Ett titelkort med texten 'Carbon nämns en gång. Argon gör jobbet.' och undertexten 'Google Research, 13 november 2026', ovanför tre räknade fakta: Gemini 4 Carbon nämns 1 gång i inläggets brödtext, Gemini 4 Argon nämns 13 gånger, och den största enskilda artefakten: en Lean 4-formalisering av Courtade-Kumar-förmodan på 50 miljoner rader.
Engineering & Research

Gemini 4 Carbon gick till labbet. Googles egen redogörelse ger Gemini 4 Argon credd tretton gånger.

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Femtio miljoner rader Lean 4. Det var vad som krävdes för att maskinverifiera ett bevis för Courtade–Kumar-förmodan, ett resultat från 2013 inom informationsteori om hur mycket av en brusig bitsträng som överlever komprimering, och det är den största enskilda artefakten i forskningsrapporten som publicerades den 13 november 2026 under titeln "Att föra vetenskap och teknik framåt med Antigravitys /teamwork." Inlägget är källan till påståendet som nu cirkulerar att forskare använder Gemini 4 Carbon för att arbeta med flerstegsproblem inom fysik, matematik och livsvetenskaperna. Carbon finns med i inlägget. Det nämns exakt en gång, i en lista med tre modeller högst upp. Varenda en av fallstudierna nedan – förmodan, de formaliserade Weil-förmodningarna, NMR-strukturbestämningen, Go-motorn, omskrivningen av Zircon-kärnan – tillskrivs i brödtexten Gemini 4 Argon, eller "Gemini 4" utan nivåbeteckning, eller själva ramverket.

Det är inte en skandal och det är inte en rättelse. Det är en distinktion som är värd att få rätt innan någon budgeterar utifrån den, eftersom de två modellerna inte är utbytbara på det sätt som tweeten antyder, och eftersom priset för Carbon är planerat att fördubblas den 1 december 2026 – fjorton dagar från och med idag. Det följande är vad inlägget faktiskt säger, vilka påståenden som klarar granskning, vilka som är leverantörsrapporterade och inte reproducerade, och vad en läsare utanför Google kan göra med något av det den här veckan.

Inlägget, programmet och den enda meningen

Google Research publicerade det den 13 november, tillskrivet Vahab Mirrokni, Google Fellow och VP för Google Research. Inledningsstycket namnger modellerna i en enda lista: "Med Gemini 4 Argon, Gemini 4 Carbon, Gemini 4 Hydrogen och multiagentarbetsflöden som Antigravitys /teamwork (byggda på olika Gemini-modeller) har dessa samarbeten lett till nya innovationer…" Den meningen utgör hela Carbons närvaro i argumentet. Räknar man namnen i brödtexten nedanför den förekommer Argon tretton gånger, Hydrogen en gång och Carbon inte igen.

Anledningen är strukturell snarare än pinsam. /teamwork är ett ramverk, inte en modell: det kör en pool av specialiserade agenter, ger var och en bara de filer och verktyg som dess steg behöver, lämnar över arbetet till färska efterträdare så att kontexten inte ruttnar under körningar som pågår i flera dagar, och dirigerar varje prompt till ett arbetsflödesmönster som valts för uppgiften. Det är verifieringslagret som Google egentligen säljer – Lean 4-kontrollen, oförändrade testsviter, exekveringssimulatorer, hårdvaruräknare – och som fungerar som falsifierare vilka avgör vilket kandidatsvar som överlever. När ett ramverk sköter orkestreringen och en beviskontrollant sköter bedömningen spelar modellen under mindre roll än loopen runt den. Argon, modellen som har varit tillgänglig via det betalda API:et sedan 13 oktober 2026, är den som kampanjerna kördes på.

Carbons eget argument för att vara med på listan är verkligt men annorlunda: det är den starkaste allmänna modellen som Google har publicerat, och på Artificial Analysis ligger den för närvarande på fjärde plats av 81 modeller med 60 på Intelligence Index v5.0.1. Ingenting i inlägget från 13 november motsäger det. Ingenting i det visar heller att Carbon utför arbetet.

Screenshot of the Google Research blog post 'Advancing science & engineering with Antigravity's /teamwork', dated 13 November 2026 and credited to Vahab Mirrokni, showing the opening paragraph that lists Gemini 4 Argon, Gemini 4 Carbon and Gemini 4 Hydrogen alongside Antigravity's /teamwork multi-agent workflows.

Resultaten, ordnade efter hur kontrollerbara de är

Inlägget är ovanligt generöst med specifika detaljer för att vara en forskningsblogg, vilket gör det möjligt att sortera påståendena efter vilken typ av bevis som ligger bakom dem snarare än efter hur imponerande de låter.

