グーグルの新しいコーディングモデルは仕事を止めない。それが繰り返し出てくる発見であり、必ずしも褒め言葉ではない。
Everyポッドキャストのライブモデルテストにおけるジュニアエンジニア向けベンチマークで、Gemini 4 Carbonはホストのダン・シッパーのNotionバックログの凍結コピー——約100件のチケット——を渡され、誰にも尋ねずに完了できるものを選び、それぞれに個別のプルリクエストを開くよう指示された。Devin、Codex with Astra、Opus 5.5はそれぞれ1時間以内に8〜9件のチケットを完了して終了した。Carbonは15〜16件をこなし、シッパーが実行を打ち切った4時間半後もなお稼働していた。
「本当に全部を調理し続けた、実に印象的だった。あまりに野心的になって続けすぎ、コンピュータをクラッシュさせ続けたので、エージェントの数を減らすよう指示して抑えなければならなかったほどだ」と、テスターの一人ランディはEveryポッドキャストで語った。
この執念は至る所に現れる。ランディはCarbonにポッドキャストルームの画面録画を渡し、Blender、3JS、Unityでそのシーンを再構築するよう求めた。約24時間稼働し、すべてのオブジェクトを再構築し、彼のMac Studioを繰り返しクラッシュさせた。シッパーの個人ダッシュボードベンチマークでは、Carbonはあまりに多くのタスクでタイムアウトし——それらの実行でゼロ点——平均が崩壊した。
シッパーの表現：「エージェントに『続けて』と言わなければならない時代は終わった。今は『止まれ』と言わなければならない。」
これは実際の行動変化であり、両刃の剣だ。ブラインドUIテストスイートを実行したタイラーは逆の問題に直面した——Carbonはいくつかのテストで続行できず、最大3回「続けて」と言わなければならず、多くのテストが完全に失敗した。彼によればこれは異例だ。生成されたファイルもはるかに大きく、Fable 5.2の約25キロバイトに対し約100キロバイトだった。
テスターテストCarbonの結果比較ダン・シッパージュニアエンジニアベンチマーク（凍結Notionバックログ、約100チケット）15〜16チケット、停止まで約4.5時間Devin、Codex/Astra、Opus 5.5：8〜9チケット、1時間未満ダン・シッパー個人ダッシュボードベンチマーク多くのタスクでタイムアウト、それらの実行でゼロ点他モデルに比べ低い平均スコアランディBlender、3JS、Unityでポッドキャストルームを再構築約24時間、全オブジェクト再構築、Mac Studioをクラッシュエージェント数の制限が必要タイラーブラインドUIテストスイート多くの完全失敗、「続けて」を最大3回必要異例。Fable 5.2には見られないタイラーファイルサイズ／ビルド時間約100KBのファイル、約30分のビルドFable 5.2：約25KBのファイル、最大2倍長い
ネイティブな映像・音声知覚が最も明確な優位性
Carbonが最も明確に差別化するのは、見て聞けるものだ。ランディはAstra、Fable、Opusに同じビデオタイムラインを繰り返しレビューさせたが、3つとも同じ繰り返し発生する音声の不具合——話者のセリフが継ぎ目で切れる——を見逃した。Carbonは即座に発見し、原因を診断し、修正のプルリクエストを開き、キーラン・クラーセンがマージした。
「AstraとFableとOpus、その他のモデルがそのタイムラインを何度も見て、同様の問題を見逃していた」とランディは言う。「Carbonに渡した途端、この問題を即座に発見し、修正方法を突き止めた。」
これは幸運な一発ではなく構造的優位性だ。Claudeはビデオをシーンに分割して処理し、ネイティブに体験しないため、シッパーのワークフローはマルチモーダルなものにはGemini APIキーをClaudeに渡すことだ。クラーセンはアンビエント音楽ワークステーション内でCarbonを使う。30秒の音声をレンダリングし、Carbonにミックスを依頼すると、パラメータを与えなくてもコード、EQ、文字起こしを処理する。ランディは今、ワークフロー内のすべてのビデオ出力にGeminiパスを実行している。「他のパスが決して捉えないものを捉えるからだ。」
ランディはまた、Carbonが異常な中間成果物——軌道マップ、色彩スペクトル波形、髪の深度分析、レイヤー分離、音響周波数プロット——を最終レンダリングではなく、目に見える「思考の声」として生成することにも言及した。宇宙からブルックリン上空を越えてポッドキャストウィンドウへ飛ぶワンショットのメインタイトルシーケンスの構築を依頼された彼は、結果と何ページにもわたる飛行経路の作業の両方に感銘を受けた。まだぎこちなく見えると言うと、Carbonは反復を続けた。
クラーセンはこれが今や生のコード生成よりも重要な理由を説明する：「最も難しい部分はもはやコーディングではない。最も難しいのは何をコードするかを知ることだ。そしてここでマルチモーダルを持つことが非常に優れたコンテキストを与える。ビデオを知っているからだ。」
