拆解 Gemini 4 Carbon 的 Pelican Demo：两个智能体、一条 Blender 管线，以及一个真正能闭环的评审循环

2026年11月10日，Google发布的最有用的东西不是一张基准测试表，而是一只骑自行车的鸟。在宣布 Gemini 4 Carbon 全面可用的同一篇博文中，Google 描述了一次运行：Carbon 智能体构建了一款开放世界 3D 游戏——你以一只骑着 GBike 的鹈鹕的身份探索 Google 的 Mountain View 园区——先在 Blender 中为资产建模，然后用 Three.js 搭配 WebGL 着色器构建浏览器游戏，并将程序化 Web Audio 音效与 Lyria 音乐搭配。随附流传的片段长约 77 秒。值得你注意的不是那只鹈鹕，而是闭环形成了：该流程中有某个环节会查看它已经渲染出的内容，并判断它是否足够好。

这与“模型很聪明”是截然不同的说法。演示是经过挑选的，而这次演示是供应商挑选的。但一个包含评审者的演示，其可测试性不同于基准分数——你可以阅读结构、数清角色，并追问同样的形态能否在你自己的工作中成立。因此，这是一篇拆解分析，而非发布稿：构建了什么、智能体如何分工、这次运行展示和未展示什么，以及将同样模式用在你真正关心的事情上需要付出什么代价。

实际建成了什么，按建成的先后顺序

Google 对工具链的描述具体得不同寻常，这正是它值得作为工程笔记一读的原因。这次运行有三条媒体支路，而且它们不可互换：

• 资产 — 子代理在 Blender 中为 3D 对象建模，依据由 Omni 和 Nano Banana 生成的参考图开展工作。这是建模步骤，而非代码步骤：几何体、材质和比例都在这一步产出，下游的一切都会继承它们身上的任何错误。

• 游戏本体——使用 Three.js 配合 WebGL 着色器构建，因此交付物是一个可在浏览器中渲染的场景，而不是一段渲染好的视频。着色器能否编译通过，是一种硬性的、机器可校验的信号，而“看起来不错”则不是。

• 音效——程序化 Web Audio 效果，搭配 Lyria 音乐。这是与评审循环关联最少的环节，也是最有可能事后由人工手动调校的部分。

同一个帖子还在旁边摆了另外四个 3D 作品，而其中的规律如出一辙：一个交互式 Three.js 展览，依据历史照片与工程图纸，重现埃菲尔铁塔 1887—1889 年的建造过程；一个 906,000 个三角面的 Three.js 重建，对象是谷歌 Platform 37 办公楼，基于七份市议会规划 PDF，在十个通宵循环中搭建而成；一个带有 110 纤维极坐标追踪的纺织品可视化工具；以及一架可演奏的古钢琴，具备 61 键擒纵机构物理模拟。无论从哪个角度看，这都不是一次侥幸的提示词。它是一组形态相同的运行。

两个代理，还是一个代理承担三项任务？

观察者的记述和谷歌自己的文章从不同角度描述了同一次运行，而其中的差异颇具启发性。11月10日，@dotey 发布、流传最广的中文摘要将其拆分为一个构建者智能体和一个会检查自身渲染结果的审核者智能体。Google AI Studio 的 Vamsi Batchu 作为原帖作者，则将同一件事描述为一只在园区各处收集 TPU 芯片的鹈鹕——并归功于 Google Antigravity 的 /swarm功能，谷歌将其描述为能把单个提示词变成“一支可实时追踪、协同工作的智能体团队”。

谷歌的文章把角色——而非媒体——分配给了 Carbon：“架构设计、协调和审计”。与观察者描述放在一起看，整体形态是一个产出几何体和代码的构建器，以及一个审视输出而非源代码的审计器。这一区别比智能体数量更重要。一个审查自身 diff 的智能体只有弱信号；一个审查渲染帧、编译中的着色器或运行中游戏截图的智能体则拥有强信号，因为失败在产物中可见，而不是在文字叙述中可争辩。

