Google lance Gemini 4 Carbon : en tête de trois benchmarks agentiques et deux fois moins cher

Google a lancé Gemini 4 Carbon, et l'accent n'est pas mis sur « encore plus intelligent », mais sur « moins cher et meilleur pour les agents ». Le modèle est positionné pour la programmation, les agents IA et les tâches scientifiques. Pour ceux qui construisent des produits autour de scénarios agentiques, les points les plus intéressants sont le prix et le nouveau mode de travail parallèle dans Antigravity.

Ce que revendique Google

Selon l'entreprise, Carbon arrive en tête de trois benchmarks agentiques : CursorBench 4.0, Perplexity WANDR et Zapier AutomationBench. Ces tests ne mesurent pas la « connaissance des faits », mais la capacité à mener à bien une tâche en plusieurs étapes : écrire du code, exécuter une chaîne d'actions, automatiser un processus de travail.

La seconde partie de l'annonce est plus importante que la première : le coût d'exécution des tâches est plus de deux fois inférieur à celui du concurrent le plus proche. Pour les agents, c'est crucial. Un seul lancement d'agent représente des dizaines d'appels au modèle, et l'écart de prix par tâche se transforme vite en écart de marge pour le produit.

Google évoque aussi la science : dans des expériences, Carbon a aidé à trouver en moyenne 40 fois plus d'homologues éloignés de protéines. Ce sont des protéines d'origine commune mais aux séquences peu similaires, difficiles à repérer. L'annonce ne donne aucun détail sur la méthodologie ; c'est donc pour l'instant davantage un signal sur la direction prise qu'un outil prêt à l'emploi pour un laboratoire.

/swarm : plusieurs agents au lieu d'un seul

Avec le modèle, Google a présenté la commande /swarm pour Antigravity. L'idée est simple : au lieu d'un seul agent qui écrit le code, le vérifie puis lance les tests à tour de rôle, plusieurs agents sont lancés en parallèle. L'un écrit, un autre relit, un troisième teste.

Imaginez la tâche « ajouter un nouvel endpoint au service ». Un agent classique procède de façon séquentielle : code, vérification, tests, corrections. En mode essaim, la relecture et les tests démarrent pendant que le code s'écrit encore. Le temps d'attente diminue, mais le nombre d'appels simultanés au modèle augmente, et donc la facture. Ici, le faible prix par token devient une condition de fonctionnement du mode, et non un simple bonus.

Prix et vérifications avant de migrer

Jusqu'au 30 novembre, l'API coûte 2 $ par million de tokens d'entrée et 10 $ pour les tokens de sortie. Après cette date, les prix doubleront : 4 $ et 20 $. Le modèle est disponible via l'API Gemini, Google AI Studio et Antigravity.

Pour une estimation, prenons un lancement d'agent de 200 000 tokens d'entrée et 20 000 tokens de sortie. Aujourd'hui, cela coûte environ 0,60 $ (0,4 + 0,2), après le 30 novembre environ 1,20 $. Ces chiffres sont illustratifs, mais ils montrent l'essentiel : l'avantage annoncé de « plus de deux fois » doit être calculé sur le futur tarif, et non sur le tarif promotionnel.

Ce qu'il faut faire en pratique :

• Tester vos propres tâches, pas les benchmarks des autres. Être en tête de CursorBench ou d'AutomationBench ne garantit pas que le modèle viendra à bout de votre base de code et de vos intégrations.
• Calculer le coût d'une tâche réussie, et non du token. Un modèle bon marché qui demande trois tentatives peut revenir plus cher.
• Tester /swarm sur une tâche isolée et mesurer de combien le parallélisme accélère le travail et de combien la consommation de tokens augmente.

Limites

Tous les résultats de l'annonce sont des déclarations de Google elle-même. D'après le compte rendu, on ne sait pas avec qui le coût a été comparé, avec quels paramètres les tests ont été lancés, ni quel est le prix d'une tâche en charge réelle. Il n'existe pas non plus de vérifications indépendantes. Mieux vaut d'abord attendre des mesures tierces ou mener son propre pilote pendant la fenêtre promotionnelle, tant que le prix est deux fois plus bas.