Gemini 4 Carbon 弄壞了機器手臂：在分數出現之前，一場 7 小時 33 分鐘的實驗室測試透露了什麼

目前還沒有分數。這是理解 Gemini 4 Carbon 機器人測試結果時首先要明白的事，而本文其餘幾乎所有內容也都由此而來。截至 2026 年 11 月 13 日，現有的資料是 Artificial Analysis 於 11 月 12 日發布的一則貼文，內容指出 Gemini 4 Carbon 在 AA-Robotics v0.1 實驗室內待了 7 小時 33 分鐘，「把機械臂猛砸到弄壞了一個夾爪」，並補充說明實驗室在該次嘗試中給了它一次重試機會。10 月 14 日公布的五模型排行榜，仍然列出當時的那五列——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——而 Carbon 不在其中。沒有彙總數據，沒有逐項任務細分，沒有抓取成功率，也沒有帳單。

所以，請把這當成早期訊號，而不是結果：一個持續時間、一次硬體故障，以及一次重試，來自擁有該基準測試的實驗室，且在其自家表格更新前就已發布。以下超出這三項事實的內容都屬於推論，並已標明為推論。現在仍值得一讀的原因是，Carbon 的前代 Gemini 4 Argon 是該實驗室中慢得最多的模型，而且 7 小時 33 分鐘幾乎正好落在 Argon 的數值上——這使得即使沒有分數，也能解讀這個持續時間。

唯一公開的號碼是一個時鐘

Artificial Analysis 將 AA-Robotics 描述為衡量「語言模型透過控制機械手臂，能在物理世界中理解、規劃與行動到什麼程度」。測試平台是一台六軸 Hiwonder NexArm，具備五個關節與一個夾爪，由四台相機監看——三台架在桌上，一台裝在手腕上——涵蓋八項桌上任務：按下紅色按鈕、把鱷魚玩具放進矩形框內、把飲料倒進杯子、把積木（含盒蓋）整理進盒子、完成形狀配對板、寫出「hello world」、堆出最高的泡棉塔，以及量測箱子並使每個尺寸的誤差在 2 mm 以內。每次嘗試皆為零樣本，每項以 0 到 100 分計分，並給予部分分數。模型會在高強度設定下，透過各自的程式碼框架接入——GPT 模型用 Codex、Claude 用 Claude Code、Gemini 用 Antigravity——且必須自行撰寫負責規劃與執行動作的 Python 程式。

相較之下，Carbon 的資料點是刻意單薄的。七小時三十三分鐘等於 453 分鐘。文中未說明這是否涵蓋全部八項任務、是否包含重試的那次嘗試，或這次執行耗費多少成本。任何人把它當成效能數字來引用，就是把碼錶當成計分板在看。

它毫不含糊地表明的是：Carbon 被送去做實驗室測試，而設備並未完好無損。該基準測試自身的出版物記錄了數十種失敗模式——空抓、瓶子掉落、積木被碰下桌子、一支直接在頁面上測試的筆——其中沒有一項是夾爪損壞。硬體毀壞是十月報告從不必描述的一個類別，因為其中的五個模型沒有一個產生這種情況。

七小時三十三分，以 Argon 為基準衡量

這裡的基準值比平常更重要，因為這項比較異常明確。Artificial Analysis 公布了五款十月模型各自的累計執行時間：GPT-6 Astra 242 分鐘、GPT-6.1 Sol 224 分鐘、Claude Opus 5.5 253 分鐘、Claude Fable 5.1 249 分鐘，以及 Gemini 4 Argon 419 分鐘。Carbon 的 453 分鐘比 Argon 高出 34 分鐘——約長 8%——並比四款非 Gemini 模型高出約 200 分鐘，而這四款集中在 224 至 253 分鐘的區間。

• 若該工作階段涵蓋全部八項任務，則每項任務的步調為——Carbon 每項約 56.6 分鐘，相較之下 Argon 為 52.4、Astra 為 30.3、Sol 為 28。

• 相較於真人——AA 讓人每個任務約需 20 秒，因此八個任務共 453 分鐘，比一個人做同樣的桌面作業慢約 170 倍。

• 規劃佔用時間的比例——Argon 的分配是 42% 理解、45% 規劃、6% 相機、6% 手臂。Astra 與 Sol 則反轉了這一點，將 13% 的執行時間花在實際手臂動作上，大部分時間則用於規劃。

