Gemini 4 Carbon quebrou o braço do robô: o que uma execução de laboratório de 7 horas e 33 minutos diz antes de a pontuação existir

Ainda não há pontuação. Essa é a primeira coisa a entender sobre o resultado do Gemini 4 Carbon em robótica, e quase tudo o mais neste texto decorre disso. O que existe, em 13 de novembro de 2026, é uma única publicação do Artificial Analysis em 12 de novembro afirmando que o Gemini 4 Carbon passou 7 horas e 33 minutos dentro do laboratório AA-Robotics v0.1, “batendo tanto no braço que quebrou uma garra”, com a observação adicional de que o laboratório lhe deu uma nova tentativa naquela rodada. O ranking de cinco modelos publicado em 14 de outubro ainda lista as mesmas cinco linhas que listava então — 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 o Carbon não está entre elas. Nenhum agregado, nenhum detalhamento por tarefa, nenhuma taxa de preensão, nenhuma conta.

Portanto, trate isto como um sinal inicial, e não como um resultado: uma duração, uma falha de hardware e uma nova tentativa, vindos do laboratório responsável pelo benchmark, publicados antes de sua própria tabela ter sido atualizada. Tudo o que vem abaixo e vai além desses três fatos é inferência, identificada como tal. O motivo de ainda valer a pena ler agora é que o antecessor do Carbon, o Gemini 4 Argon, é o modelo mais lento daquele laboratório por uma margem ampla, e 7 horas e 33 minutos coincidem quase exatamente com o número do Argon — o que torna a duração interpretável mesmo sem uma pontuação.

O único número público é um relógio

A Artificial Analysis descreve o AA-Robotics como a medição de "quão bem os modelos de linguagem compreendem, planejam e agem no mundo físico ao controlar um braço robótico". O aparato é um Hiwonder NexArm de 6 eixos com cinco articulações e uma garra, monitorado por quatro câmeras — três na mesa, uma no punho — em oito tarefas de mesa: pressionar um botão vermelho, colocar um crocodilo de brinquedo dentro de um retângulo, despejar uma bebida em um copo, arrumar blocos em uma caixa, incluindo a tampa, completar um tabuleiro de encaixe de formas, escrever "hello world", construir a torre de espuma mais alta e medir uma caixa com precisão de 2 mm por dimensão. As tentativas são zero-shot, cada uma pontuada de 0 a 100, com crédito parcial. Os modelos são inseridos por meio de seus próprios ambientes de codificação com alto esforço — Codex para os modelos GPT, Claude Code para Claude, Antigravity para Gemini — e precisam escrever por conta própria o Python que planeja e executa o movimento.

Em contrapartida, o ponto de dados Carbon é deliberadamente escasso. Sete horas e trinta e três minutos são 453 minutos. Não se declara se isso abrange todas as oito tarefas, se inclui a tentativa repetida ou quanto custou a execução. Qualquer pessoa que o cite como número de desempenho está lendo um cronômetro como se fosse um placar.

O que ele diz, inequivocamente, é que o Carbon passou pelo laboratório e o equipamento não sobreviveu intacto. A própria publicação do benchmark documenta dezenas de modos de falha — agarramentos no vazio, garrafas derrubadas, blocos empurrados para fora da mesa, uma caneta testada na própria página — e nem um deles é uma garra quebrada. A destruição de hardware é uma categoria que o relato de outubro nunca precisou descrever, porque nenhum dos cinco modelos nele presentes produziu uma.

Sete horas e trinta e três, medidas em relação ao Argon

A linha de base importa mais do que o habitual aqui, porque a comparação é excecionalmente limpa. A Artificial Analysis publicou os tempos de execução vitalícios de cada um dos cinco modelos de outubro: GPT-6 Astra 242 minutos, GPT-6.1 Sol 224, Claude Opus 5.5 253, Claude Fable 5.1 249 e Gemini 4 Argon 419. Os 453 minutos do Carbon ficam 34 minutos acima do Argon — cerca de 8% mais longos — e aproximadamente 200 minutos acima dos quatro modelos não Gemini, que se agrupam numa faixa de 224 a 253 minutos.

• Ritmo por tarefa, se a sessão cobriu todas as oito tarefas — Carbon cerca de 56,6 minutos por tarefa versus 52,4 do Argon, 30,3 do Astra e 28 do Sol.

• Contra um humano — a AA coloca as pessoas em cerca de 20 segundos por tarefa, pelo que 453 minutos em oito tarefas é cerca de 170 vezes mais lento do que uma pessoa a fazer o mesmo trabalho de mesa.

• Proporção do tempo gasta com planejamento — a divisão do Argon era 42% de compreensão, 45% de planejamento, 6% de câmeras, 6% de braço. Astra e Sol inverteram isso, gastando 13% da execução em movimento real do braço e a maioria em planejamento.

