Gemini 4 Carbon braucht für einen Bug fast eine Stunde – Opus und Astra nur Minuten
Why is Gemini 4 Carbon taking so long?

Das Team von kernel.dev hat Gemini 4 Carbon bei der Fehlersuche in Codebasen vermessen und stieß auf einen eklatanten Unterschied: Wo Opus und Astra in wenigen Minuten fertig waren, brauchte Carbon fast eine Stunde. Nur 16 bis 30 Prozent der Verzögerung gehen auf langsamere Inferenz zurück. Der Rest ist Verhalten: Rund die Hälfte von Carbons Schritten floss in Arbeit, die das Ticket nie verlangte, dazu kamen ständiges Wiederlesen bereits gesehener Zeilen und zu wenige Tool-Aufrufe pro Schritt. Eingestreute Erinnerungen an den Auftrag verkürzten die Laufzeit deutlich.
Mit den Check-ins brauchte Carbon 28 statt 37 Minuten, und die Wartezeit zwischen dem Benennen der Ursache und dem ersten Edit schrumpfte von 25 auf etwa 10 Minuten.
- tristanj
Es ist ziemlich offensichtlich, dass Gemini 4 Carbon nicht token-effizient ist. Es hat auch eine relativ niedrige Tokens-pro-Sekunde-Rate im Vergleich zu anderen Modellen. Mir fallen mehrere Gründe ein, warum das so ist:
1. Google hat riesige Mengen an Cash und Compute. Ihr Ziel war es, ein Modell zu trainieren, das die höchste Qualität und Frontier-Performance hat, nicht ein Modell zu erschaffen, das effizient zu betreiben und zu servieren ist. Dafür haben sie andere Modelle, wie Hydrogen.
2. Google hat Carbon erschaffen, ohne sich um Inferenzkosten zu kümmern. DeepMind wird vom Rest von Googles Imperium subventioniert. Der Verkauf von Inferenz ist ein unbedeutender Teil von Googles Umsatz. Aber für Anthropic und OpenAI ist der Verkauf von Inferenz ihr gesamtes Geschäftsmodell. Anthropic und OpenAI haben einen enormen Anreiz, so viel Inferenz wie möglich auf die effizienteste Weise zu verkaufen. Google hat diesen Anreiz nicht.
3. Sie sind eines der wenigen Unternehmen, die ineffizient sein können. Von allen Frontier-Labs ist Google DeepMind wahrscheinlich am wenigsten durch Compute eingeschränkt. Chinesische Labs haben etwa 10 bis 100 Mal weniger Compute, also müssen sie hochoptimierte Modelle veröffentlichen.
- horacemorace
Ich habe es heute gerade für etwas Coding-Gebastel benutzt und es war super langsam. Aber die Art und Weise, wie es Probleme mit leichter Hand löst und dabei trotzdem auf eine sinnvolle Architektur hinarbeitet, ist erfrischend nach Claudes Bulldozer-Attitüde. Es konnte wiederholtes creeping scope gut mit dem integrieren, was es bereits getan hatte. Ganz anderes Gefühl als sonnet/opus und sogar gemini 3.8.
- hetspookjee
Vielleicht bin ich der Einzige im Thread, aber seit Gemini 4 Argon bin ich ein großer Fan der Google-Modelle geworden. Ich benutze meistens Carbon, seit es verfügbar ist, aber merke, dass ich auch immer mehr wieder auf Argon zurückfalle, ohne großen Unterschied. Aus Sicherheitsgründen hat Argon weit weniger Trigger.
Ich benutze die Google-Modelle nur als Orchestrator dafür, wie sie reden und analysieren. Ich lasse es alles an Astra / Fable / Opus-Modelle delegieren.
- lmeyerov
Es war verstörend und verwirrend, von eineinhalb Jahren Claude Code Max-Plan und dem Äquivalent von Codex zu Google agy und ihren Modellen zu wechseln.
Mein Ablauf ist ungefähr: ein paar Tage, um das Claude-Abo auszureizen, ein paar Tage, um Codex auszureizen, und ein Nachmittag, um agy auszureizen.
Während Astra/fable, sol/opus, sonnet/Luna weitgehend austauschbar sind, wenn man zwischen Codex und Claude Code im selben Repo+Skills hin- und herwechselt ... war das bei der Verwendung von agy mit Google-Modellen nicht der Fall.
Mein nächster Schritt könnte sein, das agy-Harness zugunsten von codex/opencode fallen zu lassen, um zu sehen, ob die Modelle in Ordnung sind und agy das Problem ist.
- timtam
Bei der Nutzung über die Prompt-Box bin ich immer wieder auf 500 INTERNAL (TURN_STEPS_EXCEEDED) gestoßen.
Gemini konnte diese Antwort nicht abschließen
Es tut mir leid, diese Anfrage benötigte zu viele Schritte, um rechtzeitig abgeschlossen zu werden. Bitte versuche, eine spezifischere Frage zu stellen oder sie in kleinere Anfragen aufzuteilen.
Ich bin nur um das Problem herumgekommen, indem ich strikt ein Effort-Budget oder eine Stopp-Regel gesetzt habe.
- Lerc
Ein Theo-Video deutet darauf hin, dass es ein Time-to-First-Token-Problem gibt. Bei Subagent-Aktionen kann sich das durch eine Menge interner kurzer Abfragen massiv summieren.
Es sieht wirklich so aus, als wäre etwas kaputt, mehr als nur ineffizient zu sein.
- WeZZard
Ich habe es nicht ausprobiert, aber einige Leute sagten, dass Gemini 4 Carbon, das von VertexAI bereitgestellt wird, schneller ist.
- dada216
ITT liegt es an dem riesigen maximalen Output-Token von 1 Mio. Tokens.
Das liegt ziemlich weit über anderen Modellen (Opus 5.5 liegt bei 128k).