关于来源，有两点需要坦诚说明。构建者/审查者的分工来自人们对运行过程的描述，而非已发布的架构图——请把它当作忠实的总结，而不是规范。另外，/swarm 在 Antigravity 中处于预览阶段，因此你要复现的编排层尚未普遍可用。

还有一个没人提到的现实小问题：链接的 AI Studio 应用需要先登录 Google 才能访问。我无法匿名打开这个游戏——网址会直接重定向到accounts.google.com。所以，“可在浏览器中游玩”的意思是“如果你有 Google 账号，并且就应用本身而言还有 AI Studio 会话，才能游玩”。这是一个被该视频的上百次转发悄悄略过的小细节。

为什么游戏比它所取代的 SVG 是更难的测试

“骑自行车的鹈鹕”这一提示词属于 Simon Willison；自 2024 年以来，他几乎对每一次前沿发布都运行过它——起初是单次 SVG 请求，后来，当模型在平面 SVG 上不再拉开差距时，又改为 3D 提示词：一个 WebGL 页面、Blender 渲染图、p5.js 草图。这项测试的价值从来不在于鹈鹕本身有多难，而在于输出是视觉化的、自包含的，并且人类能在不到一秒内瞬间判断好坏。

Carbon 的这次运行所做的，是把同一种性质推到更高一层的难度。一个 SVG 只是用一种语言表述的一件产物。而这里，几何来自一个工具，代码来自另一个工具，运行时来自第三个工具，还有一个必须把这三者协调一致的评审步骤——而这正是长时程智能体工作通常会栽跟头的那类任务，不是在第一步，而是在第十四步，那时模型已经忘记自己承诺使用哪个坐标系了。

谷歌对这项能力的总结很精确，并且点明了机制：在 Web 应用开发中，该模型“运行构建与验证循环、从错误中恢复，并同时检查其代码和渲染后的 UI”。这就是全部诀窍，说得直白。真正有意思的变量不是第一次尝试有多好，而是循环能转多少次，直到智能体不再改进、开始空转。

演示没有告诉你的事

供应商演示是一个经过挑选的样本，而"挑选"本身正是这种做法的重要意义所在。有三件事它无法回答：

• 它失败的频率有多高。我们只看到已经完成的那次运行。没有人公布那十一次停滞不前的运行，而且文中任何地方都没有分母。

• 花了多少钱。在 Platform 37 构建上跑了十个通宵循环，意味着大量的 token 和大量的实际耗时。按照 Carbon 的费率计算，那是一个实打实的数字，而 Google 并不给出这个数字。

• 更便宜的模型是否就够用了。这才是读者真正应该问的问题，而该演示从结构上就无法回答它。

就可测量的部分而言，Artificial Analysis 是制衡方，而它给出的数字不如视频中那么好看。Gemini 4 Carbon 在高推理强度下于 Intelligence Index v5.0.1 上得分 60——在 74 个模型中排名第四，落后于 Claude Fable 5.2 的三种配置，分别为 65、62 和 62 分。其每项索引任务成本为 7.76 美元，在该指标上于 73 个模型中排名第 61；它在整个索引中消耗了 2.05 亿个输出 token，而中位数接近 7300 万：这是一个啰嗦的模型，按 token 计价低估了 Carbon 工作负载的成本。输出速度约为每秒 82 个 token，首个回答 token 约需 67.5 秒——按 token 算足够快，但首个 token 慢到让人感觉它是批处理等待型，而非聊天框型。在 Coding Agent Index 上，同一评估方给 Carbon 搭配 Antigravity CLI 打了 59 分，而 Claude Code 搭配 Opus 5.5 为 62 分。