保守性の高いコードを書くが、文章力は後退
クラーセンはCarbonをコーディング部門で2位に位置づけ、AnthropicのOpus 5.5とFable 5.2に次ぐとし、OpenAIのモデルよりも頻繁に使うと述べる。彼が引く区別はスタイルと規模についてだ。
「本当に保守性の高いコードを書いている。リーンなコードよりも保守性の高いコードに焦点を当てている……OpenAIは本当にリーンなコード、最小行数が重視だが……時には発明してしまう。Carbonはより大きなプロジェクトでベストプラクティスに従い、大規模コードベースを所有する」と彼は言う。
その代償は英語に現れる。タイラーのブラインドテストは、ゼリーアニメーション用にモデル自身が書いたプロンプトでそれを捉えた。Fableは「決して震え止まない受け皿の上の型抜きラズベリーゼリー」と書き、Carbonは「つるつるしたボーンチャイナの受け皿の上で、ゆっくりとした純粋な船の中で果てしなく震える、背の高い溝付きドームの半透明ルビーゼラチン」と書いた。タイラーはその声が名前を見なくてもモデルを特定できるほど明確に異なると述べた。
ジャックはCarbonの形容詞過多な技術的記述性を、科学オリンピックの演習——一人がレゴ構造を言葉で描写し、もう一人が再構築する——に結びつけた。共有された理解を信頼するのではなく、最大限の明示的仕様だ。配信に欠席していたダンとケイティは、CarbonはArgonより文章が劣ると感じたとされ、Argonを入手可能な最高の文章モデルと考えている。
シッパーのトレードオフの要約：「文章で失敗し、ゼリーで失敗するが、代わりに他の多くのことで優れている。」
デザイン：斬新なパターンだが、科学者のように考える
タイラーのブラインドUIスイート——審査モデルがブリーフからアイデアを生成し、モデルは過去の出力を見ない——はパネルで最も混ざった評決を生んだ。Carbonは範囲で勝った。タイラーは他のモデルから見たことのないアニメーションやインタラクションパターンを指摘したが、いくつかは不具合や完全なエラーだった。クリエイティブコーディングや物理タスクでは、非現実的な物理と悪い「ゼリー」結果で不振だったが、一部の3D作業は強く見えた。
繰り返し現れる視覚的失敗は密度だ。カードの中のカード、ボタンの中のボタン、カードの中のチップ。シッパーはダッシュボードとスライドデッキのテストで同じものを見て、ある表現を生み出した——「マネジメントコンサルタントではなく科学者」。情報を詰め込み、「マッキンゼー化」されていない。彼はこのスタイルがグーグルの科学者偏重の組織を反映していると推測した。ランディはiPhoneアプリ構築で隣接する問題に直面した。CarbonはiPhone 17向けに設計し続け、18と言われても画面を埋めるのに繰り返しのやり取りが必要だった——おそらくAndroid優先のトレーニングバイアスであり、ジャックもタイラーのテストでの奇妙な間隔を説明するものとして疑った。
Carbonが卓越したのは狭く指示の多いタスクだった。集中アプリ用の超リアルなイチョウの葉のmacOSアプリアイコンだ。ジャックは他のすべてのモデルを凌駕したと述べ、葉の平行な脈を正しく描画し——他のモデルはフラクタル状の分岐した葉脈を生成した——アイコンをAppleのヒューマンインターフェースガイドラインの比率グリッドに配置した。Argonのバージョンは明らかに劣っていた。ジャックの結論：Carbonには強いコンテキストとプロンプトが必要で、デフォルトに任せると高密度な出力に陥る。
シッパーのTypeformクローンテスト——Typeformバックエンド上の音声インタビューフロントエンド——は他のモデルが作らなかったランディングページを生み出し、ページ上に構造化JSON出力を表示した。開発者が買い手だと推論したらしい。Fable 5.2のバージョンは汎用的だった。彼のマイアミのホテル・レストランテストでは、CarbonはキンプトンホテルパロマサウスビーチとワイナウッドのレストランDomaを選び、経費にできなすぎるほど派手でも、顧客に見せるにはみすぼらしすぎない、もっともらしいバランスを取った——そして彼の「このテスラの場所の近くのコーヒーショップ」テストに合格した初のグーグルモデルだった。
グーグルは毎月投入し、誰も名前を追えない
ジャックはそのケイデンスを説明した。Gemini 4 Argonは9月30日に発表され2週間後にリリース。Carbonは10月28日に発表され、配信当日にリリースされた。7月のGemini 3.6以来、グーグルはほぼ毎月1モデルを投入している——7月の3.6、8月の3.7 Flash、9月の3.8 Flash。
シッパーの陰謀説は、グーグルは内部的に数世代先を行っており、リリースを小出しにしているというものだ。彼はまた、チームが久しぶりに「本当に興奮し幸せそう」に見えたと述べた。ランディは名前でモデルを区別できないと言い、視聴者の質問はCarbonが実質的に4.3なのかと尋ねた。
モデルの混合は今や標準的な実践
