Bản demo Pelican của Gemini 4 Carbon, được mổ xẻ: Hai agent, một pipeline Blender và một vòng đánh giá thực sự khép kín

Thứ hữu ích nhất mà Google phát hành ngày 10 tháng 11 năm 2026 không phải là một bảng điểm chuẩn. Đó là một chú chim trên chiếc xe đạp. Trong cùng bài đăng đưa {{1}}Gemini 4 Carbon{{/1}} ra mắt rộng rãi, Google mô tả một lần chạy trong đó các tác nhân Carbon đã xây dựng một trò chơi 3D thế giới mở — bạn khám phá khuôn viên Mountain View của Google trong vai một con bồ nông cưỡi GBike — bằng cách mô hình hóa tài nguyên trong Blender, rồi xây dựng trò chơi trên trình duyệt bằng Three.js với các shader WebGL, cùng các hiệu ứng Web Audio thủ tục được ghép với nhạc Lyria. Đoạn clip lan truyền kèm theo dài khoảng 77 giây. Phần đáng để bạn chú ý không phải là con bồ nông. Mà là vòng lặp đã khép kín: một thứ gì đó trong quy trình đó đã nhìn vào những gì nó kết xuất ra và quyết định xem liệu như thế đã đủ tốt chưa.

Đó là một tuyên bố khác với “mô hình thông minh”. Bản demo được chọn lọc, và bản này do nhà cung cấp chọn. Nhưng một bản demo có người đánh giá tham gia thì có thể kiểm chứng theo cách mà điểm chuẩn không làm được — bạn có thể đọc cấu trúc, đếm các vai trò, và hỏi liệu cấu trúc tương tự có trụ nổi trong công việc của chính bạn hay không. Vì vậy đây là một bài mổ xẻ chứ không phải bài ra mắt: cái gì đã được xây dựng, các tác nhân được phân chia thế nào, lần chạy chứng minh và không chứng minh những gì, và cái giá phải trả để hướng cùng kiểu mẫu đó vào một việc bạn thực sự quan tâm.

Những gì thực sự đã được xây dựng, theo thứ tự nó được xây dựng

Mô tả của Google đặc biệt cụ thể về chuỗi công cụ, và đó chính là điều khiến nó đáng đọc như một ghi chú kỹ thuật. Lần chạy đó có ba nhánh media, và chúng không thể hoán đổi cho nhau:

• Tài nguyên — các subagent đã mô hình hóa đối tượng 3D trong Blender, dựa trên các tham chiếu do Omni và Nano Banana tạo ra. Đó là bước mô hình hóa, không phải bước viết mã: hình học, vật liệu và tỷ lệ đều hình thành từ đó, và mọi thứ ở hạ nguồn đều kế thừa bất kỳ lỗi nào của chúng.

• Trò chơi — được xây dựng bằng Three.js với các shader WebGL, nên sản phẩm bàn giao là một cảnh có thể kết xuất trên trình duyệt thay vì một video đã kết xuất. Một shader biên dịch được là một tín hiệu cứng, có thể kiểm tra bằng máy, theo cách mà "trông đẹp" không làm được.

• Âm thanh — các hiệu ứng Web Audio procedural đi kèm nhạc Lyria. Đây là phần ít gắn bó nhất với vòng lặp đánh giá, và cũng là phần dễ được con người tinh chỉnh thủ công nhất sau đó.

Cùng bài đăng đó đặt bốn bản dựng 3D khác bên cạnh nó, và mô thức lặp lại: một triển lãm Three.js tương tác về quá trình xây dựng Tháp Eiffel giai đoạn 1887–1889 từ các bức ảnh lịch sử và bản vẽ kỹ thuật; một bản tái dựng Three.js 906.000 tam giác về văn phòng Platform 37 của Google, được dựng qua mười vòng chạy qua đêm từ bảy tệp PDF quy hoạch của Hội đồng Thành phố; một công cụ trực quan hóa hàng dệt với theo dõi phân cực 110 sợi; và một đàn fortepiano chơi được với vật lý cơ cấu thoát 61 phím. Dù còn gì khác đúng đi nữa, đây không phải một lần gợi ý may mắn. Đây là một tập hợp các lần chạy cùng một dạng.

Hai tác nhân, hay một tác nhân với ba nhiệm vụ?

