独立评测机构 Artificial Analysis（AA）11 月 12 日中午（新加坡时间）在官方账号发帖：Google 的 Gemini 4 Carbon 在 AA-Robotics v0.1 实验室里一共跑了 7 小时 33 分钟，过程中把机械臂「撞来撞去」，弄坏了一个夹爪，AA 给了它一次重试。帖子附 11 秒现场视频，约 2 万浏览、300 余赞、40 余条回复。讨论集中在三点：重试成绩是否该单列、通用模型连续操控真实硬件 7 个多小时意味着什么、以及物理评测里的设备损耗和安全看护成本。AA 尚未公布 Carbon 在该榜的得分。以下为评测方分享与社区讨论，不代表最终榜单。
核心要点速览
- ✓AA 口径：Gemini 4 Carbon 在 AA-Robotics v0.1 实验室累计 7 小时 33 分，撞坏 1 个夹爪，AA 给了 1 次重试
- ✓AA 尚未公布 Carbon 的得分，也没说明重试成绩如何计入；当前榜首仍是 Claude Fable 5.2（75 分）
- ✓按 8 项任务粗算约合每题近 1 小时；首发榜单上 GPT-6 Astra 平均每题约 30 分钟，人类约 20 秒
- ✓热度：约 2 万 浏览、300+ 赞、40+ 回复、16 条引用
- ✓Carbon API 介绍期价格每百万输入 / 输出 token 2 / 10 美元，11 月 30 日后为 4 / 20 美元（Google 官方口径）
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
AA-Robotics v0.1 是 Artificial Analysis 10 月推出的研究预览：让编码 Agent 通过 HTTP API 操控一台 6 轴机械臂，完成按按钮、倒饮料、搭塔、量盒子等 8 项桌面任务。纯软件评测出错可以无限重跑，物理评测不行：每一次失误都可能碰坏设备，还需要有人在旁边看着。Gemini 4 Carbon 是 Google 11 月 10 日全面开放的最强推理模型，它在这项评测里的表现因此格外受关注。
架构亮点与底层机制
按 AA 方法说明，模型以零样本方式在编码 Agent 框架里运行，自己看四路摄像头画面、自己写控制代码，每个任务由人工按部分得分评判。Carbon 的定位是「用更多 token 深挖难题」，这可能也解释了它为什么跑这么久：长时间反复尝试，也意味着更多机会把机械臂撞到不该撞的地方。AA 只说「撞得太狠弄坏了夹爪」，没有公布具体是哪个任务。
权威 Benchmark 与实测跑分对比
官方未公布 Carbon 的 AA-Robotics 得分。可对照的 AA 数据：当前榜首 Claude Fable 5.2 为 75 分，GPT-6 Astra 69 分，GPT-6.1 Sol 65 分；首发时 Astra 平均每题约 30 分钟。Carbon 累计 7 小时 33 分，按 8 项任务粗算约每题近 1 小时，这是本站估算，不是 AA 数字。
开发者实战落地与开箱指南
回复区的主要观点：有人认为重试成绩应单列，否则对没弄坏设备的模型不公平；有人指出 Carbon 不是专门的机器人模型，通用模型能持续操控真机 7 个多小时本身就有信息量；也有人调侃「谁在急停按钮旁站了 7 个半小时」。如果你在做具身 Agent，这件事提醒你：给 Agent 接真实硬件前，先加力矩和速度限制、急停和单任务时间上限，把设备损耗算进评测成本。可以在 AA-Robotics 文章页的 run explorer 里看各模型的任务视频，等 AA 更新 Carbon 成绩后再比较。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察