Как Gemini 4 Carbon и SWARM в Antigravity выполняют длинные исследовательские задачи

SWARM в Google Antigravity в представлении автора обзора представляет собой режим многоагентной работы: несколько ИИ-агентов получают связанные части одного проекта и могут выполнять их параллельно. Gemini 4 Carbon в этой схеме используют для длительных рассуждений, анализа источников, программирования и создания цифровых артефактов. Ценность подхода, по оценке автора, не сводится к одному длинному ответу. В описанном сценарии система изучает материалы, распределяет работу, собирает промежуточные результаты, проверяет их и несколько раз дорабатывает итог.

Человек задаёт цель и ограничения, а не расписывает каждое действие вручную.

Что такое режим SWARM

В концепции, изложенной в обзоре, SWARM координирует группу агентов вокруг общей задачи. Один агент разбирает исходные документы, другой извлекает изображения и таблицы, третий строит структуру данных, четвёртый пишет код или создаёт сцену в Blender, а отдельный агент проверяет результат. Такой подход подходит для задач, где этапы частично независимы и не требуют постоянного последовательного диалога с одним исполнителем.

Распределение не означает, что каждому агенту дают случайный фрагмент задания. Сначала проект раскладывают на проверяемые блоки с понятными входами и выходами. Исследовательская задача, например, может включать инвентаризацию файлов, извлечение фактов, анализ чертежей, восстановление геометрии, сборку браузерной сцены и финальную проверку. Агент, который строит модель, получает общий запрос, подготовленные результаты предыдущих этапов, требования к формату файлов, ограничения по детализации и критерии приёмки.

Как распределяются задачи между агентами

• Агент-исследователь собирает сведения из документов и фиксирует страницу или изображение, где найден каждый важный факт.
• Агент-аналитик сопоставляет данные, выявляет противоречия и отделяет подтверждённые сведения от предположений.
• Агент-разработчик пишет скрипты, организует структуру проекта и подключает необходимые инструменты.
• Агент 3D-сборки создаёт геометрию, материалы, освещение и интерактивные элементы сцены.
• Агент-проверяющий запускает проект, ищет ошибки, сравнивает результат с требованиями и формирует список исправлений.

Такой workflow работает лучше, когда роли имеют явные границы. Исследователь не должен незаметно менять исходные данные, а генератор модели не должен подменять отсутствующие факты правдоподобными деталями. В рабочем описании стоит закрепить формат отчёта, список разрешённых действий, перечень файлов, критерии завершения и порядок эскалации вопроса человеку, если источники противоречат друг другу.

Эксперимент с PDF-документами и Platform 37

В описанном Google эксперименте агенты SWARM изучили семь общедоступных PDF-документов городского совета, извлекли 206 инженерных изображений и за ночь провели 10 циклов доработки. Итогом, по представленному описанию эксперимента, стала интерактивная 3D-модель здания Platform 37 примерно из 96 000 треугольников.

Этот результат стоит воспринимать как демонстрацию процесса, а не как универсальную гарантию качества. В нём сочетаются чтение документов, распознавание чертежей и схем, отбор полезных изображений, интерпретация архитектурных данных, написание кода, работа с Blender и подготовка браузерной сцены. Если на одном из этапов агент неверно прочитал масштаб, перепутал назначение помещения или использовал неподтверждённую деталь, ошибка может перейти в финальную модель и выглядеть убедительно.

В подобных проектах стоит хранить не только готовую геометрию, но и журнал происхождения данных. Для каждого крупного элемента модели фиксируют исходный документ, страницу, изображение или допущение, на котором основано решение. Такая трассировка помогает отличить реконструкцию по источнику от визуально правдоподобной интерпретации, созданной без достаточных оснований.

Циклы автономной доработки и контроль результата

Долгая работа агента строится вокруг цикла «планирование, действие, проверка, исправление». В официальном описании Carbon позиционируется как модель для длительных агентных процессов, сложного программирования, мультимодальной работы и расширенной проверки результата. Документация также указывает уровни рассуждения low, medium и high. Они позволяют выбирать баланс между глубиной анализа, задержкой и расходом токенов.

В рамках описанной в обзоре схемы SWARM такой цикл может выглядеть следующим образом:

1. Координатор формулирует цель и делит её на независимые подзадачи.
2. Исследовательские агенты извлекают сведения и прикладывают подтверждения к каждому выводу.
3. Исполнитель создаёт промежуточный результат, например скрипт Blender, HTML-сцену или структуру базы данных.
4. Проверяющий запускает результат и сравнивает его с техническими и содержательными требованиями.
5. Координатор возвращает проблемные участки исполнителю на исправление.
6. После нескольких итераций система формирует финальный пакет файлов и отчёт об ограничениях.

Фраза «агенты работали всю ночь» не означает, что система понимала задачу так же, как исследователь. Она означает, что среда позволяла сохранять состояние, запускать инструменты, возвращаться к промежуточным файлам и продолжать выполнение без постоянного ввода пользователя. Человек всё равно должен определить разрешённые действия, изменения, требующие подтверждения, место хранения результатов и порядок работы после сбоя, превышения лимита или потери доступа к инструменту.

Какие результаты Carbon создаёт в 3D и браузере

В представленных демонстрациях Carbon создавала реконструкции Эйфелевой башни, лунного модуля Apollo, механизмов фортепиано XVI века и виртуальной Атлантиды. Для этих проектов использовались Blender, исторические фотографии, чертежи, видеоматериалы и интерактивные браузерные сцены. Отдельная демонстрация с Атлантидой включала подводные руины, освещение и симуляцию воды в Blender, после чего результат переносили в браузер.