Essa última linha é onde a garra quebrada se torna interessante em vez de engraçada. Nos dados de outubro, os dois modelos com maior pontuação (Astra com 69,4 e Sol com 64,6) passaram o menor tempo entendendo a cena e o maior tempo planejando; Argon, o mais lento e terceiro melhor, passou 42% de sua execução apenas olhando. Um modelo que delibera por mais tempo e depois danifica o hardware não está exibindo a mesma falha que o mural de erros de outubro descreveu. O mural está cheio de modelos que julgaram mal o estado — "informa que a tampa está nivelada e alinhada enquanto repousa sobre uma cunha", "considera um hexágono amarelo inclinado como colocado". Esses são erros de percepção e autoavaliação. Golpear um braço até uma garra quebrar é um erro de autoridade de comando: o modelo pediu ao hardware algo que o hardware não conseguia suportar. Se a Carbon fez isso avançando até um limite de colisão, aplicando torque excessivo em uma preensão ou simplesmente repetindo um movimento que já lhe disseram ter falhado, a AA não disse, e o clipe de 11 segundos anexado à postagem não resolve isso.

A nova tentativa é a questão metodológica, não uma nota de rodapé.

“Nós demos uma nova tentativa nessa” é a meia-frase mais consequente do post, e merece mais escrutínio do que a garra quebrada. A AA-Robotics é construída sobre tentativas zero-shot — a publicação de outubro diz isso explicitamente, e o ponto central de um benchmark físico zero-shot é que o modelo tenha uma única chance, como uma pessoa teria. Conceder uma nova tentativa após falha de equipamento é defensável: uma garra quebrada é problema do laboratório, não uma medida do planejamento do modelo, e pontuar a tentativa destruída como zero puniria a fragilidade do equipamento.

Mas isso cria um problema de comparabilidade que a pontuação final terá de responder. Se exatamente uma tentativa foi anulada e refeita, o agregado é comparável aos outros cinco, e a nova tentativa é uma nota de rodapé. Se a nova tentativa foi concedida mais de uma vez, ou apenas em tarefas nas quais a Carbon já havia falhado por motivos do lado do modelo, o número que entrará no ranking não significará o que os outros cinco números significam. A atitude honesta a procurar quando a tabela for atualizada é uma linha informando quantas tentativas foram anuladas, em qual tarefa e segundo qual critério — da mesma forma que o post de outubro documentou que a amostra de grasp da Argon era n=75 contra n=95 da Astra.

Há um segundo problema de medição, mais discreto. Os tempos do Argon na publicação de outubro são explicitamente estimativas: o Antigravity, o harness do Gemini, não registra timestamps das etapas, então o AA os interpolou por tokens entre comandos arm cronometrados. O Carbon roda no mesmo harness. Se o número de 7 horas foi medido da mesma forma, ele não é diretamente comparável às contagens em minutos geradas pelo Codex e pelo Claude Code — e a diferença de 34 minutos em relação ao Argon está bem dentro do erro que um método de interpolação por tokens poderia introduzir ao longo de uma execução de 453 minutos. Isso não torna a duração sem sentido. Torna "Carbon é 8% mais lento que Argon" uma afirmação que os dados não sustentam, embora "Carbon levou muito tempo" seja seguro.

O que o perfil de texto do Carbon preveria

Nada disso surpreende diante do comportamento publicado da Carbon, que é a parte que podemos verificar de forma independente. No índice v5 da Artificial Analysis, o modelo marca 60, quarto entre 78, e seu perfil é o de um raciocinador deliberado e prolixo, e não o de um rápido: 28,4 minutos por tarefa contra uma mediana de 13,0 minutos, 72 tokens de saída por segundo, 64,71 segundos até o primeiro token de resposta e 205 milhões de tokens de saída ao longo do índice — descrito pela AA como "muito prolixo" em comparação com uma mediana de 72,8 milhões. Também custa US$ 5,48 por tarefa do índice, ficando em 59º de 77 em eficiência de custo.

Junte esses dados e o resultado do laboratório já tem uma forma antes de a pontuação chegar. Um modelo que passa um minuto antes do primeiro token em um prompt de texto, emite quase três vezes o volume mediano e já levava 28 minutos por tarefa em um benchmark estático não vai ser rápido em um loop em que cada etapa exige ler quatro feeds de câmera e depois escrever código de movimento. O número de 7 horas é o que o perfil de texto do Carbon parece quando está acoplado a um braço robótico. Se essa deliberação produziu melhor manipulação é exatamente o que a pontuação ausente nos diria, e a garra quebrada é, no mínimo, evidência fraca de que pensar mais não se traduziu em agir com mais delicadeza.

Quanto custa uma corrida como esta, e por que o calendário importa

O custo por tarefa é o número que a AA não publicou para o Carbon, e adivinhá-lo seria inútil porque a variação existente é enorme: a execução de 242 minutos do GPT-6 Astra custou US$ 16,36 por tarefa, e a do GPT-6.1 Sol custou US$ 1,93 — uma diferença de 8,5x entre dois modelos do mesmo fornecedor que realizam as mesmas oito tarefas. Ao longo de oito tarefas, isso é aproximadamente US$ 131 contra US$ 15. Cerca de 70% dos gastos foram com entrada e contexto, e não com saída, que é o que quatro feeds de câmera e uma transcrição crescente fazem com uma fatura de tokens. O Carbon é mais prolixo que qualquer um dos dois em texto, então, se for o caso, seu número por tarefa deve ficar alto — mas isso é uma previsão, não um valor, e o único uso honesto dele é como faixa de orçamento, e não como cotação.

