Gemini 4 Carbon bröt robotarmen: Vad en labbkörning på 7 timmar och 33 minuter säger innan poängen finns

Det finns ännu ingen poäng. Det är det första man behöver förstå om robotikresultatet för Gemini 4 Carbon, och nästan allt annat i den här texten följer av det. Det som finns, per den 13 november 2026, är ett enda inlägg från Artificial Analysis den 12 november där det står att Gemini 4 Carbon tillbringade 7 timmar och 33 minuter i labbet AA-Robotics v0.1, "slog runt armen så mycket att den förstörde en gripare", med den tillagda noteringen att labbet lät den göra om det försöket. Topplistan med fem modeller som publicerades den 14 oktober listar fortfarande samma fem rader som den gjorde då – 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 – och Carbon finns inte bland dem. Inget aggregerat resultat, ingen uppdelning per uppgift, ingen lyckad greppfrekvens, ingen räkning.

Så behandla detta som en tidig signal snarare än ett resultat: en varaktighet, ett hårdvarufel och ett omförsök, från laboratoriet som äger benchmarken, publicerat innan dess egen tabell har uppdaterats. Allt nedan som går utöver dessa tre fakta är inferens, märkt som sådan. Anledningen till att det fortfarande är värt att läsa nu är att Carbons föregångare, Gemini 4 Argon, är den långsammaste modellen i det laboratoriet med bred marginal, och 7 timmar 33 minuter hamnar nästan exakt ovanpå Argons siffra – vilket gör varaktigheten läsbar även utan en poäng.

Det enda offentliga numret är en klocka

Artificial Analysis beskriver AA-Robotics som att det mäter "hur väl språkmodeller förstår, planerar och agerar i den fysiska världen genom att styra en robotarm." Uppställningen är en 6-axlig Hiwonder NexArm med fem leder och en gripklo, övervakad av fyra kameror – tre på bordet, en på handleden – över åtta uppgifter på en bordsskiva: tryck på en röd knapp, lägg en krokodilleksak i en rektangel, häll en dryck i en mugg, städa in klossar i en låda inklusive locket, färdigställ en formmatchande tavla, skriv "hello world", bygg det högsta skumtornet och mät en låda med en noggrannhet på 2 mm per dimension. Försöken är zero-shot, och varje försök poängsätts från 0 till 100 med delpoäng. Modeller släpps in genom sina egna kodningsramverk vid hög ansträngning – Codex för GPT-modellerna, Claude Code för Claude, Antigravity för Gemini – och måste själva skriva Python-koden som planerar och utför rörelsen.

I kontrast till det är Carbon-datapunkten avsiktligt tunn. Sju timmar och trettiotre minuter är 453 minuter. Det anges inte om det omfattar alla åtta uppgifterna, om det inkluderar det upprepade försöket eller vad körningen kostade. Den som citerar det som en prestandasiffra läser en stoppklocka som en resultattavla.

Det den otvetydigt säger är att Carbon kördes genom labbet och att utrustningen inte överlevde intakt. Benchmarkens egen publikation dokumenterar dussintals felmoder – tomma grepp, tappade flaskor, klossar som knuffats av bordet, en penna som testades på själva sidan – och inte en enda av dem är en trasig gripare. Hårdvaruförstörelse är en kategori som oktobertexten aldrig behövde beskriva, eftersom ingen av de fem modellerna i den producerade någon sådan.

Sju timmar trettiotre, mätt mot Argon

Utgångspunkten spelar större roll än vanligt här, eftersom jämförelsen är ovanligt ren. Artificial Analysis publicerade livstidskörtider för var och en av de fem oktobermodellerna: GPT-6 Astra 242 minuter, GPT-6.1 Sol 224, Claude Opus 5.5 253, Claude Fable 5.1 249 och Gemini 4 Argon 419. Carbons 453 minuter ligger 34 minuter över Argon – cirka 8 % längre – och ungefär 200 minuter över de fyra icke-Gemini-modellerna, som klustrar sig i ett intervall på 224 till 253 minuter.

• Tempo per uppgift, om sessionen omfattade alla åtta uppgifterna – Carbon cirka 56,6 minuter per uppgift jämfört med Argons 52,4, Astras 30,3 och Sols 28.

• Jämfört med en människa uppskattar AA att människor tar ungefär 20 sekunder per uppgift, så 453 minuter för åtta uppgifter är ungefär 170 gånger långsammare än en person som utför samma tabletop-arbete.

• Andel av tiden som ägnas åt planering — Argons fördelning var 42 % förståelse, 45 % planering, 6 % kameror, 6 % arm. Astra och Sol vände på det och lade 13 % av körningen på faktisk armrörelse och majoriteten på planering.

