Google Antigravity lance Orchestrator : Carbon se charge de la réflexion, Hydrogen de l’exécution, les tests officiels réduisent la consommation de quota de 24 %

Note de l’auteur : décryptage du mécanisme de partage des rôles entre planification et exécution dans Google Antigravity Orchestrator, de la signification des 24 % de quota et 19 % de vitesse des tests officiels, et des différences de choix avec les modèles autonomes et les agents parallèles.

Le 12 novembre 2026, Google a publié Gemini 4 Hydrogen et a lancé dans Antigravity l’orchestration multi-modèles Orchestrator. Le principe : dans une même tâche de développement, Carbon ou Argon se charge de la planification, Hydrogen de l’exécution. Les tests comparatifs officiels de Google montrent qu’Orchestrator réduit en moyenne la consommation de quota de 24 % par rapport à Carbon utilisé seul, et accélère la réalisation de 19 %.

Ce ne sont pas des rumeurs de couloir : le blog officiel de Google Antigravity, la documentation de sélection des modèles et la synthèse de lancement de Google confirment tous cette fonctionnalité. Cet article rassemble les informations déjà publiques sur Google Antigravity Orchestrator : le mécanisme de fonctionnement, la bonne façon de lire les chiffres des tests, les forfaits et les points d’entrée, ainsi que le type de tâches pour lesquelles il est pertinent.

L’essentiel : après lecture, vous saurez si votre tâche d’ingénierie doit passer par Orchestrator, par Hydrogen en mode autonome, ou par Carbon / Argon en mode autonome.

Résumé en une phrase : Antigravity Orchestrator confie la planification à Carbon ou Argon et l’exécution à Hydrogen dans une seule et même session d’agent ; Google rapporte officiellement des gains de quota et de vitesse.

À savoir : 5 termes à comprendre avant de lire

• Planner (planificateur) : le rôle de modèle chargé d’analyser la tâche, d’établir un plan et de replanifier si nécessaire ; dans Orchestrator, il est tenu par Carbon ou Argon.
• Executor (exécuteur) : le rôle qui modifie le code, exécute les outils et vérifie les résultats selon le plan ; dans Orchestrator, il est tenu par Hydrogen.
• Agent : un système qui accomplit des tâches à plusieurs étapes grâce au modèle et à l’environnement d’exécution des outils ; ce n’est pas la même chose qu’un modèle unique.
• Quota : le volume alloué par la plateforme pour limiter la quantité de service disponible. Une baisse de quota ne se traduit pas directement par une baisse de la facture réelle.
• Harness : le cadre de test qui organise les entrées du modèle, l’exécution des outils et la notation des tâches. Un même modèle placé dans un Harness différent peut obtenir un score différent.

Aperçu des informations clés de Google Antigravity Orchestrator

Pourquoi Google lance Antigravity Orchestrator

Une véritable tâche de développement logiciel comporte généralement plusieurs types de travail : d’abord comprendre le codebase et les dépendances, puis décider où modifier et comment, ensuite éditer les fichiers en lot, lancer les builds et les tests, et enfin vérifier les résultats. Ces étapes ont des exigences très différentes en matière de capacité de raisonnement. « Décider comment modifier » demande un jugement approfondi ; « modifier dix fichiers selon le plan et lancer les tests » privilégie davantage la vitesse, l’édition précise et la stabilité des appels d’outils.

Si l’on confie toute la tâche à un modèle de raisonnement haut de gamme comme Carbon, les nombreuses opérations répétitives de la phase d’exécution vont aussi consommer le rythme et le quota d’un modèle haut de gamme, ce qui allonge le temps de la tâche et fait grimper les coûts en quota. À l’inverse, un modèle léger seul risque de se tromper sur la conception du plan ou sur les erreurs délicates, ce qui entraîne des reprises.

Le positionnement de Hydrogen comble précisément ce créneau. Google le définit comme un modèle d’exécution Agent et de programmation quotidienne à haut rendement, en mettant l’accent sur l’édition précise, les appels multi-outils et la capacité à ajuster la stratégie après l’échec d’un outil ; Google indique explicitement qu’il peut jouer le rôle d’exécuteur ou de validateur dans un système multi-modèles. Orchestrator, c’est justement la productisation de cette division du travail : le modèle coûteux n’est utilisé que là où le jugement est le plus nécessaire.

Comment fonctionne Antigravity Orchestrator : Carbon pense, Hydrogen exécute

Selon la documentation officielle de Google Antigravity, l’Orchestrator ne se contente pas d’évaluer la difficulté une seule fois à la réception d’une requête, puis de choisir un modèle pour mener toute la tâche. Il alterne planning et exécution entre les modèles au sein d’une même tâche.

