Gemini 4 Carbon сломала роботизированную руку: о чём говорит 7-часовой 33-минутный лабораторный прогон ещё до появления оценки

Пока что никакой оценки нет. Это первое, что нужно понять о результате Gemini 4 Carbon в робототехнике, и почти всё остальное в этом материале из этого следует. По состоянию на 13 ноября 2026 года существует единственный пост Artificial Analysis от 12 ноября, в котором говорится, что Gemini 4 Carbon провела 7 часов 33 минуты в лаборатории AA-Robotics v0.1, «так сильно колотя манипулятором во все стороны, что сломала захват», с дополнительным примечанием, что лаборатория дала ей повторную попытку в этом заходе. Таблица лидеров по пяти моделям, опубликованная 14 октября, по-прежнему содержит те же пять строк, что и тогда — 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 — и Carbon среди них нет. Ни агрегированного показателя, ни разбивки по задачам, ни доли успешных захватов, ни счёта.

Так что воспринимайте это скорее как ранний сигнал, а не как результат: длительность, сбой оборудования и одна повторная попытка от лаборатории, владеющей бенчмарком, опубликованы до того, как была обновлена её собственная таблица. Всё ниже, что выходит за пределы этих трёх фактов, — это выводы, и они обозначены как таковые. Причина, по которой это всё ещё стоит читать сейчас, в том, что предшественник Carbon — Gemini 4 Argon — является самой медленной моделью в той лаборатории с большим отрывом, а 7 часов 33 минуты почти точно совпадают с показателем Argon — что делает длительность понятной даже без оценки.

Единственное публичное число — это часы.

Artificial Analysis описывает AA-Robotics как инструмент, измеряющий, «насколько хорошо языковые модели понимают физический мир, планируют действия в нём и действуют, управляя роботизированной рукой». Установка представляет собой 6-осевую Hiwonder NexArm с пятью суставами и захватом; за ней наблюдают четыре камеры — три на столе, одна на запястье — при выполнении восьми настольных задач: нажать красную кнопку, положить игрушечного крокодила в прямоугольную область, налить напиток в чашку, убрать блоки в коробку вместе с её крышкой, завершить доску для подбора фигур, написать «hello world», построить самую высокую башню из пеноматериала и измерить коробку с точностью до 2 мм по каждому измерению. Попытки выполняются в режиме zero-shot, каждая оценивается от 0 до 100 с частичным зачётом. Модели подключаются через собственные среды для написания кода при высоком уровне усилий — Codex для моделей GPT, Claude Code для Claude, Antigravity для Gemini — и должны сами написать Python-код, который планирует и выполняет движение.

В противовес этому показатель Carbon намеренно скуден. Семь часов тридцать три минуты — это 453 минуты. Не указано, охватывает ли это все восемь задач, включает ли повторную попытку и во сколько обошёлся запуск. Кто приводит это как показатель производительности, тот читает секундомер как табло.

Что в нем сказано недвусмысленно, так это то, что Carbon подвергли лабораторным испытаниям, и оборудование не уцелело. Публикация самого бенчмарка документирует десятки сценариев отказов — пустые захваты, уроненные бутылки, блоки, сдвинутые со стола, ручка, опробованная на самой странице — и ни один из них не является сломанным захватом. Разрушение оборудования — категория, которую октябрьскому отчету не приходилось описывать, потому что ни одна из пяти моделей в нем не дала ни одного такого случая.

Семь часов тридцать три, измеренные относительно Argon

Базовая линия здесь важнее обычного, потому что сравнение необычно чистое. Artificial Analysis опубликовала показатели времени работы за весь срок службы для каждой из пяти октябрьских моделей: GPT-6 Astra — 242 минуты, GPT-6.1 Sol — 224, Claude Opus 5.5 — 253, Claude Fable 5.1 — 249 и Gemini 4 Argon — 419. Показатель Carbon — 453 минуты — на 34 минуты выше, чем у Argon (примерно на 8% дольше), и примерно на 200 минут выше, чем у четырёх моделей не от Gemini, которые укладываются в диапазон от 224 до 253 минут.

• Темп на задачу, если сессия охватывала все восемь задач — у Carbon около 56,6 минуты на задачу против 52,4 у Argon, 30,3 у Astra и 28 у Sol.

• В сравнении с человеком — AA оценивает людей примерно в 20 секунд на задачу, поэтому 453 минуты на восемь задач — это примерно в 170 раз медленнее, чем человек, выполняющий ту же настольную работу.

• Доля времени, ушедшего на планирование: у Argon распределение составляло 42% на понимание, 45% на планирование, 6% на камеры и 6% на манипулятор. Astra и Sol перевернули его: на фактическое движение манипулятора уходило 13% прогона, а большая часть — на планирование.

