラウザゲームを構築し、プロシージャルなWeb AudioエフェクトをLyriaの音楽と組み合わせています。一緒に流通したクリップは約77秒です。注目すべきはペリカンの部分ではありません。そのパイプラインのどこかが、自らレンダリングした結果を見て、十分な品質かどうかを判断し、ループが閉じていたことです。

それは「モデルは賢い」という主張とは別の話だ。デモは選ばれるもので、このデモはベンダーが選んだ。しかしレビュアーが入ったデモは、ベンチマークスコアとは違う形で検証できる——構造を読み、役割を数え、同じ形が自分の仕事でも生き残るかを問える。だからこれは発表記事ではなく分解調査だ。何が作られ、エージェントがどう分割され、この実行が何を示し何を示さないのか、そして同じパターンを本当に気にかけているものに当てはめるのにどれだけのコストがかかるのか。

実際に何が作られたのかを、作られた順番に沿って

Googleの説明はツールチェーンについて異例なほど具体的で、だからこそエンジニアリングノートとして読む価値がある。この実行には3つのメディアレッグがあり、それらは相互に置き換え可能ではない：

• アセット — サブエージェントは、Omni と Nano Banana が生成した参照資料をもとに、Blender で 3D オブジェクトをモデリングしました。これはコーディングの工程ではなくモデリングの工程です。ジオメトリ、マテリアル、スケールがここで決まり、後続のすべての工程は、そこに含まれる不備をそのまま引き継ぐことになります。

• ゲーム — Three.js と WebGL シェーダーで構築されているため、成果物はレンダリング済みの動画ではなく、ブラウザでレンダリング可能なシーンです。シェーダーがコンパイルされることは、機械的に検証可能な明確なシグナルであり、「見た目が良い」ことはそうではありません。

• サウンド — Lyriaの音楽と組み合わせたプロシージャルなWeb Audioエフェクト。これはレビューループとのつながりが最も薄い部分であり、後から人間が手作業で調整する可能性が最も高い部分です。

同じ投稿には、それに並べて他に4つの3D制作物が載っており、パターンが繰り返されている。歴史写真と工学図版からエッフェル塔の1887～1889年の建設を再現したインタラクティブなThree.js展示、7つの市議会計画PDFから10回の夜間ループにわたって構築されたGoogleのPlatform 37オフィスの906,000三角形のThree.js再構成、110本の繊維の極座標トラッキングを備えたテキスタイルビジュアライザー、そして61鍵のエスケープメント物理を備えた演奏可能なフォルテピアノだ。いずれにせよ、これは一度の幸運なプロンプトではない。同じ形をした一連の実行なのだ。

2人のエージェントか、それとも3つの仕事を担う1人のエージェントか？

観察者による報告とGoogle自身の記事は、同じ実行を異なる角度から描写しており、その違いは示唆に富む。11月10日に@doteyが投稿した最も広く共有された中国語の要約は、それをビルダーエージェントと、自身のレンダリングをチェックするレビュアーエージェントに分けている。元の投稿者であるGoogle AI StudioのVamsi Batchuは、同じ出来事を、キャンパス周辺でTPUチップを集めるペリカンとして描き、Google Antigravityの/swarm機能のおかげだとしている。Googleはこの機能を、単一のプロンプトを「リアルタイムで追跡できるエージェントの連携チーム」に変えるものだと説明している。

Googleの投稿では、Carbonにメディアではなく役割が割り当てられています。「アーキテクチャ設計、調整、監査」です。オブザーバーの説明と併せて読むと、その形は、ジオメトリとコードを生成するビルダーと、ソースではなく出力を見る監査役です。この区別はエージェントの数よりも重要です。自分の差分をレビューするエージェントは弱いシグナルしか得られませんが、レンダリングされたフレーム、コンパイル中のシェーダー、実行中のゲームのスクリーンショットをレビューするエージェントは強いシグナルを得られます。失敗が文章の中で議論の余地があるものではなく、成果物の中で目に見えるからです。

ソースの調達について、正直に2点の注意点があります。ビルダー／レビュアーの分離は、公開されたアーキテクチャ図ではなく、その実行を説明した人たちの話に基づくものです。仕様書ではなく、忠実な要約として扱ってください。また、/swarmはAntigravityでプレビュー中のため、再現しようとしているオーケストレーション層は一般には提供されていません。

