Почему Gemini 4 Carbon тратит почти час там, где Opus и Astra справляются за минуты

Why is Gemini 4 Carbon taking so long?

Почему Gemini 4 Carbon тратит почти час там, где Opus и Astra справляются за минуты

Kernel.dev прогнал Gemini 4 Carbon на приватных задачах по поиску и исправлению багов: модель тратила почти час там, где Opus и Astra укладывались в минуты. Разбор трейсов показал три причины: медленный инференс (16–30% разрыва с Astra и около половины с Opus), лишняя работа — примерно половина шагов уходила на аудит кода, который правка не затрагивала, — и механические потери: меньше вызовов инструментов за шаг и постоянное перечитывание уже увиденного кода. Проверки «у тебя уже есть достаточно, чтобы чинить?» сократили время в одном из прогонов с 37 до 28 минут.

Это говорит о том, что медлительность, похоже, проистекает из того, как Carbon себя ведёт, а не из того, что она знает.
  1. tristanj

    Довольно очевидно, что Gemini 4 Carbon не отличается токен-эффективностью. У него также относительно низкая скорость генерации токенов в секунду по сравнению с другими моделями. Могу назвать несколько причин, почему так:

    1. У Google огромные запасы денег и вычислительных ресурсов. Их целью было обучить модель с наивысшим качеством и передовой производительностью, а не создать модель, которую эффективно запускать и обслуживать. Для этого у них есть другие модели, например Hydrogen.

    2. Google создал Carbon, не заботясь о затратах на инференс. DeepMind субсидируется остальной империей Google. Продажа инференса — незначительная часть выручки Google. Но для Anthropic и OpenAI продажа инференса — это вся их бизнес-модель. У Anthropic и OpenAI огромный стимул продавать как можно больше инференса самым эффективным способом. У Google такого стимула нет.

    3. Они одна из немногих компаний, которые могут позволить себе быть неэффективными. Из всех передовых лабораторий Google DeepMind, вероятно, наименее ограничена в вычислительных ресурсах. У китайских лабораторий примерно в 10–100 раз меньше вычислений, поэтому они вынуждены выпускать высокооптимизированные модели.

  2. horacemorace

    Я как раз сегодня использовал её для кое-каких экспериментов с кодом, и она была очень медленной. Но то, как она решает задачи легко и непринуждённо, при этом двигаясь к разумной архитектуре, освежает после бульдозерного подхода Claude. Она смогла аккуратно встроить повторяющиеся creeping scope в то, что уже было сделано. Совсем другое ощущение, чем от sonnet/opus и даже gemini 3.8.

  3. hetspookjee

    Возможно, я здесь единственный, но с тех пор как появился Gemini 4 Argon, я стал огромным фанатом моделей Google. Я чаще всего использую Carbon, так как он стал доступен, но замечаю, что всё чаще возвращаюсь к Argon без особой разницы. В плане безопасности у Argon гораздо меньше триггеров.

    Я использую модели Google только как оркестратор — для того, как они говорят и анализируют. Всё остальное я позволяю делегировать моделям Astra / Fable / Opus.

  4. lmeyerov

    Было резко и сбивало с толку перейти после полутора лет использования Claude Code max plan и эквивалента Codex на Google agy и их модели.

    Мой поток примерно такой: несколько дней, чтобы исчерпать подписку Claude, несколько дней, чтобы исчерпать Codex, и один день, чтобы исчерпать agy.

    Хотя Astra/fable, sol/opus, sonnet/Luna в значительной степени взаимозаменяемы при переключении между Codex и Claude Code на одном и том же репозитории с одинаковыми навыками... это было не так при использовании agy с моделями Google.

    Мой следующий шаг, возможно, — отказаться от обвязки agy в пользу codex/opencode, чтобы проверить, всё ли в порядке с моделями и не в agy ли проблема.

  5. timtam

    Используя его через поле ввода, я постоянно натыкался на 500 INTERNAL (TURN_STEPS_EXCEEDED).

    Gemini не смог завершить этот ответ

    Извините, для завершения этого запроса потребовалось слишком много шагов. Попробуйте задать более конкретный вопрос или разбить его на несколько меньших запросов.

    Я обошёл проблему только тем, что строго задал бюджет усилий или правило остановки.

  6. Lerc

    В видео Theo предполагается, что есть проблема со временем до первого токена. При выполнении действий субагента это может накапливаться и становиться огромным из-за множества внутренних коротких запросов.

    Похоже, что-то сломано, а не просто неэффективно.

  7. WeZZard

    Я не пробовал, но некоторые говорят, что Gemini 4 Carbon, обслуживаемый через VertexAI, работает быстрее.

  8. dada216

    В этой ветке речь о том, что огромный максимальный объём вывода — 1 млн токенов.

    Это значительно превосходит другие модели (у Opus 5.5 — 128k).

Ещё за этот день

2026-11-18