Các bài tường thuật của người quan sát và bài viết của chính Google mô tả cùng một lượt chạy từ những góc độ khác nhau, và sự khác biệt này rất đáng chú ý. Bản tóm tắt tiếng Trung được chia sẻ rộng rãi nhất, từ @dotey vào ngày 10 tháng 11, chia nó thành một tác nhân xây dựng và một tác nhân đánh giá tự kiểm tra các bản kết xuất của chính nó. Người đăng gốc, Vamsi Batchu của Google AI Studio, mô tả cùng sự việc như một con bồ nông đang thu thập chip TPU quanh khuôn viên — và ghi công cho tính năng /swarm của Google Antigravity, mà Google mô tả là biến một câu lệnh duy nhất thành "một nhóm tác nhân phối hợp mà bạn có thể theo dõi trong thời gian thực."

Bài đăng của Google giao cho Carbon các vai trò chứ không giao cho phương tiện: "thiết kế kiến trúc, phối hợp và kiểm toán." Đọc song song với phần mô tả về observer, hình dạng hiện ra là một builder tạo ra hình học và mã, cùng một auditor xem xét đầu ra thay vì mã nguồn. Sự phân biệt đó quan trọng hơn số lượng agent. Một agent tự xem lại diff của chính mình thì có tín hiệu yếu; một agent xem xét một khung hình đã render, một shader đang biên dịch, hay ảnh chụp màn hình của tựa game đang chạy thì có tín hiệu mạnh, bởi lỗi hiện ra rõ ràng ngay trong sản phẩm thay vì còn gây tranh cãi trong câu chữ.

Hai lưu ý trung thực về nguồn thông tin. Việc tách vai trò người xây dựng/người đánh giá đến từ những người mô tả lần chạy đó, không phải từ một sơ đồ kiến trúc đã công bố — hãy coi đây là một bản tóm tắt trung thành thay vì một đặc tả. Và /swarm đang ở dạng xem trước trong Antigravity, nên lớp điều phối mà bạn sẽ tái tạo không phải là thứ được cung cấp rộng rãi.

Còn một vướng mắc thực tế mà không ai nhắc đến: ứng dụng AI Studio được liên kết nằm sau bước đăng nhập Google. Tôi không thể mở trò chơi một cách ẩn danh — URL chuyển hướng thẳng đến accounts.google.com. Vậy nên “chơi được trên trình duyệt” có nghĩa là “chơi được nếu bạn có tài khoản Google và, đối với chính ứng dụng, có một phiên AI Studio.” Đó là một chi tiết nhỏ mà hàng trăm lần đăng lại video đã âm thầm bỏ qua.

Tại sao một trò chơi lại là phép thử khó hơn SVG mà nó thay thế

Prompt con bồ nông đi xe đạp thuộc về Simon Willison, người đã chạy nó với gần như mọi bản phát hành tiên tiến kể từ năm 2024 — đầu tiên là một yêu cầu SVG duy nhất, sau đó, khi các mô hình không còn tách biệt được trên SVG phẳng, là các prompt 3D: một trang WebGL, các bản render Blender, các bản phác thảo p5.js. Giá trị của bài kiểm tra chưa bao giờ nằm ở việc một con bồ nông là khó. Mà là ở chỗ đầu ra mang tính thị giác, khép kín và có thể được con người đánh giá tức thì trong vòng chưa đầy một giây.

Điều mà lần chạy của Carbon làm là đẩy chính thuộc tính đó lên một mức độ khó cao hơn. Một SVG là một sản phẩm trong một ngôn ngữ. Đây là hình học từ một công cụ, mã ở một công cụ khác, runtime ở công cụ thứ ba, và một bước đánh giá phải dung hòa cả ba — đúng kiểu nhiệm vụ mà công việc của agent tầm xa thường đổ vỡ, không phải ở bước đầu tiên mà ở bước thứ mười bốn, khi mô hình đã quên mất hệ tọa độ mà nó đã cam kết.

Bản tóm tắt của Google về năng lực này rất chính xác, và nó gọi tên cơ chế: đối với phát triển ứng dụng web, mô hình "chạy các vòng lặp xây dựng và xác minh, phục hồi sau lỗi, đồng thời kiểm tra cả mã lẫn giao diện người dùng được kết xuất." Đó chính là toàn bộ mẹo, được nói thẳng ra. Biến số thú vị không phải là lần thử đầu tiên tốt đến đâu. Mà là vòng lặp có thể quay bao nhiêu lần trước khi tác nhân ngừng cải thiện và bắt đầu loay hoay không tiến triển.

