Gemini 4 Carbons Pelican Demo, nedmonterad: två agenter, en Blender-pipeline och en granskningsloop som faktiskt sluter sig

Det mest användbara Google lanserade den 10 november 2026 var inte en benchmarktabell. Det var en fågel på en cykel. I samma inlägg som gjorde Gemini 4 Carbon allmänt tillgängligt beskrev Google en körning där Carbon-agenter byggde ett 3D-spel med öppen värld – du utforskar Googles campus i Mountain View som en pelikan som cyklar på en GBike – genom att modellera objekt i Blender och sedan bygga webbläsarspelet i Three.js med WebGL-shaders, med procedurella Web Audio-effekter matchade mot Lyria-musik. Klippet som cirkulerade tillsammans med det är cirka 77 sekunder långt. Det som är värt din uppmärksamhet är inte pelikanen. Det är att slingan slöts: något i den pipelinen tittade på det den hade renderat och avgjorde om det var tillräckligt bra.

Det är ett annat påstående än "modellen är smart". Demos väljs ut, och den här valdes av leverantören. Men en demo med en granskare i är testbar på ett sätt som ett benchmarkresultat inte är — du kan läsa strukturen, räkna rollerna och fråga dig om samma form skulle överleva ditt eget arbete. Så det här är en genomgång snarare än en lanseringsartikel: vad som byggdes, hur agenterna delades upp, vad körningen visar och inte visar, och vad det kostar att rikta samma mönster mot något du faktiskt bryr dig om.

Vad som faktiskt byggdes, i den ordning det byggdes

Googles beskrivning är ovanligt specifik om verktygskedjan, vilket är det som gör den värd att läsa som en ingenjörsanteckning. Körningen hade tre mediedelar, och de är inte utbytbara:

• Assets — subagenter modellerade 3D-objekt i Blender, utifrån referenser som genererats av Omni och Nano Banana. Det är ett modelleringssteg, inte ett kodsteg: geometri, material och skala kommer ut ur det, och allt nedströms ärver vad som än är fel med dem.

• Spelet – byggt i Three.js med WebGL-shaders, så leveransen är en scen som kan renderas i webbläsaren snarare än en renderad video. En shader som kompilerar är en hård, maskinkontrollerbar signal på ett sätt som "ser snyggt ut" inte är.

• Ljud — procedurella Web Audio-effekter kombinerade med Lyria-musik. Detta är den del som är minst kopplad till granskningsloopen och den som mest sannolikt handjusteras av en människa i efterhand.

Samma inlägg visar fyra andra 3D-byggen bredvid det, och mönstret upprepas: en interaktiv Three.js-utställning av Eiffeltornets konstruktion 1887–1889 utifrån historiska fotografier och ingenjörsplanscher; en Three.js-rekonstruktion av Googles kontor Platform 37 med 906 000 trianglar, byggd under tio nattliga loopar utifrån sju planerings-PDF:er från City Council; en textilvisualiserare med polär spårning av 110 fibrer; och ett spelbart fortepiano med escapement-fysik för 61 tangenter. Vad som än annars är sant är detta inte en enda turlig prompt. Det är en uppsättning körningar i samma form.

Två agenter, eller en agent med tre jobb?

Observatörernas redogörelser och Googles egen beskrivning skildrar samma körning ur olika vinklar, och skillnaden är lärorik. Den mest spridda kinesiskspråkiga sammanfattningen, från @dotey den 10 november, delar upp den i en byggaragent och en granskaragent som kontrollerar sina egna renderingar. Den ursprungliga inläggsförfattaren, Vamsi Batchu på Google AI Studio, beskriver samma sak som en pelikan som samlar TPU-chip runt campus — och tillskriver Google Antigravitys /swarm-funktion, som Google beskriver som att förvandla en enda prompt till "ett samordnat team av agenter som du kan följa i realtid."

Googles inlägg tilldelar Carbon rollerna snarare än medierna: "arkitektonisk design, samordning och granskning." Läst tillsammans med observatörsbeskrivningen är formen en byggare som producerar geometri och kod, och en granskare som tittar på resultatet snarare än källan. Den distinktionen spelar större roll än antalet agenter. En agent som granskar sin egen diff har en svag signal; en agent som granskar en renderad bildruta, en shader som kompileras eller en skärmbild av det körande spelet har en stark signal, eftersom felet är synligt i artefakten i stället för diskutabelt i prosan.

Två ärliga förbehåll om källorna. Uppdelningen mellan byggare och granskare kommer från personer som beskriver körningen, inte från ett publicerat arkitekturdiagram – behandla den som en trogen sammanfattning snarare än en specifikation. Och /swarm är i förhandsversion i Antigravity, så det orkestreringslager du skulle återskapa är inte allmänt tillgängligt.

Det finns också en praktisk hake som ingen nämner: den länkade AI Studio-appen ligger bakom en Google-inloggning. Jag kunde inte öppna spelet anonymt – webbadressen omdirigerar direkt till accounts.google.com. Så "spelbart i din webbläsare" betyder "spelbart om du har ett Google-konto och, för själva appen, en AI Studio-session". Det är en liten sak som hundra återpubliceringar av videon tyst hoppade över.

Varför ett spel är ett hårdare test än den SVG som det ersatte

Pelikan-på-cykel-prompten tillhör Simon Willison, som har kört den mot i stort sett varje frontier-släpp sedan 2024 – först som en enda SVG-förfrågan, sedan, när modellerna slutade skilja sig åt på platt SVG, som 3D-promptar: en WebGL-sida, Blender-renderingar, p5.js-skisser. Testets värde låg aldrig i att en pelikan är svår. Det ligger i att resultatet är visuellt, fristående och omedelbart bedömbart av en människa på under en sekund.

Det som Carbons körning gör är att flytta upp samma egenskap en svårighetsnivå. En SVG är en enda artefakt i ett enda språk. Det här är geometri från ett verktyg, kod i ett annat, en runtime i ett tredje och ett granskningssteg som måste få alla tre att stämma överens – vilket är precis den typ av uppgift där långhorisontellt agentarbete vanligtvis fallerar, inte på första steget utan på det fjortonde, när modellen har glömt vilket koordinatsystem den har valt.

Googles sammanfattning av förmågan är precis, och den namnger mekanismen: för webbapputveckling "kör modellen bygg-och-verifiera-loopar, återhämtar sig från fel och kontrollerar både sin kod och det renderade användargränssnittet." Det är hela tricket, sagt rakt ut. Den intressanta variabeln är inte hur bra det första försöket är. Det är hur många varv loopen kan snurra innan agenten slutar förbättras och börjar gå i spinn.

Vad demon inte berättar för dig

En leverantörsdemo är ett utvalt urval, och urvalet är själva poängen med övningen. Tre saker som den inte kan besvara:

• Hur ofta det misslyckas. Vi ser körningen som blev klar. Ingen publicerar de elva som fastnade, och det finns ingen nämnare någonstans i inlägget.

• Vad det kostade. Tio loopar över natten i Platform 37-bygget innebär en massa tokens och en massa väggklockstid. Med Carbons priser är det en verklig summa, och Google anger den inte.

• Om en billigare modell hade räckt. Det är den fråga en läsare faktiskt borde ställa, och demon är strukturellt oförmögen att besvara den.

För de delar som kan mätas är Artificial Analysis motvikten, och dess siffror är mindre smickrande än videon. Gemini 4 Carbon med hög ansträngning får 60 på Intelligence Index v5.0.1 — fjärde av 74 modeller, efter tre konfigurationer av Claude Fable 5.2 på 65, 62 och 62. Dess kostnad per indexuppgift är 7,76 dollar, rankad 61:a av 73 i det måttet, och den förbrukar 205 miljoner uttokenar över indexet mot en median på nära 73 miljoner: den är en mångordig modell, och prissättningen per token underskattar vad en Carbon-arbetsbelastning kostar. Utdatashastigheten är cirka 82 tokens per sekund med ungefär 67,5 sekunder till första token i svaret — tillräckligt snabb per token, men tillräckligt långsam till den första för att framstå som en batch-och-vänta-profil snarare än en chattbox. På Coding Agent Index placerade samma utvärderare Carbon på 59 med Antigravity CLI mot 62 för Claude Code med Opus 5.5.

Vad den inte är, är bevis, och den billigaste saknade pusselbiten är den som den här utvecklingslinjen vanligtvis tillhandahåller. Willison kör pelican-prompten på nästan varje release och publicerar resultaten; i november 2026 täcker hans pelican-inlägg Claude Fable 5.2 på fem resonemangsnivåer och Muse Ember på sex, och det finns ingen Carbon-uppsättning bland dem. Tills en sådan dyker upp är pelican-demon Googles artefakt och ingen annans – en leverantörsvald build med en leverantörsskriven beskrivning, och ingen extern körning att jämföra felfrekvensen mot.

Vad det kostar att köra samma loop själv

Carbon finns endast på Googles betalnivå. Det finns ingen gratis väg: AI Studio-appen kräver ett Google-konto, API:et kräver fakturering, och varje bearbetad token faktureras, inklusive tanketokens. Prislistan är introduktionsprissatt och tidsbegränsad:

• Till och med den 30 november 2026 – 2,00 USD per miljon indatatoken, 10,00 USD per miljon utdatatoken.

• Från 1 december 2026 — 4,00 $ och 20,00 $, för en modell som inte har ändrats.

• Kontext — 1M tokens, utan någon längdbaserad prisnivå, så en kodbas på 900 000 tokens kostar samma per token som en prompt på 2 000 tokens.

Sätt ordrikedomen bredvid stupet och aritmetiken blir obehaglig. En bygg- och granskningsloop är utdatatung till sin konstruktion: granskaren skriver, byggaren skriver om, och transkriptet växer för varje tur. En arbetsbelastning på 100 miljoner indata-tokens och 20 miljoner utdata-tokens faktureras till 400 dollar den här månaden – 200 dollar in, 200 dollar ut – och 800 dollar från och med 1 december för identisk trafik. Om du pilotkör i november ska du prissätta piloten enligt decemberpriserna, annars godkänner du en budget som är fel med en faktor två.

Värt att vara tydlig med var vi står: Gemini 4 Carbon finns inte i OrcaRouter-katalogen, och inget här bör läsas som ett påstående om att det gör det. Det som finns är google/gemini-4-argon till Googles eget $2 in / $10 ut — samma kort som Carbon ligger på den här månaden — vid sidan av DeepSeek V4 Pro på $0,66/$1,98 och Grok 4.7 på $2/$6, allt på en enda OpenAI-kompatibel nyckel över 216 modeller, med leverantörens listpris vidarebefordrat med 0 % påslag så en ändring av leverantörens pris slår igenom samma dag som den sker i stället för efter en prisomräkningscykel. För just det här mönstret spelar det roll av en tråkig anledning: en multiagentbyggloop är den arbetsbelastning som mest sannolikt drabbas av en hastighetsbegränsning eller en dålig eftermiddag hos en leverantör, och failover via en andra väg är billigare än att upptäcka taket halvvägs genom en körning med tio loopar.

Om du vill kopiera strukturen kopierar du granskningssteget

Den överförbara delen av den här demon är inte Blender, och det är inte Three.js. Det är att granskaren fick något den kunde titta på. Tre åtgärder, i ordning efter hur mycket de förändrar resultatet:

• Gör artefakten till granskningsunderlaget. Ta en skärmbild av den körande appen, rendera bildrutan, kompilera shadern, kör testet – och lämna sedan det tillbaka, inte diffen. En agent som får frågan "är den här koden korrekt" håller med sig själv. En agent som får frågan "matchar den här skärmbilden briefen" har något att ha fel om.

• Sätt ett tak för loopen och kontrollera att den konvergerar. Tio nattliga loopar är antalet Google anger för en build. Välj ditt eget tak och logga om varje varv faktiskt förbättrade artefakten – en agent som har slutat förbättras är vanligtvis en agent som har börjat byta tapeter.

• Håll verktygskedjan tråkig och granskningsbar. Blender-exporter, Three.js, WebGL och en webbläsare är alla deterministiska och inspekterbara. Inget i den här körningen är beroende av en funktion som bara en leverantör har; det är beroende av en modell som fortsätter även efter det första misslyckandet.

Det som är värt att hålla utkik efter härnäst är smalt och specifikt. Huruvida /swarm lämnar förhandsversionen, eftersom orkestreringen är den del du inte kan återskapa i dag. Huruvida någon utanför Google publicerar en Carbon pelican – Willisons version är det närmaste den här utvecklingslinjen kommer ett oberoende resultat, och den har inte dykt upp. Och huruvida tolvdagarsgapet mellan det begränsade tillkännagivandet den 28 oktober och den allmänna lanseringen den 10 november visar sig vara mönstret, eller undantaget. Demon kommer att citeras i månader. Loopen bakom den är det som antingen generaliserar eller inte.