De Pelican-demo van Gemini 4 Carbon ontleed: twee agents, een Blender-pipeline en een reviewloop die daadwerkelijk sluit

Het nuttigste dat Google op 10 november 2026 uitbracht, was geen benchmarktabel. Het was een vogel op een fiets. In dezelfde post waarmee Gemini 4 Carbon algemeen beschikbaar werd, beschreef Google een run waarin Carbon-agents een openwereld-3D-game bouwden — je verkent de campus van Google in Mountain View als een pelikaan op een GBike — door assets te modelleren in Blender en vervolgens de browsergame in Three.js te bouwen met WebGL-shaders, met procedurele Web Audio-effecten naast Lyria-muziek. De clip die daarbij circuleerde duurt ongeveer 77 seconden. Het deel dat je aandacht verdient, is niet de pelikaan. Het is dat de lus werd gesloten: iets in die pipeline keek naar wat het had gerenderd en besliste of het goed genoeg was.

Dat is een andere bewering dan "het model is slim." Demo's worden gekozen, en deze is door de leverancier gekozen. Maar een demo met een reviewer erin is testbaar op een manier waarop een benchmarkscore dat niet is — je kunt de structuur lezen, de rollen tellen en je afvragen of dezelfde vorm stand zou houden in je eigen werk. Dit is dus eerder een teardown dan een lanceringsartikel: wat er is gebouwd, hoe de agents zijn opgesplitst, wat de run wel en niet aantoont, en wat het kost om hetzelfde patroon te richten op iets waar je echt om geeft.

Wat er daadwerkelijk is gebouwd, in de volgorde waarin het is gebouwd

Google's beschrijving is ongewoon specifiek over de toolchain, waardoor het de moeite waard is om als technische notitie te lezen. De run had drie media-onderdelen, en die zijn niet uitwisselbaar:

• Assets — subagents hebben 3D-objecten gemodelleerd in Blender, op basis van referenties die door Omni en Nano Banana zijn gegenereerd. Dat is een modelleringsstap, geen codestap: geometrie, materialen en schaal komen daaruit voort, en alles stroomafwaarts erft wat daaraan mankeert.

• Het spel — gebouwd in Three.js met WebGL-shaders, dus het op te leveren resultaat is een in de browser weer te geven scène in plaats van een gerenderde video. Een shader die compileert is een hard, door machines controleerbaar signaal, terwijl "ziet er mooi uit" dat niet is.

• Geluid — procedurele Web Audio-effecten gecombineerd met Lyria-muziek. Dit is het onderdeel dat het minst verbonden is met de reviewloop, en het onderdeel dat het meest waarschijnlijk achteraf door een mens handmatig wordt afgesteld.

In hetzelfde bericht staan ernaast vier andere 3D-builds, en het patroon herhaalt zich: een interactieve Three.js-tentoonstelling van de bouw van de Eiffeltoren in 1887–1889 op basis van historische foto's en technische platen; een Three.js-reconstructie van 906.000 driehoeken van Google's Platform 37-kantoor, opgebouwd in tien nachtelijke loops op basis van zeven plannings-PDF's van de gemeenteraad; een textielvisualisator met 110-vezelige polaire tracking; en een bespeelbare fortepiano met 61-toetsen-escapementfysica. Wat er ook verder waar is, dit is niet één gelukkige prompt. Het is een reeks runs met dezelfde vorm.

Twee agenten, of één agent met drie taken?

De accounts van de waarnemers en Google's eigen verslag beschrijven dezelfde run vanuit verschillende invalshoeken, en het verschil is leerzaam. De meest gedeelde Chineestalige samenvatting, van @dotey op 10 november, splitst het op in een builder-agent en een reviewer-agent die zijn eigen renders controleert. De oorspronkelijke poster, Vamsi Batchu van Google AI Studio, presenteert hetzelfde als een pelikaan die TPU-chips rond de campus verzamelt — en schrijft het toe aan Google Antigravity's /swarm-functie, die Google omschrijft als het omzetten van één prompt in "een gecoördineerd team van agents dat je in realtime kunt volgen."

In Google's bericht krijgt Carbon de rollen toebedeeld in plaats van de media: "architectonisch ontwerp, coördinatie en auditing." Samen met de beschrijving van de observer is het beeld een builder die geometrie en code produceert, en een auditor die naar de output kijkt in plaats van naar de bron. Dat onderscheid is belangrijker dan het aantal agenten. Een agent die zijn eigen diff reviewt, heeft een zwak signaal; een agent die een gerenderd frame, een compilerende shader of een screenshot van de draaiende game reviewt, heeft een sterk signaal, omdat de fout zichtbaar is in het artefact in plaats van betwistbaar in de tekst.

