Gemini 4 Carbon 编码任务耗时近一小时,慢于 Opus 与 Astra

Gemini 4 Carbon编码任务耗时近一小时,远慢于Opus与Astra。测试显示其步骤数约为Astra的7倍,工具调用次数达11倍,输入量超16倍。尽管能力获认可,但漫长的等待时间严重影响开发者专注度与学习效率。

2026 年 11 月

Carbon 重读代码占比达 39%

Hacker News 上关于 Gemini 4 Carbon 的讨论引发关注。一项对比测试显示,Gemini 4 Carbon 在处理通常仅需 Opus 和 Astra 几分钟即可完成的编码任务时,耗时接近一小时。

每次试验的时间和成本

图表显示,左侧代表更快的速度,下方代表更低的价格。

注:碳(Carbon)的价格采用其引入后的价格。使用的订阅补贴率分别为:Opus 40×, Astra 13×,碳 3×, 17×。

这一现象并非孤例。多位开发者反馈,Gemini 4 Carbon 在现实世界的使用场景中速度极慢。具体数据显示,完成同一任务,Gemini 4 Carbon 耗时 22 分 21 秒,而 GPT-5.5 High 仅耗时 9 分 33 秒。

部分用户表示,尽管认可 Gemini 4 Carbon 的能力,但其漫长的等待时间严重影响了专注度与学习效率。甚至有评论指出,由于速度过慢,该模型几乎无法在实际工作中使用。

为探究原因,相关团队追踪了 Carbon 每一步的运行过程,并量化了导致延迟的具体因素。

任务定义

测试任务要求代理在修复错误前获取代码库,诊断错误并进行修复,且不得进行任何无关更改。

该任务的难点主要在于工程判断而非原始智能能力:包括将用户症状追踪至正确的代码路径、排除其他解释、将修复置于正确位置以及知道何时停止。

推断速度慢还是工作量更大?

首要因素是推断速度,涵盖供应商排队、网络延迟、快速处理及生成速度等,这些共同决定了每一步所需的时间。

一步一秒

(此处展示单步耗时数据)

较慢的推断速度解释了部分差距:与 Astra 相比,Carbon 多耗时的 16–30% 源于此;与 Opus 相比,这一比例为 45–49%。其余差距则来自更长的执行轨迹。步骤数、工具调用次数和 token 用量表明,Carbon 在每个任务上确实执行了更多工作。

工作量

GPT-6 Astra 对阵 Gemini 4 Carbon,平均值为一个错误。

GPT-6 AstraGemini 4 Carbonlighter = lower effort

Carbon 的步骤数约为 Astra 的 7 倍,读文件或执行命令的次数为 11 倍。由于每一步重传会话的时间越来越长,其处理的输入量超过 16 倍。

排除显而易见的原因

首先排除了两个简单解释:

  • 代理框架影响:将 Carbon 运行到其他两个编码代理(开源和小 SWE 代理)中,未发现显著差异。
  • 推理水平不匹配:各提供商的努力设置未标准化,Carbon 的“高”可能与其他模型的最大设置更接近。但在低压力下,Carbon 通常无法解决问题,表现为循环读取已读过的代码而非解决 bug。

痕迹分析

团队对 Astra 和 Carbon 运行的每个步骤进行了语义标记与分析。

语义痕迹分析

每个模型的步骤,按用途分组。

忽略了 Carbon 已经读过的 20 个步骤重读代码的情况;下一节将详细讨论。

分析显示,Carbon 约一半的步骤涉及未被要求的工作:

  • 漏洞外审计:一旦发现原因,Carbon 继续扩大搜索范围,检查系统中每一个相关路径。
  • 关闭已排除漏洞:针对无人报告的问题加强代码防御。

样本试验:找出原因的时间与时间到第一次编辑

从每次运行开始的分钟数。GPT-6 Astra 在最大努力值下运行,Gemini 4 Carbon 在高努力值下运行。

在此样本中,两种模型均较早发现原因:Astra 用时一分钟,Carbon 用时约六分钟。然而,三分钟后 Astra 已写下定位方案,而在接下来的 25 分钟内,Carbon 未编写任何代码。

这种延迟可能源于知识缺口(不确定是否找到原因),或是一种训练形成的习惯(奖励正确答案而非惩罚额外步骤)。为区分二者,团队在修改后的 tri 带中重新运行试验,每隔五圈自动注入检查:“你已经有足够的时间来修复吗?”

检查的样本试验:找到原因的时间与时间到第一次编辑

与上述相同的虫子和尺度。Gemini 4 Carbon 在高努力值下运行,每五个转(圆)注入检查。

加入检查后,Carbon 在 28 分钟完成任务(原为 37 分钟),命名原因和开始编辑之间的等待时间从 25 分钟缩短至约 10 分钟。这表明缓慢主要源于行为模式,而非知识缺失。

必要工作的效率低下

即使在修复所需的步骤中,Carbon 也存在效率问题:每一步完成的工作量较少。

(此处展示单步工作效率对比)

Astra 每步调用两个以上工具,常一次性读取多个文件;而 Carbon 每步仅调用约一个工具,通常只读取一个文件。此外,Carbon 频繁重读:其读取的行中有 39% 是之前已看过的内容,而 Astra 仅为 7%。估计这两个“机械性”低效率约占 Carbon 超额运行时间的 25%。

结论

在复杂的 bug 修复任务中,Carbon 耗时近一小时,而 Opus 和 Astra 仅需几分钟。差距来源可归纳为三点:

  • 推断速度更慢:每个步骤耗时更长,解释了与 Astra 差距的 16% 到 30%,以及与 Opus 差距的约一半。
  • 不必要的工作:约有一半的 Carbon 步骤属于未被提议的工作,如审计无需修复的代码或关闭已被提议排除的漏洞。
  • 机械效率低下:每步工具调用数量减少及频繁重读拖慢了进程;仅修复这两点预计可将运行时间缩短约四分之一。

评论 0

0/500

评论需审核后展示,请文明发言

💬
还没有评论,来说两句

相关阅读