Такие примеры показывают сильную сторону связки модели с инструментами. Carbon не ограничивается словесным описанием объекта: она может подготовить код, создать или изменить сцену, запустить проверку и продолжить работу после обнаружения ошибки. Визуальная выразительность, однако, не доказывает историческую точность, инженерную корректность или готовность модели к производственному использованию.

В собственной демонстрации исследователь Шинжер Юань, по его оценке, использовал Gemini 4 Carbon для воссоздания чёрной дыры Гаргантюа из фильма «Интерстеллар», симуляции растекания чернил в реальном времени и создания трёхмерного открытого мира по одному предложению. Эти результаты нужно рассматривать как авторские испытания и примеры возможностей, а не как независимую оценку всех сценариев работы модели.

Для каких проектов SWARM оправдан

По оценке автора обзора, многоагентный режим оправдан там, где проект содержит повторяющиеся операции, большое количество файлов и несколько параллельных направлений работы. К таким задачам относятся разбор технической документации, построение интерактивных прототипов, подготовка исследовательских отчётов, миграция крупных кодовых баз, создание учебных симуляций и предварительная реконструкция объектов по архивным материалам.

Если задача помещается в короткий скрипт или требует одного точного ответа, SWARM добавит лишнюю сложность. Координация агентов требует памяти проекта, правил обмена результатами, контроля конфликтов и проверки промежуточных файлов. Для маленькой задачи один агент с коротким циклом проверки часто эффективнее команды, которая тратит время на распределение ролей.

Когда стоит выбрать Carbon

Gemini 4 Carbon подходит для сложного анализа, глубокой отладки, мультимодального синтеза и задач, где требуется несколько проходов проверки. В официальной документации модель связывается с расширенным контекстом до 1 млн токенов, длительной генерацией и фоновым выполнением длинных запросов. Доступ к конкретным функциям, моделям и средам зависит от продукта, уровня подписки и текущих условий предоставления сервиса.

Для интерактивной разработки, где важны скорость ответа и умеренный расход токенов, документация Google предлагает рассматривать Gemini 4 Argon как более быстрый вариант. Carbon стоит оставлять для этапов, на которых цена ошибки выше цены дополнительного времени: архитектурного анализа, сложного поиска причины сбоя, проверки большой сцены или синтеза плотного набора технических источников.

Риски: источники, ошибки и качество финальной модели

Главный риск длительной автономной работы связан с накоплением незаметных ошибок. Агент может неверно распознать подпись на чертеже, принять рекламное описание за технический факт, потерять единицы измерения или повторить ошибочное предположение в нескольких файлах. Параллельность ускоряет обработку, но не превращает неподтверждённую информацию в достоверную.

• Проверяйте источники. Каждый существенный элемент отчёта или модели должен иметь связь с документом, страницей, изображением либо явно обозначенным допущением.
• Разделяйте факты и реконструкцию. Исторически подтверждённая деталь, инженерная гипотеза и художественная интерпретация должны иметь разные статусы.
• Запускайте автоматические проверки. Для кода нужны тесты и сборка, для веб-сцены нужны проверки загрузки, взаимодействия и производительности, для 3D-модели нужны контроль геометрии, масштаба и лишних объектов.
• Ограничивайте права агентов. Доступ к публикации, удалению файлов, внешним системам и изменению исходных материалов следует выдавать только при понятной необходимости.
• Оставляйте финальное решение человеку. Особенно это важно для научных выводов, инженерных реконструкций, публикации результатов и действий, затрагивающих реальные данные.

А что будет, если журнал проверки не вести? Команда может получить красивый интерактивный объект, но не сможет объяснить, какие его части подтверждены источниками, какие построены по аналогии, а какие появились из-за ошибки агента. Для исследовательского проекта это ограничивает воспроизводимость результата сильнее, чем недостаточная детализация полигональной сетки.

Практическая схема запуска

Перед стартом подготовьте папку проекта с исходными документами, описанием цели, правилами именования файлов и критериями готовности. Затем разделите работу на независимые этапы, назначьте каждому агенту конкретный результат и запретите ему менять чужие артефакты без согласования. Для каждой итерации задайте проверяемое условие: найдено нужное изображение, собрана сцена, прошёл тест, исправлена конкретная ошибка или подтверждена связь с источником.

После первой сборки не просите систему просто «улучшить результат». Такая формулировка не задаёт измеримого направления. Лучше перечислить проверяемые изменения: сопоставить фасад с чертежом, проверить масштаб, удалить неподтверждённые элементы, ускорить загрузку сцены, исправить навигацию и добавить ссылки на исходные изображения внутри отчёта. Чем точнее критерий, тем легче координатору распределить работу и понять, завершён ли цикл.

SWARM в Google Antigravity и Gemini 4 Carbon, по оценке автора, особенно полезны в сценариях, где исследование превращается в длинный производственный процесс с файлами, кодом, визуальными материалами и повторной проверкой. Эксперимент с семью PDF-документами, 206 инженерными изображениями, 10 циклами доработки и моделью Platform 37 показывает масштаб такого подхода в демонстрационном сценарии. Итоговую ценность определяет не количество агентов и не число полигонов, а качество источников, прозрачность допущений и контроль человека на критических этапах.