Det är i den där sista raden som den trasiga gripklon blir intressant i stället för rolig. I oktoberdatan lade de två högst poängsatta modellerna (Astra på 69,4 och Sol på 64,6) minst tid på att förstå scenen och mest tid på att planera; Argon, den långsammaste och tredje bästa, ägnade 42 % av sin körning åt att bara titta. En modell som överlägger längre och sedan skadar hårdvaran uppvisar inte samma fel som misstagsväggen från oktober beskrev. Väggen är full av modeller som felbedömde tillstånd – ”rapporterar att locket är i nivå och inriktat medan det vilar på en kil”, ”räknar en lutande gul hexagon som placerad”. Det är perceptions- och självbedömningsfel. Att slå en arm tills en gripklo går sönder är ett kommandoauktoritetsfel: modellen begärde något av hårdvaran som hårdvaran inte kunde klara. Om Carbon gjorde det genom att köra in i en kollisionsgräns, dra åt ett grepp för hårt eller helt enkelt upprepa en rörelse som den redan hade fått veta hade misslyckats, har AA inte sagt, och det 11 sekunder långa klippet som bifogats inlägget avgör inte saken.

Återförsöket är den metodologiska frågan, inte en fotnot.

”Vi gav den ett nytt försök på den där” är den mest avgörande halvmeningen i inlägget, och den förtjänar mer granskning än det trasiga gripdonet. AA-Robotics är uppbyggt kring zero-shot-försök – oktoberpublikationen säger det uttryckligen, och hela poängen med ett fysiskt zero-shot-benchmark är att modellen får ett enda försök, precis som en människa skulle få. Att bevilja ett omförsök efter ett utrustningsfel är försvarbart: ett knäckt gripdon är labbets problem, inte ett mått på modellens planering, och att poängsätta det förstörda försöket som en nolla skulle straffa testriggens bräcklighet.

Men det skapar ett jämförbarhetsproblem som den slutliga poängen till slut måste förhålla sig till. Om exakt ett försök ogiltigförklarades och kördes om är aggregeringen jämförbar med de andra fem och omkörningen en fotnot. Om omkörningen beviljades mer än en gång, eller bara på uppgifter där Carbon redan hade misslyckats av modellrelaterade skäl, kommer siffran som hamnar på resultattavlan inte att betyda vad de andra fem siffrorna betyder. Det ärliga att leta efter när tabellen uppdateras är en rad som anger hur många försök som ogiltigförklarades, på vilken uppgift och enligt vilket kriterium – på samma sätt som oktoberinlägget dokumenterade att Argons grasp-prov var n=75 mot Astras n=95.

Det finns ett andra, mindre uppmärksammat mätproblem. Tidsangivelserna för Argon i oktoberpublikationen är uttryckligen uppskattningar: Antigravity, Geminis harness, tidsstämplar inte steg, så AA interpolerade dem utifrån tokens mellan tidsmätta armkommandon. Carbon körs i samma harness. Om siffran på 7 timmar mättes på samma sätt är den inte direkt jämförbar med de minutantal som genereras av Codex och Claude Code – och 34-minutersskillnaden gentemot Argon ligger väl inom det fel som en tokeninterpoleringsmetod skulle kunna införa under en 453 minuter lång körning. Det gör inte varaktigheten meningslös. Det gör ”Carbon är 8 % långsammare än Argon” till ett påstående som data inte stöder, även om ”Carbon tog mycket lång tid” är säkert.

Vad Carbons textprofil skulle förutspå

Inget av detta är förvånande mot bakgrund av Carbons publicerade beteende, vilket är den del vi kan kontrollera oberoende. På Artificial Analysiss v5-index får modellen 60 poäng, fjärde plats av 78, och dess profil är en eftertänksam, ordrik resonerare snarare än en snabb: 28,4 minuter per uppgift mot ett medianvärde på 13,0 minuter, 72 utdatatoken per sekund, 64,71 sekunder till första svarstoken och 205 miljoner utdatatoken över hela indexet – som AA beskriver som "mycket ordrikt" mot ett medianvärde på 72,8 miljoner. Den kostar också 5,48 dollar per indexuppgift och rankas som 59:e av 77 i kostnadseffektivitet.

Läser man dem tillsammans har labbresultatet en form innan poängen kommer. En modell som lägger en minut innan sin första token på en textprompt, ger ifrån sig nästan tre gånger medianvolymen och redan tog 28 minuter per uppgift i ett statiskt benchmark kommer inte att vara snabb i en loop där varje steg kräver att läsa fyra kameraströmmar och sedan skriva rörelsekod. Siffran på 7 timmar är hur Carbons textprofil ser ut när den är fäst vid en robotarm. Huruvida den överläggningen gav bättre manipulation är precis vad den saknade poängen skulle berätta för oss, och den trasiga gripklon är åtminstone svagt bevis för att mer tänkande inte ledde till varsammare agerande.

Vad ett sådant lopp kostar, och varför kalendern spelar roll

Kostnaden per uppgift är den siffra som AA inte har publicerat för Carbon, och att gissa skulle vara värdelöst eftersom spridningen är enorm: GPT-6 Astras 242-minuterskörning kostade $16.36 per uppgift, GPT-6.1 Sols kostade $1.93 – en 8.5x skillnad mellan två modeller från samma leverantör som utför samma åtta uppgifter. över åtta uppgifter är det ungefär $131 mot $15. Ungefär 70 % av utgifterna gick till indata och kontext snarare än utdata, vilket är vad fyra kameraströmmar och en växande transkription gör med en tokenräkning. Carbon är mer ordrik än båda på text, så om något borde dess siffra per uppgift hamna högt – men det är en förutsägelse, inte en siffra, och det enda ärliga sättet att använda den är som ett budgetintervall snarare än en offert.