这些都不与演示相矛盾。一个模型可以在通用榜单上排第四、按任务计算成本高昂，却仍然是那个能撑起四小时构建的模型——这些是不同的衡量维度，而演示证明的是第三点，不是第一点。它并不构成证明，而最廉价的那块缺失拼图，正是这一谱系通常提供的。Willison 几乎每次发布都会运行 pelican 提示词并公布结果；2026 年 11 月，他的 pelican 帖子覆盖了五个推理层级上的 Claude Fable 5.2 和六个层级上的 Muse Ember，其中没有 Carbon 组。在出现之前，pelican 演示是谷歌的产物，不属于其他任何人——一次由厂商挑选的构建、一份由厂商撰写的说明，而且没有外部运行可供对照失败率。

自己运行同样的循环需要多少成本

Carbon 仅适用于 Google 的付费层级。没有免费路径：AI Studio 应用需要 Google 账号，API 需要开通计费，而且每个处理的 token 都会计费，包括思考 token。该费率表为推广期价格且限时有效：

• 截至 2026 年 11 月 30 日 — 每百万输入 token 2.00 美元，每百万输出 token 10.00 美元。

• 自2026年12月1日起——在模式未变的情况下，为4.00美元和20.00美元。

• 上下文——100 万 token，且没有基于长度的价格分层，因此 90 万 token 的代码库与 2,000 token 的提示词每 token 成本相同。

把冗长输出和悬崖放在一起，账算起来就让人不舒服了。构建与审查循环从结构上就是输出密集型的：审查者写，构建者重写，每一轮记录都会增长。1 亿输入 token 和 2000 万输出 token 的工作负载，本月计费 400 美元——输入 200 美元，输出 200 美元——而从 12 月 1 日起，相同流量要计费 800 美元。如果你在 11 月做试点，就按 12 月的费率给试点定价，否则你会批准一个错了一倍的预算。

有必要把我们的立场说清楚：Gemini 4 Carbon 不在 OrcaRouter 目录中，这里的内容都不应被理解为声称它在。目录中实际有的是 google/gemini-4-argon，按 Google 自家 $2 输入 / $10 输出的价格——也正是 Carbon 本月所处的同一价格档——以及 DeepSeek V4 Pro 的 $0.66/$1.98 和 Grok 4.7 的 $2/$6，全部通过一个兼容 OpenAI 的密钥覆盖 216 个模型，并且供应商标价按 0% 加价原样透传，因此供应商费率一变当天就生效，而不是等到重新定价周期之后。对于这种特定模式，这一点之所以重要，原因很朴素：多智能体构建循环是最可能撞上某家供应商的速率限制或糟糕时刻的工作负载，而通过第二条路由做故障转移，比在十轮循环运行到一半时才发现上限更便宜。

如果你想复制结构，就复制审查步骤。

这个演示中可迁移的部分不是 Blender，也不是 Three.js。而是给评审者提供了某种它可以实际查看的东西。三个举措，按它们改变结果的程度从高到低排列：

• 让产物成为评审输入。截取运行中应用的屏幕截图、渲染帧、编译着色器、运行测试——然后交回它，而不是差异。被问“这段代码正确吗”的智能体会认同自己。被问“这张截图符合任务说明吗”的智能体才有可出错的地方。

• 为循环设上限并检查是否收敛。谷歌针对一次构建引用的数字是十轮通宵循环。选一个你自己的上限，并记录每一轮是否真的改进了产物——一个已经停止改进的智能体，通常就是一个已经开始重新装修的智能体。

• 让工具链保持平淡无奇、可核查。Blender 导出、Three.js、WebGL 和浏览器都是确定性的、可检查的。这次运行不依赖任何只有某一家厂商才具备的能力；它依赖的是一个在首次失败之后仍能继续推进的模型。

接下来值得关注的问题范围狭窄且具体。是否/swarm退出预览版，因为编排正是当下无法复现的那部分。Google 之外是否有人发布 Carbon pelican——Willison 的版本是这一谱系中最接近独立成果的东西，而它尚未出现。以及，10 月 28 日的受限公告与 11 月 10 日的全面发布之间那十二天的间隔，究竟会成为常态，还是例外。这个演示会被引用数月。它背后的闭环，才是决定能否泛化的关键。