最後那句話，正是壞掉的夾爪變得有趣而非可笑的地方。在十月的資料中，得分最高的兩個模型（Astra 為 69.4，Sol 為 64.6）花了最少時間理解場景，花最多時間規劃；最慢、排名第三的 Argon，有 42% 的執行時間只是用來觀察。一個思考更久、隨後卻損壞硬體的模型，展現的並不是十月錯誤牆所描述的那種失誤。那面牆上滿是誤判狀態的模型——「在蓋子擱在楔塊上時，回報蓋子已水平且對齊」、「把傾斜的黃色六邊形計為已放置」。這些是感知與自我評估的錯誤。猛砸機械臂直到夾爪斷裂，是指令權限錯誤：模型向硬體要求了硬體無法承受的東西。Carbon 究竟是因為撞上碰撞限制、對抓取施加過大扭力，還是只是重複一個它早已被告知失敗的動作而這麼做，AA 並未說明，而貼文所附的 11 秒影片也無法釐清。

重試是方法論問題，而非註腳。

「我們在那一次讓它重試了」是貼文中最具影響力的半句話，值得比壞掉的夾爪受到更多檢視。AA-Robotics 建立在零樣本嘗試之上——十月的發表文章明確這麼說，而零樣本物理基準測試的要點正是：模型只有一次機會，就像人一樣。在設備故障後允許重試是站得住腳的：夾爪斷裂是實驗室的問題，不是衡量模型規劃能力的指標；把那次被毀掉的嘗試記為零分，反而會懲罰測試設備的脆弱。

但這會造成可比性問題，最終分數將不得不回答這個問題。如果恰好有一次嘗試被作廢並重跑，彙總分數就與其他五個可比，重試只是腳註。如果重試獲准超過一次，或只在 Carbon 已因模型端原因失敗的任務上獲准重試，那麼登上排行榜的數字，其意義就不會與其他五個數字相同。當表格更新時，真正該留意的是有一行說明有多少次嘗試被作廢、在哪個任務上、依據什麼標準——就像十月文章記載 Argon 的抓取樣本為 n=75，而 Astra 為 n=95 那樣。

還有一個更隱晦的測量問題。Argon 在十月報告中的計時資料明確屬於估計值：Antigravity 這個 Gemini 測試框架不會為各步驟記錄時間戳，因此 AA 是依據有計時的 arm 指令之間所處理的 token 數來推估這些步驟的時間。Carbon 也在同一個測試框架中執行。如果那項 7 小時的數據也是以同樣方式測得，就無法與 Codex 和 Claude Code 所產生的分鐘數直接相比；而且相較於 Argon 的 34 分鐘差距，完全落在 token 插值法於 453 分鐘的執行期間可能引入的誤差範圍內。這並不表示該時長毫無意義，但這使得「Carbon 比 Argon 慢 8%」成為資料無法支持的說法，儘管「Carbon 花了非常久的時間」是穩妥的。

Carbon 的文字設定檔會預測什麼

這些都不令人意外，對照 Carbon 已公布的行為表現即可看出，而這正是我們能獨立查核的部分。在 Artificial Analysis 的 v5 指數上，該模型得分 60，在 78 個模型中排名第四；其特性是審慎、冗長的推理型模型，而非快速型：每項任務耗時 28.4 分鐘，中位數為 13.0 分鐘；每秒輸出 72 個 token；首個回答 token 耗時 64.71 秒；在整個指數中輸出 2.05 億個 token——AA 將其描述為「非常冗長」，中位數為 7,280 萬。每項指數任務成本為 5.48 美元，成本效益在 77 個中排名第 59。

把這些放在一起看，實驗結果在分數出爐前就已現出輪廓。一個模型若在文字提示下、產生第一個 token 前要花上一分鐘，輸出量幾乎是中位數的三倍，而且在靜態基準測試中每項任務就已耗費 28 分鐘，那麼在每個步驟都得讀取四路攝影機畫面、再撰寫動作程式碼的迴圈裡，它不可能快得起來。7 小時這個數字，正是 Carbon 的文字表現概況接上機械手臂時的樣子。那番深思是否帶來更好的操作表現，正是缺失的分數會告訴我們的事；而壞掉的夾爪至少是微弱證據，顯示更多思考並未轉化為更輕柔的動作。

這樣的一趟要付出多少代價，以及為什麼行事曆很重要

每項任務成本是 AA 尚未為 Carbon 公布的數字，而憑猜測毫無價值，因為現有差距極大：GPT-6 Astra 的 242 分鐘執行每項任務花費 $16.36，GPT-6.1 Sol 則花費 $1.93——同一供應商的兩個模型執行同樣八項任務，卻有 8.5 倍差距。八項任務合計約為 $131 對上 $15。約 70% 的支出用於輸入與上下文，而非輸出，這正是四路攝影機輸入與不斷增長的逐字稿會對 token 帳單造成的效果。Carbon 在文字上比兩者都更冗長，所以真要說的話，它的每項任務數字應該會偏高——但那是預測，不是實際數字，唯一誠實的用法是把它當作預算範圍，而不是報價。