Kalendern är den del du kan agera på. Carbon ligger på $2 per miljon indatatoken och $10 per miljon utdatatoken till och med den 30 november 2026; den 1 december blir dessa $4 och $20 utan att modellen ändras. Cachad indata går från $0,10 till $0,20, batch och flex körs till halva priset, priority till 1,8 gånger standardpriset. Varje lång agentisk loop av det slag som AA just körde består mestadels av cachad kontext och upprepade kamerabilder, vilket innebär att en arbetsbelastning i robotikstil är precis den form som tjänar mest på nuvarande pris och drabbas hårdast efter det. Att köra om det här experimentet i december kostar dubbelt så mycket som det kostar den här veckan.

Hur man läser numret när det landar

När AA uppdaterar tabellen avgör tre saker om Carbon är ett steg framåt eller ett nytt Argon.

• Aggregatet mot 55,3 – Argons poäng. En Gemini-modell som ligger på eller under sin egen föregångare, en version senare, skulle göra familjens robotikberättelse till en berättelse om harness-latens i stället för kapacitet.

• Greppframgång mot intervallet 28–45 %: Astra 45 % (n=95), Fable 44 % (n=89), Opus 40 % (n=100), Argon 36 % (n=75), Sol 28 % (n=111). Detta är mätvärdet som skulle registrera en modell som förstör gripdon, eftersom ett kommando som skadar hårdvara och ett grepp som missar objektet kommer från samma brist på kraftåterkoppling.

• Profilen per uppgift, uppgift för uppgift. Argons var 100, 100, 100, 40, 0, 45, 57, 0 på knapp, krokodil, hälla, städa, former, skriva, torn, mäta. Uppgiften att mäta lådan är den som ingen löser: Astra 0, Argon 0, Fable 0, med bara Sol och Opus på 17. En tolerans på 2 mm över tre dimensioner är en precisionsuppgift, och precision är där en modell som dunkar en arm borde framstå som sämst.

Det finns också en berättigad fråga om vad benchmarken egentligen mäter. Carbon kördes i Antigravity med hög ansträngning, liksom Argon. En session på 7,5 timmar är ett gemensamt test av modellens planering och av testramverkets förmåga att hålla en lång loop sammanhängande – och data från oktober visade redan artefakter formade av testramverket, från Argons första åtgärd på 25 minuter till Fables tio minuters studium innan den rörde något. Carbons resultat kommer ändå att citeras som ett modellnummer. Det är åtminstone delvis ett nummer för agentloopen.

Om du vill återskapa experimentet istället för att vänta

Det användbara med ett offentligt benchmark med en offentlig rigg är att poängen inte är det enda sättet att lära sig av det. Carbon går nu att anropa – Google gjorde gemini-4-carbon allmänt tillgänglig på den betalda Gemini API:n den 10 november 2026, efter att ha annonserat den till en sluten grupp cyberförsvarare den 28 oktober – och den finns nu på OrcaRouter som google/gemini-4-carbon till Googles eget introduktionspris på $2/$10, på samma OpenAI-kompatibla endpoint som de andra över 200 modeller på nyckeln. Eftersom vi för vidare leverantörens listpris med 0 % påslag, landar omprissättningen den 1 december på vår sida samma dag som Google tillämpar den, i stället för efter en återförsäljningscykel.

Två praktiska anmärkningar innan någon riktar en ny modell mot dyr hårdvara. För det första är en endpoint för första veckan inte en produktionsendpoint: våra egna aggregerade siffror för google/gemini-4-carbon visar för närvarande en felfrekvens på 30,2 % och en p50-tid till första token på 6,89 sekunder under de senaste sju dagarna, mätt över den leverantörsväg vi dirigerar. Det är normalt för en modell tre dagar in i allmän tillgänglighet och det är också exakt därför man inte hårdkodar en endpoint i en loop som körs i sju timmar — automatisk failover mellan leverantörer är det som hindrar en lång agentisk session från att dö vid timme fyra. För det andra låter routnings-DSL:en dig behålla en billig modell i loopen för de steg som inte behöver Carbon, vilket spelar roll vid 453 minuter: större delen av den sessionen gick åt att läsa bildrutor och planera om, inte att fatta några svåra beslut.

Det som skulle förändra den här tolkningen är inte ett bättre klipp av armen. Det är att AA publicerar en poäng med de ogiltigförklarade försöken dokumenterade, och en greppfrekvens bredvid de andra fem. Fram till dess är den korrekta sammanfattningen snäv: Gemini 4 Carbon är den första modellen i det labbet som kostade labbet en bit hårdvara, det tog längre tid än något annat labbet har mätt utom dess egen föregångare, och återförsöket som följde är en detalj som det slutliga numret kommer att behöva bära. Inlägget den 12 november är en verklig datapunkt om hur den här modellen beter sig när den får händer. Det är ännu inte ett resultat om hur väl den använder dem.