Điều mà bản demo không nói cho bạn biết

Bản demo của nhà cung cấp là một mẫu được chọn, và việc chọn lựa chính là mục đích của bài tập này. Ba điều nó không thể trả lời:

• Tần suất nó thất bại. Chúng ta thấy lần chạy đã hoàn tất. Không ai công bố mười một lần chạy bị đình trệ, và không có mẫu số nào ở bất kỳ đâu trong bài đăng.

• Chi phí là bao nhiêu. Mười vòng lặp qua đêm trên bản dựng Platform 37 ngụ ý rất nhiều token và rất nhiều thời gian thực. Theo biểu giá của Carbon thì đó là một con số thật, và Google không đưa ra con số đó.

• Liệu một mô hình rẻ hơn có đủ dùng hay không. Đây là câu hỏi mà người đọc thực sự nên đặt ra, và bản demo về mặt cấu trúc không có khả năng trả lời câu hỏi đó.

Đối với những phần có thể đo lường được, Artificial Analysis là đối trọng, và các con số của nó kém đẹp hơn video. Gemini 4 Carbon ở mức nỗ lực cao đạt 60 điểm trên Intelligence Index v5.0.1 — đứng thứ tư trong 74 mô hình, sau ba cấu hình của Claude Fable 5.2 với 65, 62 và 62. Chi phí cho mỗi tác vụ chỉ số của nó là $7.76, xếp thứ 61 trong 73 theo thước đo đó, và nó tiêu thụ 205 triệu token đầu ra trên toàn bộ chỉ số, so với mức trung vị gần 73 triệu: đây là một mô hình dài dòng, và cách tính giá theo token đánh giá thấp chi phí thực tế của một khối lượng công việc Carbon. Tốc độ đầu ra khoảng 82 token mỗi giây, với khoảng 67,5 giây để có token trả lời đầu tiên — đủ nhanh theo từng token, nhưng đủ chậm ở token đầu tiên đến mức nó giống một cấu hình batch-and-wait hơn là kiểu hộp chat. Trên Coding Agent Index, cùng đơn vị đánh giá đó xếp Carbon ở mức 59 với Antigravity CLI, so với 62 của Claude Code với Opus 5.5.

Không điều nào trong số đó mâu thuẫn với bản demo. Một mô hình có thể đứng thứ tư trên một bảng chỉ số tổng quát, tốn kém cho từng tác vụ, mà vẫn là mô hình giữ cho một bản build kéo dài bốn giờ được liền mạch — đó là những phép đo khác nhau, và bản demo là bằng chứng cho điều thứ ba, không phải điều thứ nhất. Điều nó không phải là bằng chứng chứng minh, và mảnh ghép còn thiếu rẻ nhất chính là thứ mà dòng này thường cung cấp. Willison chạy prompt pelican trên gần như mọi bản phát hành và công bố kết quả; vào tháng 11 năm 2026, các bài đăng pelican của ông bao gồm Claude Fable 5.2 ở năm mức suy luận và Muse Ember ở sáu mức, và không có bộ Carbon nào trong số đó. Cho đến khi một bộ như vậy xuất hiện, bản demo pelican là sản phẩm của Google và của không ai khác — một bản dựng do nhà cung cấp lựa chọn với phần mô tả do nhà cung cấp viết, và không có lượt chạy bên ngoài nào để so sánh tỉ lệ thất bại.

Chi phí để tự chạy cùng một vòng lặp là bao nhiêu

Carbon chỉ nằm trong gói trả phí của Google. Không có con đường miễn phí: ứng dụng AI Studio cần tài khoản Google, API cần thanh toán, và mọi token được xử lý đều bị tính phí, kể cả token suy nghĩ. Bảng giá mang tính giới thiệu và có giới hạn thời gian:

• Cho đến ngày 30 tháng 11 năm 2026 — $2.00 cho mỗi triệu token đầu vào, $10.00 cho mỗi triệu token đầu ra.

• Từ ngày 1 tháng 12 năm 2026 — $4.00 và $20.00, theo một mô hình không thay đổi.

• Ngữ cảnh — 1M token, không có bậc giá theo độ dài, nên một codebase 900.000 token có chi phí trên mỗi token ngang với một prompt 2.000 token.