• Maskinkontrollerat, så i princip verifierbart — Courtade–Kumar-beviset, formaliserat från början till slut i Lean 4 på 50 miljoner rader, med den mänskliga insatsen namngiven: ett CUHK-team föreslog kandidatfunktionen som reducerade problemet till en optimering med 14 variabler. Även i den här kategorin: formaliseringen av Weils förmodanden på ungefär 1,8 miljoner rader över 28 800 subagent-anrop, Hilberts tionde problem över allmänna ringar på över 919 000 rader, Birkhoffs förmodan som varit öppen sedan 1927, och den tredimensionella Bochner–Riesz-förmodan, där systemet rapporterar att det har hittat och åtgärdat en lucka i ett nyligen publicerat informellt bevis. Ett Lean-bevis som kompilerar är en annan typ av påstående än en benchmarkpoäng, och Google förtjänar äran för det — även om "50 miljoner rader genererad bevirkod" också är ett uttalande om sökvolym snarare än elegans.

• Uppmätt, med mätningen beskriven — resultatet inom molekylkemi. Trettio specialiserade agenter i en självkorrigerande loop, plus en fysikinformierad spektral simulator, nådde 95 % exakt träff på top-1 och 100 % på top-3 i benchmarkar för NMR-strukturbestämning, vilket Google beskriver som nästan dubbelt så bra som prestandan för en enskild agent. Detta är det närmaste inlägget kommer ett livsvetenskapligt påstående, och det är det som mest sannolikt kommer att citeras. Benchmarkmolekylerna namnges inte i inlägget, baslinjesiffran för enskild agent anges endast som ett förhållande, och ingen oberoende replikering finns ännu.

• Peer-nära, med en enkät bifogad — Deep Review på STOC 2027. Författare till 578 bidrag, mer än en tredjedel av det totala antalet, valde att få automatiserad återkoppling på sina utkast. I en pågående enkät med 70 författare bedömde 90 % att återkopplingen till största delen eller nästan helt höll sig till fakta, 90 % sade att de skulle använda den igen, över 30 % sade att den fångade substantiella bevisfel och 14 % rapporterade tekniska luckor som tog mer än en timme att åtgärda. Det är självutvalda respondenter som beskriver sina egna bidrag, vilket är svagare än en kontrollerad studie och mycket starkare än ett vittnesmål.

• Tekniska mätvärden från produktionssystem — en Rust-omskrivning av cirka 800 000 rader för Zircon-mikrokärnan som klarar sina enhetstester och startar på arm64; libgav1 porterat till ungefär 170 000 rader Rust med 100 % bit-exakt paritet och som i slutändan är 20 % till 30 % snabbare än originalet i C++ och handskriven assembly; TPU-kärnarbete som rapporterar en geometrisk medelhastighetsökning på 4,09x över 17 JAXBench-kärnor; Connected Components som skalar till grafer med biljoner kanter med 6x lägre RAM; och en 9x9 Go-motor som vann cirka 2 600 Elo på under åtta dagar och landade mellan KataGo vid 16 och 32 besök. Dessa är interna mätningar som företaget valde att publicera, utan extern granskning och, i de flesta fall, utan någon släppt artefakt.

• Inte med i inlägget över huvud taget — ingenting om kostnad. Ingen kampanjbudget, inget antal tokens, ingen kostnad per resultat förekommer någonstans i redogörelsen. För ett system vars resultat omfattar bevis på 50 miljoner rader och åtta dagar långa autonoma träningskörningar är det den lucka som en läsare som planerar sin egen kampanj helst skulle vilja få fylld.

Läs listan igen med tillskrivningen i åtanke, så blir formen tydlig: testramen producerar resultatet, verifieraren certifierar det, de mänskliga experterna ramar in problemet, och modellen är motorn – en motor bland tre, och inlägget namnger den som det lutade sig mot.

Varför ett harness-resultat inte är ett modellresultat, och hur man prissätter skillnaden

Incitamentet att sammanblanda de båda är uppenbart, eftersom en benchmarkpoäng är ett tal man kan jämföra och ett resultat från utvärderingsramverket är en berättelse om ett arbetsflöde. Carbons jämförbara siffra, uppmätt av en tredje part utan intresse i utvärderingsramverket, är 60 på Intelligence Index v5.0.1 — fjärde av 81, med Claude Fable 5.2 på 65 över den och GPT-6.1 Sol på 55 under. Samma sida anger Carbons kostnad till 5,48 dollar per slutförd indexuppgift och dess tid till 33,2 minuter per uppgift, båda väl över medianerna för dess prisklass, eftersom den skriver 205 miljoner utdatatokens för att slutföra det som medianmodellen slutför med 78,6 miljoner.