誰も触れていない実務上のちょっとした引っかかりもあります。リンクされているAI StudioアプリはGoogleサインインの背後にあります。私は匿名ではゲームを開けませんでした — URLは直接accounts.google.comへリダイレクトされます。つまり「ブラウザで遊べる」とは「Googleアカウントがあり、アプリ自体についてはAI Studioのセッションがあれば遊べる」という意味です。これは、動画が何度も再投稿される中で黙って飛ばされてきた小さな点です。

なぜゲームは、それが置き換えたSVGよりも厳しいテストなのか

ペリカンに自転車に乗せるプロンプトはSimon Willisonのもので、彼は2024年以降のほぼすべてのフロンティアリリースに対してこれを実行してきた。最初は単一のSVGリクエストとして、その後、フラットなSVGではモデル間の差がつかなくなると、3Dプロンプトとして：WebGLページ、Blenderレンダリング、p5.jsスケッチ。このテストの価値は、ペリカンが難しいことにあるのでは決してなかった。そうではなく、出力が視覚的で自己完結しており、人間が1秒未満で即座に判断できることにある。

Carbonの実行がしているのは、その同じ性質を一段階難しくすることだ。SVGはひとつの言語におけるひとつの成果物にすぎない。これは、あるツールからのジオメトリ、別のツールでのコード、さらに別のツールでのランタイム、そしてその三つを突き合わせる必要があるレビュー工程だ——まさに、長期的なエージェント作業が普通につまずく種類のタスクであり、しかも最初のステップではなく14番目のステップで、モデルがどの座標系にコミットしたかを忘れてしまうときに起きる。

Googleによるこの能力の要約は的確で、その仕組みを名指ししている。ウェブアプリ開発では、モデルは「ビルドと検証のループを実行し、エラーから回復し、自身のコードとレンダリングされたUIの両方を確認する」。それが、率直に言えば仕掛けのすべてだ。興味深い変数は、最初の試行がどれほど優れているかではない。エージェントが改善を止めて空回りし始めるまでに、ループを何回回せるかだ。

デモが教えてくれないこと

ベンダーのデモは選ばれたサンプルであり、その選択こそがこの演習の要点です。それが答えられない3つのこと：

• どのくらいの頻度で失敗するのか。私たちに見えているのは、完了した実行だけだ。停滞した11件を公表する人は誰もおらず、この投稿のどこにも分母はない。

• かかったコスト。Platform 37 のビルドにおける10回の夜通しループは、大量のトークンと多大な実時間を意味する。Carbon の料金レートで言えば、それは現実的な数字であり、Google はそれを公表していない。

• より安価なモデルで済んだかどうか。これは読者が実際に問うべき問いであり、そのデモは構造上それに答えることができない。

測定可能な部分については、Artificial Analysis が対抗軸となっており、その数値は動画ほど好意的ではない。Gemini 4 Carbon は high effort 設定で Intelligence Index v5.0.1 の60を記録し、74モデル中4位で、65、62、62のスコアを付けた Claude Fable 5.2 の3構成に後れを取っている。インデックスタスクあたりのコストは7.76ドルで、この指標では73中61位、インデックス全体で2億500万出力トークンを消費するのに対し中央値は約7300万である。つまり冗長なモデルであり、トークン単価では Carbon のワークロードにかかるコストを過小評価することになる。出力速度は毎秒約82トークンで、最初の回答トークンまで約67.5秒かかる。トークンあたりでは十分速いが、最初のトークンまでは十分遅いため、チャットボックス型というよりバッチ・アンド・ウェイト型のプロファイルに見える。Coding Agent Index では、同じ評価者が Antigravity CLI と組み合わせた Carbon を59とし、Claude Code と Opus 5.5 の62と対比している。

そのどれもデモと矛盾しない。モデルは汎用インデックスで4位でも、タスクあたりのコストが高くても、それでも4時間のビルドを最後まで支える存在になり得る——これらは別々の指標であり、デモは第1の指標ではなく第3の指標の証拠だ。ただし証明ではないし、最も安価に埋められる欠けたピースは、この系統がたいてい提供してきたものだ。Willison はほぼすべてのリリースで pelican プロンプトを実行して結果を公開している。2026年11月時点で、彼の pelican に関する投稿は Claude Fable 5.2 を5つの推論レベルで、Muse Ember を6つの推論レベルで扱っているが、その中に Carbon のセットはない。それが現れるまで、pelican デモは Google の成果物であって、他の誰のものでもない——ベンダーが選んだビルドにベンダーが書いた説明が付いたもので、失敗率を比較できる外部の実行はない。