Вот эта последняя строка — то место, где сломанный захват становится интересным, а не забавным. В октябрьских данных две модели с наивысшими баллами (Astra — 69,4 и Sol — 64,6) потратили меньше всего времени на понимание сцены и больше всего времени на планирование; Argon, самая медленная и третья по результату, потратил 42% своего прогона только на разглядывание. Модель, которая дольше размышляет, а затем повреждает оборудование, демонстрирует не ту же самую ошибку, которую описывала октябрьская стена ошибок. Стена полна моделей, неверно оценивших состояние: «сообщает уровень крышки и выравнивание, хотя лежит на клине», «считает наклонный жёлтый шестиугольник установленным». Это ошибки восприятия и самооценки. Разбивание руки до поломки захвата — это ошибка командного авторитета: модель запросила у оборудования то, чего оно не могло выдержать. Сделала ли это Carbon, выйдя в предел столкновения, перетянув захват или просто повторяя движение, о неудаче которого ей уже сообщали, AA не говорит, и 11-секундный клип, приложенный к посту, этого не проясняет.

Повторная попытка — это методологический вопрос, а не сноска.

«В том случае мы дали этому повторную попытку» — это самая значимая полфраза в посте, и она заслуживает более пристального рассмотрения, чем сломанный захват. AA-Robotics строится на попытках zero-shot — октябрьская публикация прямо об этом говорит, — и весь смысл физического бенчмарка zero-shot в том, что модель получает одну попытку, как получил бы человек. Разрешить повтор после отказа оборудования — оправданно: сломавшийся захват — проблема лаборатории, а не показатель планирования модели, и оценка разрушенной попытки как нулевой наказывала бы за хрупкость установки.

Но это создаёт проблему сопоставимости, на которую придётся ответить при выставлении итоговой оценки. Если была аннулирована и перезапущена ровно одна попытка, агрегированный результат сопоставим с остальными пятью, а повторный запуск — лишь сноска. Если повторный запуск разрешали более одного раза или только по задачам, где Carbon уже потерпел неудачу по причинам на стороне модели, число, которое попадёт в таблицу лидеров, будет означать не то же, что остальные пять чисел. Честный сигнал, который стоит искать при обновлении таблицы, — это строка, где указано, сколько попыток было аннулировано, по какой задаче и по какому критерию, — точно так же, как в октябрьском посте было задокументировано, что выборка захвата Argon составляла n=75 против n=95 у Astra.

Есть вторая, менее заметная проблема с измерениями. Тайминги Argon в октябрьской публикации явно указаны как оценки: Antigravity, среда запуска Gemini, не проставляет временные метки для шагов, поэтому AA интерполировал их по токенам между командами arm с измеренным временем. Carbon работает в той же среде. Если 7-часовой показатель измерялся тем же способом, его нельзя напрямую сравнивать с минутными значениями, полученными Codex и Claude Code, — и разрыв в 34 минуты с Argon вполне укладывается в погрешность, которую метод токенной интерполяции мог бы внести за прогон длительностью 453 минуты. Это не делает длительность бессмысленной. Это делает утверждение «Carbon на 8% медленнее Argon» тем, которое данные не поддерживают, хотя «Carbon занял очень много времени» — безопасное утверждение.

Что предсказал бы текстовый профиль Carbon

Ничто из этого не удивляет на фоне опубликованного поведения Carbon — той части, которую мы можем проверить независимо. В индексе v5 Artificial Analysis модель набирает 60 баллов, занимая четвёртое место из 78, а её профиль — это профиль обстоятельной, многословной рассуждающей модели, а не быстрой: 28,4 минуты на задачу при медиане 13,0 минуты, 72 выходных токена в секунду, 64,71 секунды до первого токена ответа и 205 миллионов выходных токенов по всему индексу — AA описывает это как «очень многословно» при медиане 72,8 миллиона. Кроме того, это стоит $5,48 за задачу индекса, что ставит модель на 59-е место из 77 по экономичности затрат.

Сопоставьте это — и результат лаборатории обретает форму ещё до того, как придёт оценка. Модель, которая тратит минуту, прежде чем выдать первый токен на текстовом запросе, выдаёт почти втрое больше медианного объёма и уже тратила 28 минут на задачу в статическом бенчмарке, не будет быстрой в цикле, где на каждом шаге нужно считывать данные с четырёх камер, а затем писать код движения. Семичасовой показатель — так выглядит текстовый профиль Carbon, когда его подключают к роботизированной руке. Именно недостающая оценка сказала бы нам, привело ли это обдумывание к лучшему манипулированию, а сломанный захват — по крайней мере слабое свидетельство того, что больше размышлений не превратилось в более бережные действия.

Сколько стоит такой забег и почему календарь имеет значение

Стоимость одной задачи — это показатель, который AA не опубликовала для Carbon, и гадать бессмысленно, поскольку существующий разброс огромен: 242-минутный прогон GPT-6 Astra стоил $16,36 за задачу, а GPT-6.1 Sol — $1,93; разрыв в 8,5 раза между двумя моделями одного поставщика, выполняющими одни и те же восемь задач. На восьми задачах это примерно $131 против $15. Около 70% затрат пришлось на вход и контекст, а не на выход, — именно так четыре видеопотока с камер и растущая расшифровка сказываются на счёте за токены. Carbon более многословен, чем любой из них, в тексте, так что его показатель на задачу, скорее всего, окажется высоким, — но это прогноз, а не цифра, и единственное честное применение ему — как диапазон для бюджета, а не как котировка.