Đặt độ rườm rà bên cạnh vách đá, phép tính bắt đầu trở nên khó chịu. Một vòng lặp xây dựng và đánh giá vốn dĩ đã nặng về đầu ra: người đánh giá viết, người xây dựng viết lại, và bản ghi hội thoại tăng lên sau mỗi lượt. Một khối lượng công việc gồm 100 triệu token đầu vào và 20 triệu token đầu ra có hóa đơn 400 đô la trong tháng này — 200 đô la đầu vào, 200 đô la đầu ra — và 800 đô la từ ngày 1 tháng 12 cho lưu lượng y hệt. Nếu bạn đang chạy thí điểm vào tháng 11, hãy định giá bản thí điểm theo mức giá tháng 12, nếu không bạn sẽ phê duyệt một ngân sách sai gấp đôi.

Cần nói rõ chúng ta đang đứng ở đâu: Gemini 4 Carbon không có trong danh mục của OrcaRouter, và không có gì ở đây nên được hiểu là đang khẳng định điều đó. Thứ có mặt là google/gemini-4-argon với mức giá của chính Google là 2 đô-la vào / 10 đô-la ra — đúng bảng giá mà Carbon đang áp dụng trong tháng này — cùng với DeepSeek V4 Pro ở mức 0,66/1,98 đô-la và Grok 4.7 ở mức 2/6 đô-la, tất cả trên một khóa tương thích OpenAI duy nhất xuyên suốt 216 mô hình, với giá niêm yết của nhà cung cấp được chuyển thẳng đến với mức đánh dấu 0% để khi nhà cung cấp thay đổi giá thì nó có hiệu lực ngay trong ngày chứ không phải sau một chu kỳ định giá lại. Với mô hình cụ thể này, điều đó quan trọng vì một lý do nhàm chán: vòng lặp xây dựng đa tác tử là loại khối lượng công việc dễ chạm giới hạn tần suất nhất, hoặc gặp một buổi chiều tồi tệ ở một nhà cung cấp, và chuyển đổi dự phòng sang tuyến thứ hai thì rẻ hơn là phát hiện ra trần giới hạn giữa chừng một lượt chạy mười vòng lặp.

Nếu bạn muốn sao chép cấu trúc, hãy sao chép bước đánh giá.

Phần có thể chuyển giao của bản demo này không phải là Blender, và cũng không phải là Three.js. Đó là việc người đánh giá được cung cấp một thứ để xem. Ba bước, theo thứ tự mức độ chúng thay đổi kết quả:

• Hãy biến sản phẩm tạo ra thành đầu vào để đánh giá. Chụp màn hình ứng dụng đang chạy, kết xuất khung hình, biên dịch shader, chạy bài kiểm tra — rồi gửi lại thứ đó, không phải bản diff. Một agent được hỏi "mã này có đúng không" sẽ tự đồng ý với chính mình. Một agent được hỏi "ảnh chụp màn hình này có khớp với bản tóm tắt yêu cầu không" thì có thứ để mà sai.

• Đặt trần cho vòng lặp và kiểm tra hội tụ. Mười vòng lặp qua đêm là con số Google đưa ra cho một lần build. Hãy chọn giới hạn trần của riêng bạn, và ghi log xem mỗi lượt có thực sự cải thiện sản phẩm không — một agent đã ngừng cải thiện thường là agent đã bắt đầu trang trí lại.

Giữ bộ công cụ đơn giản, nhàm chán và có thể kiểm tra được. Bản xuất Blender, Three.js, WebGL và một trình duyệt đều mang tính tất định và có thể thanh tra. Không có gì trong lần chạy này phụ thuộc vào một năng lực mà chỉ một nhà cung cấp có; nó phụ thuộc vào một mô hình sẽ tiếp tục sau thất bại đầu tiên.

Điều cần theo dõi tiếp theo thì hẹp và cụ thể. Liệu /swarm có thoát khỏi bản xem trước hay không, bởi vì phần điều phối chính là thứ bạn không thể tái tạo ngày hôm nay. Liệu có ai bên ngoài Google công bố một Carbon pelican hay không — phiên bản của Willison là thứ gần nhất mà dòng dõi này có được với một kết quả độc lập, và nó vẫn chưa xuất hiện. Và liệu khoảng cách mười hai ngày giữa thông báo có kiểm soát ngày 28 tháng 10 và bản phát hành chung ngày 10 tháng 11 hóa ra là quy luật hay ngoại lệ. Bản demo sẽ được trích dẫn trong nhiều tháng. Vòng lặp đằng sau nó chính là thứ hoặc sẽ tổng quát hóa được, hoặc sẽ không.