Twee eerlijke kanttekeningen bij de sourcing. De opsplitsing tussen builder en reviewer komt van mensen die de run beschrijven, niet uit een gepubliceerd architectuurdiagram — beschouw het als een getrouwe samenvatting, niet als een specificatie. En /swarm is in preview in Antigravity, dus de orchestratielaag die je zou nabouwen is niet algemeen beschikbaar.

Er is ook een praktisch addertje onder het gras dat niemand noemt: de gelinkte AI Studio-app zit achter een Google-aanmelding. Ik kon het spel niet anoniem openen — de URL verwijst direct door naar accounts.google.com. Dus "speelbaar in je browser" betekent "speelbaar als je een Google-account hebt en, voor de app zelf, een AI Studio-sessie". Dat is een klein detail dat honderd keer delen van de video stilletjes hebben overgeslagen.

Waarom een spel een zwaardere test is dan de SVG die het verving

De prompt met de pelikaan op een fiets is van Simon Willison, die hem sinds 2024 tegen vrijwel elke frontier-release heeft uitgevoerd — eerst als één enkele SVG-aanvraag, en toen modellen zich op platte SVG niet meer van elkaar onderscheidden, als 3D-prompts: een WebGL-pagina, Blender-renders, p5.js-schetsen. De waarde van de test was nooit dat een pelikaan moeilijk is. Die is dat de output visueel, op zichzelf staand en binnen minder dan een seconde direct door een mens te beoordelen is.

Wat de run van Carbon doet, is diezelfde eigenschap een moeilijkheidsgraad hoger tillen. Een SVG is één artefact in één taal. Dit is geometrie uit het ene hulpmiddel, code in het andere, een runtime in een derde, en een beoordelingsstap die alle drie met elkaar moet verzoenen — precies de categorie taken waarin agentwerk met een lange horizon meestal struikelt, niet bij de eerste stap maar bij de veertiende, wanneer het model is vergeten aan welk coördinatenstelsel het zich heeft vastgelegd.

Google's samenvatting van het vermogen is nauwkeurig, en noemt het mechanisme: voor webapp-ontwikkeling "doorloopt het model bouw-en-verifieer-lussen, herstelt het van fouten en controleert het zowel zijn code als de gerenderde UI." Dat is de hele truc, simpelweg gezegd. De interessante variabele is niet hoe goed de eerste poging is. Het is hoe vaak de lus kan rondgaan voordat de agent stopt met verbeteren en ineffectief begint rond te tollen.

Wat de demo je niet vertelt

Een leveranciersdemo is een geselecteerd voorbeeld, en die selectie is juist de kern van de oefening. Drie dingen waarop het geen antwoord kan geven:

• Hoe vaak het mislukt. We zien de run die is afgerond. Niemand publiceert de elf die vastliepen, en er staat nergens een noemer in de post.

• Wat het kostte. Tien nachtelijke loops op de Platform 37-build impliceren veel tokens en veel wall-clock. Tegen de tarieven van Carbon is dat een reëel getal, en Google geeft dat niet.

• Of een goedkoper model ook had volstaan. Dat is de vraag die een lezer eigenlijk zou moeten stellen, en de demo is structureel niet in staat die te beantwoorden.

Voor de onderdelen die meetbaar zijn, is {{1}}Artificial Analysis{{/1}} het tegenwicht, en de cijfers daarvan zijn minder flatteus dan de video. {{2}}Gemini 4 Carbon{{/2}} scoort bij hoge inspanning 60 op {{3}}Intelligence Index v5.0.1{{/3}} — vierde van 74 modellen, achter drie configuraties van {{4}}Claude Fable 5.2{{/4}} met 65, 62 en 62. De kosten per indextaak zijn $7,76, goed voor een 61e plaats van 73 op dat criterium, en het verbruikt 205 miljoen outputtokens over de hele index tegen een mediaan van bijna 73 miljoen: het is een uitgebreid model, en de prijs per token onderschat wat een Carbon-workload kost. De outputsnelheid is ongeveer 82 tokens per seconde met circa 67,5 seconden tot het eerste antwoordtoken — snel genoeg per token, langzaam genoeg naar het eerste toe dat het leest als een batch-en-wacht-profiel in plaats van een chatbox-profiel. Op de {{5}}Coding Agent Index{{/5}} zette dezelfde evaluator Carbon op 59 met {{6}}Antigravity CLI{{/6}} tegenover 62 voor {{7}}Claude Code{{/7}} met {{8}}Opus 5.5{{/8}}.