モデル間でどうオーケストレーションするかと問われ、パネルはいくつかのアプローチを説明した。クラーセンはT3とVertexを使い、Everyの複合エンジニアリング設定内で、ハーネス間でタスクを渡す——例えばClaude CodeにAnti-GravityでCarbonを使って実装するよう指示する。それでもモデルが新しいときは、出し抜くのではなくポストトレーニングの特性を学ぶため、一度に1モデルを使うことを好む。
ランディはCarbonを使い、クラーセンが競合モデルで構築したビデオツールEvery Cutにプルリクエストを投入し、マージされた——モデルが摩擦なく本番コードベースをまたいで混合できる証拠だ。
ジャックはMac mini上で単一のチャットスレッドとモバイルアクセスを持つ個人エージェントハーネスを動かす。彼のデフォルトモデルはOpus 5.5で、他のすべてのハーネスへのCLIアクセスを持つ。彼の略語は「委員会に見てもらう」——Fable、Codex、そして今はGeminiがレビュアーとして機能する。ランディも同じパターンを採用し、おそらくカルパシーの文章が起源だとしている。シッパーは自身をオーケストレーションのミニマリストと呼び、Claudeデスクトップアプリを使い、グーグルのモデルはAPIかAnti-Gravityヘッドレス経由でルーティングする。ランディはAnti-Gravityが機能面で同等に近づき快適に使えると感じたが、早期アクセスが終わった今、ClaudeやChatGPT経由でGeminiを呼ぶことに戻る予定だ。
サブスク1つで十分に——評決はイエロー
シッパーの非専門家向け結論：ArgonとCarbonにより、グーグルのみのユーザーはもはや遅れていない。仕事でGeminiサブスクを持っている人——一般的で安価——は今や有能なモデルを持ち、以前はClaudeユーザーが明確な優位性を持っていた。ランディは一般ユーザーはCarbonに「狂喜する」だろうと同意した。ジャックの助言は、すべてをテストするのではなく1つのハーネスを選んで深く学ぶことだった。Everyチームでさえ時間が足りないからだ。シッパーは依然開発者にはClaudeを勧めるが、ビデオ、メディア、執筆で働く人々にはグーグルが今バランスを傾けると述べた。ランディは、Every経由のクレジット補償なしの純粋なバイブコーダーなら3ラボすべてのサブスクを保持するだろうと言い、Carbonはグーグルを追加させるモデルだとした。
評決は分かれた。ランディはCarbonにグリーンを与えた。FableとAstraが行き詰まったタスクを解き放ったからだ。2つのモデルは同じトラックに固定されうるが、Carbonは真に異なる道を取る。FableがCarbonの仕事をレビューし、その逆も行うことで、より難しいタスクが扱いやすくなった。クラーセンの唯一の実質的な不満は、Carbonがまだ位置づけを学んでいない新しい個性とハーネスだということだ。タイラーはイエローと呼び、Anthropicモデルのテストは「遊びのように感じた」が、これは「ほとんど仕事のように感じた」と述べた。ただしモデルは過小評価されており、いくつかのタスクでFable 5.2とOpus 5.5を上回ったと強調した。ジャックのプレイルームレーサーテスト——幼児の散らかったプレイルームの写真からレーシングゲームを構築——では、Carbonはゲームがプレイ可能か検証した。Argonはトラックを横切る壁を配置した。Magna-Tilesを集めてブーストする創造的なメカニクスを追加したが、ゲームは混沌としてナビゲートが難しく、Fable 5.2の一発目のプレイアビリティには及ばなかった。彼のミレニアム・ファルコンコックピットのBlenderモデルはArgonより丸みと配管が優れていたが、それでも最上位層には及ばなかった。
クラーセンの予測は、Carbonは新しい個性とハーネスがより理解されるにつれて、Anthropicのモデルに次ぐ2番目に良いコーディングモデルとして定着するというものだ。
追跡する価値のある統合：グーグルは差を十分に縮めたため、モデルの多様性そのものが今や製品だ。Carbonの価値は単一のベンチマークよりも、AnthropicやOpenAIと相関しないことにある——異なるバグを見つけ、異なるホテルを選び、異なるUIパターンを生み出す。投資家にとってのシグナルは、グーグルが今や月次ケイデンスの競合であり、スイッチングコストが崩壊しつつある市場だということだ。単一のサブスクでほとんどのユーザーに十分であり、差別化要因はもはや生のコーディング能力ではなく、マルチモーダル知覚と何を構築するかを知る判断力だ。未解決の問いは、文章力の後退と高密度デフォルトが、グーグルが次の月次リリースで修正するコーディング重視のポストトレーニングの産物なのか、それともユーザーが回避しなければならないArgonとCarbonの恒久的な個性の分離なのか、という点だ。いずれにせよ、1つのモデルを日常の主力とし、2つ目をバックアップとする時代は後退している——そして委員会が今やワークフローなのだ。