Календарь — это та часть, на которую можно повлиять. Carbon стоит $2 за миллион входных и $10 за миллион выходных токенов до 30 ноября 2026 года; 1 декабря эти цены станут $4 и $20 при неизменной модели. Кэшированный ввод подорожает с $0,10 до $0,20, batch и flex работают по половинной ставке, priority — по 1,8 от стандартной. Любой длинный агентный цикл того типа, который только что запускала AA, — это в основном кэшированный контекст и повторяющиеся кадры с камер, а значит, нагрузка в стиле робототехники — это именно тот профиль, который больше всего выигрывает от текущей ставки и больше всего страдает после её изменения. Повторный запуск этого эксперимента в декабре будет стоить вдвое дороже, чем на этой неделе.

Как читать число, когда оно выпадает

Когда AA обновляет таблицу, три вещи определяют, станет ли Carbon шагом вперёд или очередным Argon.

• Совокупный показатель против 55,3 — результата Argon. Если бы модель Gemini спустя один релиз оказалась на уровне своей предшественницы или ниже, история робототехники этого семейства превратилась бы в рассказ о задержке тестового стенда, а не о возможностях.

• Успешность захвата относительно диапазона 28–45 %: Astra 45 % (n=95), Fable 44 % (n=89), Opus 40 % (n=100), Argon 36 % (n=75), Sol 28 % (n=111). Это метрика, которая зарегистрировала бы модель, ломающую захваты, потому что команда, повреждающая оборудование, и захват, промахивающийся по объекту, происходят из одного и того же отсутствия обратной связи по усилию.

• Профиль по задачам, задача за задачей. У Argon результаты были 100, 100, 100, 40, 0, 45, 57, 0 в заданиях «кнопка», «крокодил», «наливание», «уборка», «фигуры», «письмо», «башня», «измерение». Задача «измерь коробку» — та, которую не решает никто: у Astra 0, у Argon 0, у Fable 0, и только Sol и Opus набирают 17. Допуск 2 мм по трём измерениям — это задача на точность, а точность — именно то, где модель, которая бьёт манипулятором, должна проявлять себя хуже всего.

Также вполне резонно спросить, что же на самом деле оценивает этот бенчмарк. Carbon работал внутри Antigravity в режиме high effort — как и Argon. 7,5-часовая сессия — это совместная проверка способности модели к планированию и способности харнесса удерживать когерентность длинного цикла, — а октябрьские данные уже показывали артефакты, порождённые харнессом: от первого действия Argon, занявшего 25 минут, до десяти минут изучения у Fable, прежде чем что-либо тронуть. Результат Carbon всё равно будут цитировать как число модели. Но, по крайней мере отчасти, это число агентного цикла.

Если вы хотите воспроизвести эксперимент вместо того, чтобы ждать

Полезно в публичном бенчмарке с публичным стендом то, что оценка — не единственный способ извлечь из него знания. Carbon теперь можно вызывать — Google сделала gemini-4-carbon общедоступной в платном Gemini API 10 ноября 2026 года, после того как 28 октября её анонсировали закрытой группе киберзащитников — и она доступна на OrcaRouter как google/gemini-4-carbon по собственной стартовой цене Google $2/$10, на том же OpenAI-совместимом эндпоинте, что и другие модели (более 200), доступные по ключу. Поскольку мы передаём списочную цену провайдера с наценкой 0%, пересмотр цен 1 декабря произойдёт у нас в тот день, когда Google его применит, а не после цикла перепродажи.

Два практических замечания, прежде чем кто-либо направит новую модель на дорогостоящее оборудование. Во-первых, эндпоинт первой недели — это не production-эндпоинт: наши собственные агрегированные показатели для google/gemini-4-carbon за последние семь дней сейчас показывают 30,2% ошибок и p50 времени до первого токена — 6,89 секунды — по измерениям на всём пути провайдера, через который мы маршрутизируем. Это нормально для модели, которая вышла в общий доступ три дня назад, и именно поэтому не стоит жёстко зашивать один эндпоинт в цикл, работающий семь часов — автоматическое переключение между провайдерами не даёт длительной агентной сессии умереть на четвёртом часу. Во-вторых, DSL маршрутизации позволяет держать в цикле дешёвую модель для шагов, которым не нужен Carbon, что важно при 453 минутах: большая часть той сессии ушла на чтение кадров и перепланирование, а не на принятие сложных решений.

Что изменило бы эту трактовку — не более удачное видео с рукой. А то, что AA публикует оценку с задокументированными аннулированными попытками и показателем захвата рядом с остальными пятью. До тех пор точное резюме остаётся узким: Gemini 4 Carbon — первая модель в этой лаборатории, которая стоила лаборатории единицы оборудования; она выполняла задачу дольше всего, что лаборатория измеряла, кроме собственного предшественника; а последовавшая повторная попытка — это деталь, которую придётся отразить в итоговой цифре. Пост от 12 ноября — это реальная точка данных о том, как эта модель ведёт себя, когда ей дают руки. Это пока не результат о том, насколько хорошо она ими пользуется.