Niets daarvan spreekt de demo tegen. Een model kan vierde staan op een algemene index, duur zijn per taak en toch degene zijn die een vier uur durende build overeind houdt — dat zijn verschillende metingen, en de demo is bewijs voor de derde, niet voor de eerste. Wat het niet is, is bewijs, en het goedkoopste ontbrekende onderdeel is dat wat deze reeks gewoonlijk levert. Willison draait de pelican-prompt bij vrijwel elke release en publiceert de resultaten; in november 2026 gaan zijn pelican-posts over Claude Fable 5.2 op vijf redeneerniveaus en Muse Ember op zes, en er zit geen Carbon-set tussen. Tot er een verschijnt, is de pelican-demo het artefact van Google en van niemand anders — een door de leverancier geselecteerde build met een door de leverancier geschreven beschrijving, en geen externe run om het faalpercentage mee te vergelijken.

Wat het kost om dezelfde loop zelf te draaien

Carbon zit uitsluitend op Google's betaalde tier. Er is geen gratis route: de AI Studio-app vereist een Google-account, de API vereist facturering, en elk verwerkt token wordt gefactureerd, inclusief thinking-tokens. De tariefkaart is introductief en tijdelijk:

• Tot 30 november 2026 — $2,00 per miljoen inputtokens, $10,00 per miljoen outputtokens.

• Vanaf 1 december 2026 — $4,00 en $20,00, op een model dat niet is gewijzigd.

• Context — 1M tokens, zonder op lengte gebaseerde prijsklasse, dus een codebase van 900.000 tokens kost per token evenveel als een prompt van 2.000 tokens.

Zet de breedsprakigheid naast de klif en de rekensom wordt ongemakkelijk. Een build-and-reviewlus is per definitie outputzwaar: de reviewer schrijft, de builder herschrijft, en het transcript groeit bij elke beurt. Een werklast van 100 miljoen input- en 20 miljoen outputtokens kost deze maand $400 — $200 in, $200 uit — en $800 vanaf 1 december voor identiek verkeer. Als je in november een pilot draait, prijs de pilot dan tegen decembertarieven, anders keur je een budget goed dat er een factor twee naast zit.

Het is goed om expliciet te zijn over waar wij staan: Gemini 4 Carbon staat niet in de OrcaRouter-catalogus, en niets hier mag worden opgevat als de bewering dat dit wel zo is. Wat er wel is, is google/gemini-4-argon tegen Googles eigen $2 in / $10 out — dezelfde kaart waar Carbon deze maand op staat — naast DeepSeek V4 Pro tegen $0.66/$1.98 en Grok 4.7 tegen $2/$6, allemaal op één OpenAI-compatibele sleutel voor 216 modellen, met de lijstprijs van de provider met 0% markup doorberekend zodat een tariefwijziging van een leverancier op de dag zelf ingaat in plaats van na een herprijzingscyclus. Voor dit specifieke patroon is dat om een saaie reden belangrijk: een multi-agent-buildloop is de workload die het meest waarschijnlijk tegen een rate limit of een slechte middag bij één provider aanloopt, en failover via een tweede route is goedkoper dan halverwege een run van tien loops tegen het plafond aan te lopen.

Als je de structuur wilt kopiëren, kopieer dan de beoordelingsstap.

Het overdraagbare deel van deze demo is niet Blender, en het is niet Three.js. Het is dat de beoordelaar iets kreeg dat hij kon bekijken. Drie stappen, in volgorde van hoeveel ze de uitkomst veranderen:

• Maak van het artefact de input voor de review. Maak een schermafbeelding van de draaiende app, render het frame, compileer de shader, voer de test uit — en geef dan dat terug, niet de diff. Een agent die de vraag krijgt "is deze code correct" zal het met zichzelf eens zijn. Een agent die de vraag krijgt "komt deze schermafbeelding overeen met de briefing" heeft iets waarop hij fout kan zijn.

• Begrens de iteratielus en controleer op convergentie. Tien nachtelijke iteraties is het aantal dat Google noemt voor één build. Kies je eigen plafond en log of elke ronde het artefact daadwerkelijk heeft verbeterd — een agent die niet meer beter wordt, is meestal een agent die aan herinrichten is begonnen.

• Houd de toolchain saai en controleerbaar. Blender-exports, Three.js, WebGL en een browser zijn allemaal deterministisch en inspecteerbaar. Niets in deze run is afhankelijk van een mogelijkheid die slechts één leverancier heeft; het is afhankelijk van een model dat na de eerste fout blijft doorgaan.

Waar je nu op moet letten, is nauw en specifiek. Of /swarm de preview verlaat, omdat de orkestratie juist het onderdeel is dat je vandaag niet kunt reproduceren. Of iemand buiten Google een Carbon-pelican publiceert — Willisons versie komt het dichtst bij een onafhankelijk resultaat binnen deze lijn, en die is niet verschenen. En of de twaalfdaagse kloof tussen de beperkte aankondiging van 28 oktober en de algemene release van 10 november het patroon blijkt te zijn, of de uitzondering. De demo zal nog maanden worden geciteerd. De loop erachter is het ding dat ofwel generaliseert, ofwel niet.