Screenshot of the Artificial Analysis model page for Gemini 4 Carbon, showing an Intelligence Index of 60 and a rank of fourth of 81, a time to first answer token of 72.88 seconds, output speed of 62 tokens per second, 33.2 minutes per Intelligence Index task, input and output pricing of $2.00 and $10.00 per million tokens with a 95% cache discount, a cost of $5.48 per Intelligence Index task, 7.62 billion input tokens and 205 million output tokens, and a 1M-token context window with text, image, speech and video input.

Den utförligheten är inte en defekt i en bevissökning. När uppgiften är att utforska en parameterrymd och kontrollera kandidater mot Lean, är det att skriva mer som är metoden. När uppgiften är ett supportärende, är det notan. Inlägget från 13 november är bevis för det första fallet och säger ingenting om det andra – och varje team som läser det som "Carbon är modellen för vår agent" lånar ett resultat från en testram som de inte kör, på en uppgiftstyp som de kanske inte har.

Det som är överförbart är designmönstret, och det är inte bara Googles: parallell utforskning, en extern falsifierare som inte har någon åsikt, färsk kontext per steg, och en kritiker som aldrig ser producentens resonemang. Var och en av dessa är en egenskap hos hur du anropar en modell, inte hos vilken modell du anropar.

Vad en utomstående faktiskt kan få, och vad det kostar efter 1 december

Inlägget avslutas med det mest handlingsbara stycket: externa forskare och utvecklare kan använda Gemini 4-modellerna med /teamwork och /boost i Antigravity och Deep Review redan i dag, och Google har öppnat ansökningar som ger 10 000 akademiska forskare sex månaders gratis åtkomst till sin högsta användningsnivå. Det programmet är den verkliga nyheten för ett labb. Det är också den enda erbjudna vägen som är gratis, och den är begränsad, ansökningsstyrd och tidsbegränsad.

Alla andra köper tokens. Gemini 4 Carbon blev allmänt tillgängligt på det betalda Gemini API:et den 10 november 2026, tretton dagar efter att Google tillkännagav det, till $2.00 per miljon input-tokens och $10.00 per miljon output-tokens – en taxa som gäller till och med den 30 november och blir $4.00 och $20.00 den 1 december, med cachad input som flyttas från $0.10 till $0.20 samma datum. Det finns ingen gratisnivå för modellen; varje bearbetad token faktureras, även tanketokens. En sex veckor lång forskningskampanj prissatt till dagens taxa är en kampanj prissatt till halva sin decemberkostnad, vilket antingen är ett argument för att börja nu eller en anledning att beräkna fakturan utifrån det högre beloppet.

Carbon dirigeras på OrcaRouter som google/gemini-4-carbon till Googles listpris med 0 % påslag, på samma nyckel och samma OpenAI-kompatibla endpoint som resten av katalogen, vilket spelar roll här av en vardaglig anledning: ändringen den 1 december är en ändring av leverantörspriset, och en vidarefakturerad taxa innebär att siffran på vår sida följer Googles samma dag i stället för efter en omprissättningscykel. Modellsidan anger det aktuella omfånget – kontext på 1 048 576 tokens, maximal utdata på 65 536 tokens, text, bild, ljud, video och PDF in, text ut, inbyggt verktygsanrop och strukturerade utdata – vilket är det specifikationsblad som Googles eget lanseringsinlägg inte publicerade.

Screenshot of the OrcaRouter model page for google/gemini-4-carbon, showing a 1,048,576-token context window, a 65,536-token maximum output, multimodal input across text, image, file, audio and video with text output, tool calling and structured outputs, and pricing of $2.00 per million input tokens and $10.00 per million output tokens.

Frågan som inlägget lämnar öppen

Google har nu, på tjugo dagar, publicerat ett tillkännagivande som placerade Carbon först på ett neutralt index, ett inlägg om allmän tillgänglighet som gjorde den anropbar och satte datum för sin egen rabatt, samt ett forskningsinlägg som använde den i en lista tillsammans med två syskonmodeller. Det som inte har publicerats är ett enda resultat som företaget tillskriver enbart Carbon, till en angiven kostnad, på en uppgift som en tredje part kan köra om. Tills det finns är den ärliga sammanfattningen av den 13 november snävare än tweeten och mer användbar: testramverket fungerar, verifieraren är den intressanta delen, och modellen som nämns tretton gånger är den som kampanjerna faktiskt körde på.

Jämförda i den här artikeln1

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen