Gemini 4 Carbon ทำให้แขนหุ่นยนต์พัง: การทดลองในแล็บนาน 7 ชั่วโมง 33 นาทีบอกอะไรได้บ้างก่อนที่คะแนนจะถูกเปิดเผย

ยังไม่มีคะแนน นั่นคือสิ่งแรกที่ต้องเข้าใจเกี่ยวกับผลลัพธ์ด้านหุ่นยนต์ของ Gemini 4 Carbon และเกือบทุกอย่างที่เหลือในบทความนี้ล้วนตามมาจากสิ่งนั้น สิ่งที่มีอยู่ ณ วันที่ 13 พฤศจิกายน 2026 คือโพสต์เดียวจาก Artificial Analysis เมื่อวันที่ 12 พฤศจิกายน ซึ่งระบุว่า Gemini 4 Carbon ใช้เวลา 7 ชั่วโมง 33 นาทีภายในห้องแล็บ AA-Robotics v0.1 “กระแทกแขนไปมาจนทำให้กริปเปอร์หัก” พร้อมหมายเหตุเพิ่มเติมว่าห้องแล็บให้ลองใหม่ในการพยายามครั้งนั้น กระดานผู้นำห้าโมเดลที่เผยแพร่เมื่อวันที่ 14 ตุลาคม ยังคงแสดงห้าแถวเดิมเหมือนตอนนั้น — 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 — และ Carbon ไม่ได้อยู่ในนั้น ไม่มีคะแนนรวม ไม่มีรายละเอียดแยกตามงาน ไม่มีอัตราการจับ ไม่มีใบเรียกเก็บเงิน

ดังนั้นให้ถือว่านี่เป็นสัญญาณเริ่มต้นมากกว่าจะเป็นผลลัพธ์: ระยะเวลาหนึ่งครั้ง ความล้มเหลวของฮาร์ดแวร์หนึ่งครั้ง และการลองใหม่หนึ่งครั้ง จากแล็บที่เป็นเจ้าของ benchmark นี้ ซึ่งเผยแพร่ก่อนที่ตารางของตัวเองจะได้รับการอัปเดต ทุกสิ่งด้านล่างนี้ที่นอกเหนือจากข้อเท็จจริงสามข้อนั้นเป็นการอนุมาน และได้ระบุไว้เช่นนั้น เหตุผลที่ยังคุ้มค่าที่จะอ่านตอนนี้ก็คือ Gemini 4 Argon ซึ่งเป็นรุ่นก่อนของ Carbon เป็นโมเดลที่ช้าที่สุดในแล็บนั้นอย่างชัดเจน และ 7 ชั่วโมง 33 นาทีก็เกือบจะทับกับตัวเลขของ Argon พอดี ซึ่งทำให้อ่านความหมายของระยะเวลานี้ได้แม้จะยังไม่มีคะแนนก็ตาม

หมายเลขสาธารณะเดียวที่มีคือนาฬิกา

Artificial Analysis อธิบายว่า AA-Robotics วัด "ความสามารถของโมเดลภาษในการเข้าใจ วางแผน และลงมือทำในโลกกายภาพผ่านการควบคุมแขนกล" ชุดอุปกรณ์คือ Hiwonder NexArm แบบ 6 แกน มีข้อต่อห้าข้อและตัวจับหนึ่งตัว โดยมีกล้องสี่ตัวคอยมอง — สามตัวอยู่บนโต๊ะ หนึ่งตัวอยู่ที่ข้อมือ — ผ่านงานบนโต๊ะแปดงาน: กดปุ่มสีแดง วางของเล่นจระเข้ในกรอบสี่เหลี่ยม รินเครื่องดื่มลงถ้วย จัดบล็อกให้เป็นระเบียบลงกล่องรวมฝา ทำแผ่นจับคู่รูปร่างให้เสร็จ เขียน "hello world" ต่อหอโฟมให้สูงที่สุด และวัดกล่องให้คลาดเคลื่อนไม่เกิน 2 mm ต่อด้าน การลองแต่ละครั้งเป็นแบบ zero-shot ให้คะแนน 0 ถึง 100 โดยให้คะแนนบางส่วนได้ โมเดลถูกนำเข้ามาผ่านฮาร์เนสเขียนโค้ดของตนเองด้วยความพยายามสูง — Codex สำหรับโมเดล GPT, Claude Code สำหรับ Claude, Antigravity สำหรับ Gemini — และต้องเขียน Python ที่วางแผนและดำเนินการเคลื่อนไหวด้วยตนเอง

เมื่อเทียบกับสิ่งนั้น จุดข้อมูลของ Carbon นั้นตั้งใจให้มีเพียงบางๆ เจ็ดชั่วโมงสามสิบสามนาทีคือ 453 นาที ไม่มีการระบุว่าตัวเลขนั้นครอบคลุมงานทั้งแปดงานหรือไม่ รวมถึงความพยายามที่ลองใหม่หรือไม่ หรือการรันครั้งนั้นมีค่าใช้จ่ายเท่าใด ใครก็ตามที่นำตัวเลขนี้ไปอ้างเป็นตัวชี้วัดประสิทธิภาพกำลังอ่านนาฬิกาจับเวลาเสมือนเป็นกระดานคะแนน

สิ่งที่มันบอกอย่างชัดเจนก็คือ Carbon ถูกนำไปผ่านการทดสอบในห้องแล็บ และอุปกรณ์ก็ไม่ได้รอดออกมาอย่างสมบูรณ์ เอกสารเผยแพร่ของ benchmark เองบันทึกโหมดความล้มเหลวไว้หลายสิบแบบ — การคว้าจับที่ว่างเปล่า ขวดที่ตกหล่น บล็อกที่ถูกดันจนตกโต๊ะ ปากกาที่ถูกทดสอบบนหน้ากระดาษโดยตรง — และไม่มีแม้แต่รายการเดียวที่เป็นกริปเปอร์แตกหัก การทำลายฮาร์ดแวร์เป็นหมวดหมู่ที่รายงานเดือนตุลาคมไม่เคยต้องบรรยาย เพราะไม่มีโมเดลใดในห้าโมเดลที่อยู่ในนั้นก่อให้เกิดกรณีเช่นนั้น

เจ็ดชั่วโมงสามสิบสามนาที เมื่อวัดเทียบกับ Argon

เกณฑ์พื้นฐาน (baseline) สำคัญกว่าปกติในกรณีนี้ เพราะการเปรียบเทียบนั้นสะอาดผิดปกติ Artificial Analysis เผยแพร่ระยะเวลารันตลอดอายุการใช้งานสำหรับโมเดลทั้งห้าตัวจากเดือนตุลาคม: GPT-6 Astra 242 นาที, GPT-6.1 Sol 224, Claude Opus 5.5 253, Claude Fable 5.1 249 และ Gemini 4 Argon 419 โดย Carbon ที่ 453 นาที อยู่สูงกว่า Argon 34 นาที — ยาวกว่าประมาณ 8% — และสูงกว่าโมเดลที่ไม่ใช่ Gemini สี่ตัวราว 200 นาที ซึ่งกระจุกตัวอยู่ในช่วง 224 ถึง 253 นาที

• ความเร็วต่องาน หากเซสชันครอบคลุมงานทั้งแปดงาน — Carbon ประมาณ 56.6 นาทีต่องาน เทียบกับ Argon 52.4, Astra 30.3 และ Sol 28

• เมื่อเทียบกับมนุษย์ — AA ประเมินว่าคนใช้เวลาประมาณ 20 วินาทีต่องาน ดังนั้น 453 นาทีสำหรับแปดงานจึงช้ากว่าคนที่ทำงานบนโต๊ะแบบเดียวกันประมาณ 170 เท่า

• สัดส่วนของเวลาที่ใช้ไปกับการวางแผน — สัดส่วนของ Argon คือ 42% การทำความเข้าใจ, 45% การวางแผน, 6% กล้อง, 6% แขน ส่วน Astra และ Sol กลับสัดส่วนนี้ โดยใช้ 13% ของรอบไปกับการเคลื่อนที่ของแขนจริง และใช้เวลาส่วนใหญ่ไปกับการวางแผน

บรรทัดสุดท้ายนี่เองคือจุดที่กริปเปอร์ที่พังกลายเป็นเรื่องน่าสนใจมากกว่าตลก ในข้อมูลเดือนตุลาคม โมเดลที่ได้คะแนนสูงสุดสองอันดับ (Astra ที่ 69.4 และ Sol ที่ 64.6) ใช้เวลาน้อยที่สุดในการทำความเข้าใจฉากและใช้เวลามากที่สุดในการวางแผน ส่วน Argon ซึ่งช้าที่สุดและอยู่อันดับสาม ใช้เวลา 42% ของการรันเพียงเพื่อมองดู โมเดลที่ครุ่นคิดนานขึ้นแล้วทำลายฮาร์ดแวร์ไม่ได้แสดงความล้มเหลวแบบเดียวกับที่กำแพงความผิดพลาดเดือนตุลาคมบรรยายไว้ กำแพงนั้นเต็มไปด้วยโมเดลที่ประเมินสถานะผิด — "รายงานระดับฝาและจัดแนวแล้วทั้งที่มันวางอยู่บนลิ่ม" "นับรูปหกเหลี่ยมสีเหลืองที่เอียงว่าวางแล้ว" เหล่านั้นเป็นข้อผิดพลาดด้านการรับรู้และการประเมินตนเอง การทุบแขนจนกริปเปอร์แตกเป็นข้อผิดพลาดด้านอำนาจของคำสั่ง: โมเดลขอให้ฮาร์ดแวร์ทำสิ่งที่ฮาร์ดแวร์รับไม่ได้ AA ยังไม่ระบุว่า Carbon ทำเช่นนั้นโดยขับชนขีดจำกัดการชน บิดแรงในการจับเกินไป หรือเพียงทำการเคลื่อนไหวซ้ำที่เคยมีคนบอกว่าล้มเหลวแล้วหรือไม่ และคลิป 11 วินาทีที่แนบมากับโพสต์ก็ไม่ได้ไขข้อสงสัยนี้

การลองใหม่คือคำถามด้านระเบียบวิธี ไม่ใช่แค่เชิงอรรถ

“เราให้ลองใหม่ในครั้งนั้น” เป็นครึ่งประโยคที่ส่งผลกระทบมากที่สุดในโพสต์ และมันควรได้รับการตรวจสอบอย่างละเอียดมากกว่ากรีปเปอร์ที่เสียอีก AA-Robotics สร้างขึ้นบนการลองแบบ zero-shot สิ่งพิมพ์ในเดือนตุลาคมระบุไว้ชัดเจน และจุดสำคัญทั้งหมดของเบนช์มาร์กทางกายภาพแบบ zero-shot ก็คือโมเดลได้ลองเพียงครั้งเดียว เหมือนที่คนหนึ่งคนจะได้ การอนุญาตให้ทำใหม่หลังจากอุปกรณ์ขัดข้องเป็นสิ่งที่ปกป้องได้ กรีปเปอร์ที่หักเป็นปัญหาของห้องแล็บ ไม่ใช่ตัววัดการวางแผนของโมเดล และการให้คะแนนความพยายามที่ถูกทำลายเป็นศูนย์จะลงโทษความเปราะบางของชุดทดสอบ

แต่มันสร้างปัญหาด้านความสามารถในการเปรียบเทียบที่คะแนนสุดท้ายจะต้องตอบให้ได้ หากมีการทำให้ความพยายามหนึ่งครั้งเป็นโมฆะแล้วรันใหม่เพียงครั้งเดียว ค่าภาพรวมก็เทียบได้กับอีกห้าค่า และการลองใหม่ก็เป็นเพียงหมายเหตุท้าย หากอนุญาตให้ลองใหม่มากกว่าหนึ่งครั้ง หรือเฉพาะกับงานที่ Carbon ล้มเหลวไปแล้วด้วยเหตุผลฝั่งโมเดล ตัวเลขที่ไปอยู่บนลีดเดอร์บอร์ดจะไม่มีความหมายเหมือนกับตัวเลขอีกห้าตัว สิ่งที่ตรงไปตรงมาที่ควรมองหาเมื่อตารางอัปเดตคือบรรทัดที่ระบุว่ามีกี่ครั้งที่ถูกทำให้เป็นโมฆะ ในงานใด และตามเกณฑ์ใด — เช่นเดียวกับที่โพสต์เดือนตุลาคมบันทึกว่าตัวอย่าง grasp ของ Argon คือ n=75 เทียบกับ n=95 ของ Astra

มีปัญหาการวัดข้อที่สองที่เงียบกว่า เวลาของ Argon ในเอกสารเผยแพร่เดือนตุลาคมเป็นการประมาณอย่างชัดเจน: Antigravity ซึ่งเป็นฮาร์เนสของ Gemini ไม่ได้ประทับเวลาแต่ละขั้นตอน ดังนั้น AA จึงประมาณเวลาเหล่านั้นจากจำนวนโทเค็นระหว่างคำสั่ง arm ที่มีการจับเวลา Carbon ทำงานในฮาร์เนสเดียวกัน หากตัวเลข 7 ชั่วโมงถูกวัดด้วยวิธีเดียวกัน ก็ไม่สามารถนำมาเปรียบเทียบโดยตรงกับจำนวนนาทีที่สร้างโดย Codex และ Claude Code ได้ — และช่องว่าง 34 นาทีที่มากกว่า Argon ก็อยู่ในขอบเขตความคลาดเคลื่อนที่วิธีประมาณค่าจากโทเค็นอาจก่อให้เกิดขึ้นได้ในการรัน 453 นาทีอย่างสบาย ๆ นั่นไม่ได้ทำให้ระยะเวลาดังกล่าวไม่มีความหมาย แต่มันทำให้ "Carbon ช้ากว่า Argon 8%" เป็นข้อกล่าวอ้างที่ข้อมูลไม่สนับสนุน แม้ว่า "Carbon ใช้เวลานานมาก" จะเป็นข้อสรุปที่ปลอดภัยก็ตาม

สิ่งที่โปรไฟล์ข้อความของ Carbon จะคาดการณ์ไว้

ทั้งหมดนี้ไม่น่าแปลกใจเมื่อเทียบกับพฤติกรรมที่ Carbon เปิดเผย ซึ่งเป็นส่วนที่เราตรวจสอบได้อย่างอิสระ บนดัชนี v5 ของ Artificial Analysis โมเดลได้คะแนน 60 เป็นอันดับสี่จาก 78 และโปรไฟล์ของมันเป็นแบบระบบให้เหตุผลที่รอบคอบและละเอียดมาก มากกว่าจะเป็นระบบที่เร็ว: 28.4 นาทีต่องาน เทียบกับค่ามัธยฐาน 13.0 นาที, 72 โทเค็นเอาต์พุตต่อวินาที, 64.71 วินาทีถึงโทเค็นคำตอบแรก และ 205 ล้านโทเค็นเอาต์พุตตลอดทั้งดัชนี ซึ่ง AA อธิบายว่า "ละเอียดมาก" เทียบกับค่ามัธยฐาน 72.8 ล้าน นอกจากนี้ยังมีค่าใช้จ่าย $5.48 ต่องานในดัชนี อยู่อันดับ 59 จาก 77 ในด้านความคุ้มค่าด้านต้นทุน

อ่านสิ่งเหล่านี้รวมกัน แล้วผลลัพธ์จากห้องแล็บก็มีเค้าโครงอยู่ก่อนที่คะแนนจะมาถึง โมเดลที่ใช้เวลาหนึ่งนาทีก่อนจะสร้างโทเคนแรกเมื่อป้อนพรอมป์ข้อความ ส่งออกปริมาณเกือบสามเท่าของค่ามัธยฐาน และใช้เวลาไปแล้ว 28 นาทีต่องานบนเบนช์มาร์กแบบคงที่ ย่อมไม่เร็วในลูปที่ทุกขั้นตอนต้องอ่านฟีดกล้องสี่ตัวแล้วเขียนโค้ดการเคลื่อนไหว ตัวเลข 7 ชั่วโมงคือหน้าตาของโปรไฟล์ข้อความของ Carbon เมื่อมันถูกต่อเข้ากับแขนหุ่นยนต์ การที่การใคร่ครวญนั้นทำให้การหยิบจับดีขึ้นหรือไม่คือสิ่งที่คะแนนที่หายไปจะบอกเราได้อย่างชัดเจน และกริปเปอร์ที่พังก็เป็นหลักฐานอ่อน ๆ อย่างน้อยว่าการคิดมากขึ้นไม่ได้แปลงเป็นการลงมือที่อ่อนโยนขึ้น

การวิ่งแบบนี้ต้องแลกกับอะไร และทำไมปฏิทินจึงสำคัญ

ต้นทุนต่องานคือตัวเลขที่ AA ยังไม่ได้เผยแพร่สำหรับ Carbon และการคาดเดาก็ไร้ประโยชน์ เพราะช่วงของตัวเลขที่มีอยู่แล้วนั้นกว้างมาก: การรัน 242 นาทีของ GPT-6 Astra มีต้นทุน 16.36 ดอลลาร์ต่องาน ส่วน GPT-6.1 Sol อยู่ที่ 1.93 ดอลลาร์ — ช่องว่าง 8.5 เท่าระหว่างสองโมเดลจากผู้ขายรายเดียวกันที่ทำงานแปดงานเดียวกัน เมื่อเทียบข้ามแปดงาน นั่นคือประมาณ 131 ดอลลาร์ เทียบกับ 15 ดอลลาร์ ประมาณ 70% ของค่าใช้จ่ายไปที่อินพุตและบริบทมากกว่าผลลัพธ์ ซึ่งเป็นสิ่งที่ฟีดกล้องสี่ตัวและทรานสคริปต์ที่ยาวขึ้นทำกับบิลค่าโทเคน Carbon ใช้คำฟุ่มเฟือยกว่าโมเดลทั้งสองเมื่อเป็นข้อความ ดังนั้นถ้าจะมีอะไร ตัวเลขต่องานของมันก็น่าจะออกมาสูง — แต่นั่นเป็นการคาดการณ์ ไม่ใช่ตัวเลขจริง และการใช้อย่างซื่อตรงเพียงอย่างเดียวคือใช้เป็นช่วงสำหรับจัดทำงบประมาณมากกว่าจะเป็นราคาอ้างอิง

ปฏิทินคือส่วนที่คุณลงมือทำได้ Carbon อยู่ที่ $2 ต่อล้านโทเค็นอินพุต และ $10 ต่อล้านโทเค็นเอาต์พุต จนถึง 30 พฤศจิกายน 2026; วันที่ 1 ธันวาคม ราคาจะกลายเป็น $4 และ $20 โดยโมเดลไม่เปลี่ยนแปลง อินพุตแบบแคชเปลี่ยนจาก $0.10 เป็น $0.20, batch และ flex คิดในอัตราครึ่งราคา, priority คิด 1.8 เท่าของมาตรฐาน ลูปเอเจนต์ยาว ๆ แบบที่ AA เพิ่งรันไปนั้นส่วนใหญ่เป็นบริบทแบบแคชและเฟรมกล้องซ้ำ ๆ ซึ่งหมายความว่าภาระงานสไตล์หุ่นยนต์เป็นรูปแบบที่ได้ประโยชน์มากที่สุดจากอัตราปัจจุบัน และได้รับผลกระทบมากที่สุดหลังจากนั้นพอดี การรันการทดลองนี้ซ้ำในเดือนธันวาคมมีค่าใช้จ่ายเป็นสองเท่าของสัปดาห์นี้

วิธีอ่านตัวเลขเมื่อมันตกลงมา

เมื่อ AA อัปเดตตาราง มีสามปัจจัยที่ตัดสินว่า Carbon จะเป็นก้าวไปข้างหน้าหรือเป็นอีกหนึ่ง Argon

• คะแนนรวมเมื่อเทียบกับ 55.3 — คะแนนของ Argon โมเดล Gemini ที่เท่ากับหรือต่ำกว่ารุ่นก่อนของตัวเอง โดยออกใหม่ช้ากว่าหนึ่งรุ่น จะทำให้เรื่องราวด้านหุ่นยนต์ของตระกูลนี้กลายเป็นเรื่องเกี่ยวกับความหน่วงของ harness มากกว่าความสามารถ

• ความสำเร็จในการจับเทียบกับช่วง 28–45%: Astra 45% (n=95), Fable 44% (n=89), Opus 40% (n=100), Argon 36% (n=75), Sol 28% (n=111) นี่คือตัวชี้วัดที่จะบ่งชี้โมเดลที่ทำให้กริปเปอร์แตกหัก เพราะคำสั่งที่ทำให้ฮาร์ดแวร์เสียหายและการจับที่พลาดวัตถุเกิดจากการขาดการตอบสนองแรงแบบเดียวกัน

• โปรไฟล์แยกตามภารกิจ ทีละภารกิจ ของ Argon คือ 100, 100, 100, 40, 0, 45, 57, 0 ในภารกิจปุ่ม จระเข้ เท จัดเก็บ รูปร่าง เขียน หอคอย วัด ภารกิจวัดกล่องเป็นภารกิจที่ไม่มีใครแก้ได้: Astra 0, Argon 0, Fable 0 โดยมีเพียง Sol และ Opus ที่ 17 ความคลาดเคลื่อน 2 มม. ในสามมิติเป็นงานที่ต้องใช้ความแม่นยำ และความแม่นยำคือจุดที่โมเดลที่กระแทกแขนควรแสดงออกมาได้แย่ที่สุด

ยังมีคำถามที่สมเหตุสมผลว่าจริง ๆ แล้วเบนช์มาร์กกำลังให้คะแนนอะไรกันแน่ Carbon ทำงานอยู่ภายใน Antigravity ด้วยความพยายามระดับสูง เช่นเดียวกับที่ Argon ทำ เซสชัน 7.5 ชั่วโมงเป็นการทดสอบร่วมกันระหว่างความสามารถในการวางแผนของโมเดลกับความสามารถของฮาร์เนสในการรักษาลูปยาวให้สอดคล้องกัน — และข้อมูลเดือนตุลาคมได้แสดงให้เห็นแล้วถึงอาร์ติแฟกต์ที่เกิดจากรูปแบบของฮาร์เนส ตั้งแต่การดำเนินการแรกของ Argon ที่ใช้เวลา 25 นาที ไปจนถึงการที่ Fable ศึกษาเป็นเวลาสิบนาทีก่อนจะแตะต้องอะไรเลย ไม่ว่าจะอย่างไร ผลลัพธ์ของ Carbon ก็จะถูกอ้างอิงเป็นตัวเลขของโมเดล อย่างน้อยมันก็เป็นตัวเลขของลูปเอเจนต์อยู่บ้างบางส่วน

หากคุณต้องการทำการทดลองซ้ำแทนที่จะรอ

สิ่งที่มีประโยชน์เกี่ยวกับเบนช์มาร์กสาธารณะที่มีชุดทดสอบสาธารณะก็คือ คะแนนไม่ใช่หนทางเดียวที่จะเรียนรู้จากมัน ตอนนี้ Carbon เรียกใช้งานได้แล้ว — Google เปิดให้gemini-4-carbonใช้งานทั่วไปบน Gemini API แบบชำระเงินเมื่อวันที่ 10 พฤศจิกายน 2026 หลังจากประกาศให้กลุ่มผู้ป้องกันไซเบอร์ที่จำกัดการเข้าถึงทราบเมื่อวันที่ 28 ตุลาคม — และมีอยู่ใน OrcaRouter ในชื่อgoogle/gemini-4-carbonในอัตราแนะนำ $2/$10 ของ Google เอง บนเอนด์พอยต์ที่เข้ากันได้กับ OpenAI เดียวกับโมเดลอื่นกว่า 200 รายการที่ใช้คีย์เดียวกัน เนื่องจากเราส่งต่อราคาตามรายการของผู้ให้บริการโดยบวกกำไร 0%การปรับราคาใหม่ในวันที่ 1 ธันวาคมจึงมีผลฝั่งเราในวันเดียวกับที่ Google นำไปใช้ แทนที่จะเป็นหลังผ่านรอบการขายต่อ

มีข้อควรทราบเชิงปฏิบัติสองข้อก่อนที่ใครจะลองเอาโมเดลใหม่ไปใช้กับฮาร์ดแวร์ราคาแพง ข้อแรก endpoint ในสัปดาห์แรกไม่ใช่ endpoint สำหรับ production: ตัวเลขรวมของเราเองสำหรับ google/gemini-4-carbonขณะนี้อ่านอยู่ที่อัตราข้อผิดพลาด 30.2% และเวลา p50 ถึงโทเคนแรก 6.89 วินาที ในช่วงเจ็ดวันที่ผ่านมา โดยวัดจากเส้นทางผู้ให้บริการที่เรากำหนดเส้นทางอยู่ ซึ่งถือเป็นเรื่องปกติสำหรับโมเดลที่เพิ่งเปิดให้ใช้งานทั่วไปได้สามวัน และนี่ก็เป็นเหตุผลว่าทำไมคุณจึงไม่ควรฮาร์ดโค้ด endpoint เดียวลงในลูปที่รันยาวเจ็ดชั่วโมง — การสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติ (automatic failover) คือสิ่งที่ทำให้เซสชัน agentic ที่ยาวนานไม่ตายไปตั้งแต่ชั่วโมงที่สี่ ข้อที่สอง DSL สำหรับกำหนดเส้นทางช่วยให้คุณเก็บโมเดลราคาถูกไว้ในลูปสำหรับขั้นตอนที่ไม่จำเป็นต้องใช้ Carbon ซึ่งสำคัญมากที่ 453 นาที: เซสชันนั้นส่วนใหญ่คือการอ่านเฟรมและวางแผนใหม่ ไม่ใช่การตัดสินใจเรื่องยาก ๆ

สิ่งที่เปลี่ยนการตีความนี้ไม่ใช่คลิปของแขนที่ดีกว่า แต่เป็นการที่ AA เผยแพร่คะแนนพร้อมบันทึกความพยายามที่ถูกทำให้เป็นโมฆะ และอัตราการหยิบจับที่วางเทียบกับอีกห้ารายการ จนถึงตอนนั้น สรุปที่แม่นยำยังแคบ: Gemini 4 Carbon เป็นโมเดลแรกในแล็บนั้นที่ทำให้แล็บต้องเสียอุปกรณ์ชิ้นหนึ่ง มันใช้เวลานานกว่าทุกสิ่งที่แล็บวัดมา ยกเว้นรุ่นก่อนหน้าของมันเอง และการลองใหม่ที่ตามมาเป็นรายละเอียดที่ตัวเลขสุดท้ายจะต้องสะท้อนไว้ โพสต์วันที่ 12 พฤศจิกายนเป็นจุดข้อมูลจริงเกี่ยวกับพฤติกรรมของโมเดลนี้เมื่อได้รับมือ แต่ยังไม่ใช่ผลลัพธ์เกี่ยวกับว่า它ใช้มือได้ดีเพียงใด