同じループを自分で回すのにかかるコスト

CarbonはGoogleの有料プランでのみ利用できます。無料の方法はありません。AI StudioアプリにはGoogleアカウントが必要で、APIには課金設定が必要であり、処理されるすべてのトークンが課金対象となります（思考トークンも含まれます）。料金表は導入価格で、期間限定です：

• 2026年11月30日まで — 入力トークン100万あたり$2.00、出力トークン100万あたり$10.00。

• 2026年12月1日から — 変更されていないモデルで、$4.00および$20.00。

• コンテキスト — 100万トークン。長さに応じた価格ティアがなく、90万トークンのコードベースでも2,000トークンのプロンプトでも、トークンあたりのコストは同じです。

冗長さを崖のそばに置くと、計算が居心地の悪いものになる。ビルド・アンド・レビューのループは構造上、出力が多くなりがちだ。レビュアーが書き、ビルダーが書き直し、ターンごとに記録が膨らむ。入力1億トークン、出力2,000万トークンのワークロードは、今月は400ドル——入力200ドル、出力200ドル——で、同一のトラフィックが12月1日からは800ドルになる。11月にパイロットを実施するなら、12月の料金で見積もること。さもなければ、2倍ずれた予算を承認してしまう。

私たちの立ち位置を明確にしておく価値があります。Gemini 4 Carbon は OrcaRouter のカタログにはなく、ここにあるどの記述も、そう主張していると解釈されるべきではありません。そこにあるのは google/gemini-4-argon で、Google 自身の $2 in / $10 out — Carbon が今月使っているのと同じ料金カード — に加えて、DeepSeek V4 Pro が $0.66/$1.98、Grok 4.7 が $2/$6、216 モデルにわたるすべてが 1 つの OpenAI 互換キーで利用でき、しかも プロバイダーのリスト価格を 0% のマークアップでパススルーするため、ベンダーの料金変更は再価格設定サイクルを待たずにその日のうちに反映されます。この特定のパターンにとってこれが重要なのは、地味な理由です。マルチエージェントのビルドループは、1 つのプロバイダーでレート制限や不調な時間帯に遭遇する可能性が最も高いワークロードであり、第 2 のルートへのフェイルオーバーは、10 ループの実行の途中で上限に気づくより安上がりです。

構造をコピーしたいなら、レビューのステップをコピーしてください

このデモで他の場面にも応用できる部分は、BlenderでもThree.jsでもありません。それは、レビュアーが実際に目にできるものを与えられたことです。成果をどれだけ変えるかの順に、3つの打ち手があります：

• 成果物をレビューの入力にしてください。実行中のアプリをスクリーンショットし、フレームをレンダリングし、シェーダーをコンパイルし、テストを実行してください — そしてそれを返してください。diff ではありません。「このコードは正しいか」と尋ねられたエージェントは、自分自身に同意するでしょう。「このスクリーンショットは要件を満たしているか」と尋ねられたエージェントには、間違う余地があります。

• ループに上限を設け、収束しているか確認する。Googleが1回のビルドについて挙げている数字は、夜通しのループ10回だ。自分なりの上限を決め、各ターンが実際に成果物を改善したかを記録する — 改善をやめたエージェントはたいてい、模様替えを始めたエージェントだ。

• ツールチェーンは地味で検証可能なままに保つ。Blenderのエクスポート、Three.js、WebGL、ブラウザはいずれも決定的で検査可能です。この実行では、単一のベンダーだけが持つ能力に依存しているものは何もない。依存しているのは、最初の失敗後も動き続けるモデルです。

次に注目すべき点は狭く具体的だ。その一つは/swarmがプレビューを抜けるかどうかだ。なぜなら、オーケストレーションは今日再現できない部分だからだ。Google 以外の誰かが Carbon pelican を公開するかどうか——Willison の版は、この系統における独立した結果に最も近いものだが、まだ現れていない。そして、10月28日の限定発表と11月10日の一般リリースの間にある12日間の隔たりが、パターンとなるのか例外となるのか。このデモは何か月も引用されるだろう。その背後にあるループこそが、一般化するかしないかを決める。