行事曆是你能實際採取行動的部分。Carbon 在 2026 年 11 月 30 日之前，每百萬輸入 token 為 $2、每百萬輸出 token 為 $10；到了 12 月 1 日，在模型不變的情況下，這兩者會變成 $4 和 $20。快取輸入從 $0.10 調漲到 $0.20，batch 與 flex 以半價計費，priority 則為標準價的 1.8 倍。任何像 AA 剛剛執行的那種長時間代理迴圈，大多都是快取上下文和重複的攝影機畫面，這意味著機器人風格的工作負載正是最能受益於當前費率、且在其後受傷最重的形狀。12 月重跑這個實驗的成本，會是這週的兩倍。

如何讀取落地時的數字

當 AA 更新表格時，有三件事決定 Carbon 是向前邁進的一步，還是另一個 Argon。

• 對比 55.3 的綜合分數——Argon 的得分。一個晚了一代才推出、表現卻只等於或低於自身前代的 Gemini 模型，會讓這個家族的機器人故事淪為一則關於測試框架延遲、而非能力的故事。

• 抓取成功率對照 28% 至 45% 的區間：Astra 45%（n=95）、Fable 44%（n=89）、Opus 40%（n=100）、Argon 36%（n=75）、Sol 28%（n=111）。這項指標會標記出會弄壞夾爪的模型，因為導致硬體損壞的指令，以及未能抓到物體的抓取，都同樣源自缺乏力回饋。

• 逐項任務的概況如下。Argon 在按鈕、鱷魚、倒水、整理、形狀、書寫、塔、測量上的成績分別是 100、100、100、40、0、45、57、0。量盒子任務是無人能解的那一項：Astra 0、Argon 0、Fable 0，只有 Sol 與 Opus 為 17。在三個維度上容差 2 mm 是一項精密任務，而精密正是會猛砸機械臂的模型表現最差的地方。

此外，也有一個合理的問題：這項基準測試真正評分的是什麼。Carbon 在高強度設定下於 Antigravity 內運行，Argon 也是如此。一場 7.5 小時的 session 是對模型規劃能力與測試框架能否讓長迴圈保持連貫的聯合測試——而十月的數據已經顯示出框架塑形的人為產物，從 Argon 長達 25 分鐘的第一個動作，到 Fable 在動手觸碰任何東西前先花十分鐘研讀。無論如何，Carbon 的結果都會被當成模型分數引用。它至少部分上是代理迴圈的分數。

如果你想重現這個實驗，而不是等待

公開基準測試搭配公開測試環境的可貴之處，在於分數並不是唯一能從中學習的方式。Carbon 現在已可呼叫——Google 已讓 gemini-4-carbon於 2026 年 11 月 10 日在付費 Gemini API 上正式開放使用（此前已於 10 月 28 日向受限制的網路防禦者群組宣布）——而且它已在 OrcaRouter 上以 google/gemini-4-carbon提供，採用 Google 自家的 $2/$10 introductory 費率，並使用與金鑰上其他 200 多個模型相同的 OpenAI 相容端點。由於我們是以 0% 加成直接轉嫁供應商的定價，12 月 1 日的重新定價會在 Google 實施當天就反映到我們這邊，而不必等到一輪轉售週期之後。

在任何人把全新模型指向昂貴硬體之前，先說兩點實務提醒。第一，上線第一週的端點不是生產環境端點：我們自己對google/gemini-4-carbon的彙總數據目前顯示，過去七天的錯誤率為 30.2%，首個 token 的 p50 時間為 6.89 秒，這是沿著我們所路由的供應商路徑測得。對一個正式全面推出才三天的模型來說，這很正常；也正因如此，你不該把單一端點硬編碼進一個會執行七小時的迴圈——跨供應商的自動容錯移轉，才能讓長時間的代理式工作階段不會在第四小時就掛掉。第二，路由 DSL 讓你可以在不需要 Carbon 的步驟中，於迴圈裡保留一個便宜模型；這在 453 分鐘時很重要：該工作階段的大部分時間都在讀取影格與重新規劃，而不是在做任何困難的決策。

會改變這個判讀的，不是手臂更好的一段影片。而是 AA 公布一份分數，把作廢的嘗試記錄在案，並把抓取率與其他五個並列。在那之前，準確的摘要很狹窄：Gemini 4 Carbon 是該實驗室第一個讓實驗室損失一件硬體的模型，它耗時比該實驗室測過的任何東西都長，除了它自己的前代；而隨後的重新嘗試，是那個最終數字將不得不承載的細節。11 月 12 日的貼文是一個真實資料點，說明這個模型在獲得雙手時如何表現。它還不是關於它多會使用雙手的結果。