O calendário é a parte sobre a qual você pode agir. O Carbon está em US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída até 30 de novembro de 2026; em 1º de dezembro, esses valores passam a US$ 4 e US$ 20, com o modelo inalterado. A entrada em cache passa de US$ 0,10 para US$ 0,20, batch e flex rodam pela metade da tarifa, prioridade a 1,8 vez o padrão. Qualquer loop agêntico longo do tipo que a AA acabou de executar é majoritariamente contexto em cache e quadros de câmera repetidos, o que significa que uma carga de trabalho no estilo robótica é exatamente o formato que mais se beneficia da tarifa atual e mais sofre depois dela. Reexecutar este experimento em dezembro custa o dobro do que custa nesta semana.

Como ler o número quando ele cair

Quando a AA atualiza a tabela, três coisas decidem se o Carbon é um passo à frente ou outro Argon.

• O agregado contra 55,3 — a pontuação do Argon. Um modelo Gemini igual ou inferior ao seu próprio predecessor, um lançamento depois, tornaria a história da robótica da família uma história sobre latência de harness, e não sobre capacidade.

• Sucesso de preensão frente à faixa de 28 a 45%: Astra 45% (n=95), Fable 44% (n=89), Opus 40% (n=100), Argon 36% (n=75), Sol 28% (n=111). Esta é a métrica que registraria um modelo que quebra garras, porque um comando que danifica o hardware e uma preensão que erra o objeto vêm da mesma ausência de feedback de força.

• O perfil por tarefa, tarefa a tarefa. O da Argon foi 100, 100, 100, 40, 0, 45, 57, 0 em botão, crocodilo, verter, arrumar, formas, escrever, torre, medir. A tarefa de medir a caixa é a que ninguém resolve: Astra 0, Argon 0, Fable 0, com apenas Sol e Opus em 17. Uma tolerância de 2 mm em três dimensões é uma tarefa de precisão, e é na precisão que um modelo que bate com o braço se deve sair pior.

Há também uma questão justa sobre o que o benchmark realmente está avaliando. O Carbon rodou dentro do Antigravity com esforço alto, assim como o Argon. Uma sessão de 7,5 horas é um teste conjunto do planejamento do modelo e da capacidade do harness de manter um loop longo coerente — e os dados de outubro já mostravam artefatos moldados pelo harness, desde a primeira ação de 25 minutos do Argon até os dez minutos de estudo do Fable antes de tocar em qualquer coisa. O resultado do Carbon será citado como um número de modelo de qualquer forma. É, pelo menos em parte, um número de loop de agente.

Se você quiser reproduzir o experimento em vez de esperar

O interessante de um benchmark público com uma infraestrutura pública é que a pontuação não é a única forma de aprender com ele. O Carbon já está disponível para uso — o Google tornou o gemini-4-carbon disponível para o público em geral na API Gemini paga em 10 de novembro de 2026, após anunciá-lo a uma coorte fechada de defensores cibernéticos em 28 de outubro — e ele está no OrcaRouter como google/gemini-4-carbon ao preço introdutório de $2/$10 do próprio Google, no mesmo endpoint compatível com OpenAI usado pelos outros mais de 200 modelos na chave. Como repassamos o preço de tabela do provedor com 0% de markup, o reajuste de 1º de dezembro chega ao nosso lado no dia em que o Google o aplica, e não após um ciclo de revenda.

Duas observações práticas antes que alguém aponte um modelo novo para hardware caro. Primeiro, um endpoint de primeira semana não é um endpoint de produção: nossos próprios números agregados para google/gemini-4-carbon atualmente indicam uma taxa de erro de 30,2% e um p50 de 6,89 segundos até o primeiro token nos últimos sete dias, medidos ao longo do caminho do provedor que roteamos. Isso é normal para um modelo três dias após a disponibilidade geral e é exatamente por isso que você não codifica fixamente um único endpoint em um loop que roda por sete horas — o failover automático entre provedores é o que impede uma sessão agêntica longa de morrer na quarta hora. Segundo, a DSL de roteamento permite manter um modelo barato no loop para as etapas que não precisam do Carbon, o que importa em 453 minutos: a maior parte dessa sessão foi lendo frames e replanejando, não decidindo nada difícil.

O que mudaria esta leitura não é um clipe melhor do braço. É a AA publicar uma pontuação com as tentativas anuladas documentadas, e uma taxa de preensão ao lado das outras cinco. Até lá, o resumo preciso é restrito: o Gemini 4 Carbon é o primeiro modelo daquele laboratório a custar ao laboratório uma peça de hardware, levou mais tempo do que qualquer coisa que o laboratório mediu, exceto seu próprio antecessor, e a nova tentativa que se seguiu é um detalhe que o número final terá de carregar. A postagem de 12 de novembro é um ponto de dados real sobre como este modelo se comporta quando recebe mãos. Ainda não é um resultado sobre quão bem ele as usa.