Le flux de travail en cinq étapes de l’Orchestrator

Prenons l’exemple officiel du scénario de mise à niveau des dépendances, un cycle complet se déroule approximativement ainsi :

1. Analyser le dépôt de code : Carbon (ou Argon) parcourt en lecture seule la structure du code et les relations de dépendances.
2. Élaborer un plan : le Planner détermine l’étendue et les étapes des modifications, tout en définissant dans quels cas une replanification est nécessaire.
3. Modifier le code : Hydrogen prend en charge les éditions concrètes et la mise à niveau des dépendances.
4. Exécuter les tests : Hydrogen lance la compilation et les tests pour vérifier que les modifications prennent effet.
5. Vérifier les résultats : en cas de succès, on inspecte les résultats et on clôture la tâche ; en cas d’erreur complexe, on renvoie la main au Planner.

Les conditions déclenchant une replanification de l’Orchestrator

La documentation officielle énumère plusieurs situations qui rendent le contrôle au Planner : l’étape de vérification échoue deux fois consécutivement, le comportement de l’interface ne correspond pas aux attentes, ou une décision de conception non couverte par le plan initial apparaît lors de la mise en œuvre. Après une nouvelle évaluation, le Planner ajuste le plan, puis le confie de nouveau à Hydrogen pour la suite des modifications et des vérifications.

Ce mécanisme est crucial. Le modèle d’exécution ne réessaie pas aveuglément sans fin : dès que l’on sort du plan initial, il remonte la décision à temps, et le modèle haut de gamme n’intervient qu’aux points critiques.

La différence entre le transfert dynamique et le routage de modèle ponctuel

Le « routage de modèle » courant consiste à effectuer une classification unique à l’entrée de la requête : tâche simple confiée à un petit modèle, tâche complexe à un grand modèle, sans changement par la suite. La différence de l’Orchestrator réside dans le fait que, au sein d’une même tâche, plusieurs transferts ont lieu, la planification et l’exécution étant assurées par des modèles différents, et que l’on peut revenir à la phase de planification à tout moment pendant l’exécution. Ce qu’il route, ce sont les phases de la tâche, et non l’ensemble de la requête.

Tests officiels d’Orchestrator : que signifient 24 % de quota et 19 % de vitesse ?

Les données ci-dessous proviennent toutes des tests comparatifs officiels de Google sur des tâches en terminal, comparant « Orchestrator » à « Carbon utilisé seul ».

Pourquoi la répartition entre plusieurs modèles permet d’économiser du quota

Le gain vient surtout de la phase d’exécution. L’édition de code, la mise à jour des dépendances et les exécutions répétées de tests sont des étapes très sollicitées, avec un contexte long : si Carbon s’en chargeait à chaque fois, le modèle haut de gamme serait appelé en masse et à répétition. Une fois ces tâches confiées à Hydrogen, Carbon ne garde que la planification initiale et la replanification en cours de route, ce qui fait naturellement baisser le volume d’appels au raisonnement haut de gamme. L’écart de coût entre les deux se lit aussi dans les tarifs API : au 13 novembre 2026, selon les prix standards officiels de Google AI Studio, Hydrogen facture l’entrée et la sortie respectivement 1,50 USD et 7,50 USD par million de tokens ; Carbon est à 2 USD et 10 USD par million de tokens jusqu’au 30 novembre 2026, la page officielle précisant un passage à 4 USD et 20 USD à partir du 1er décembre.

Attention toutefois : ce sont là des prix API, alors qu’Orchestrator fonctionne dans le système de quotas d’abonnement d’Antigravity ; les deux ne se mesurent pas de la même manière. On ne peut donc pas déduire le « coût réel » d’Orchestrator à partir des prix API.

Ce que ces chiffres signifient pour une équipe de développement

Pour une équipe, l’efficacité d’un outil de programmation IA ne se juge pas uniquement sur la qualité d’une réponse isolée : il faut regarder trois dimensions à la fois — le taux de réussite des tâches, la consommation de quota et le temps de complétion. Les résultats officiels d’Orchestrator montrent que, à taux de réussite quasiment identique, les deux autres indicateurs s’améliorent. C’est une piste à considérer pour les équipes : évaluer séparément la « qualité de planification » et le « débit d’exécution », plutôt que de ne fixer que le modèle le plus puissant.

💡 Note sur les données : les chiffres d’efficacité de cette section proviennent des tests comparatifs officiels de Google et n’ont pas encore été reproduits par un tiers indépendant. Si vous souhaitez vérifier dans votre propre activité l’effet de la répartition « modèle de planification + modèle d’exécution », vous pouvez, via APIYI apiyi.com, appeler des modèles de différents niveaux avec une même clé API et concevoir vous-même votre expérience comparative.

Orchestrator : comparaison avec les modèles indépendants et les Agents parallèles

Analyse comparative avec Carbon indépendant : Carbon garde son avance sur les jugements complexes, mais lors des opérations répétitives de la phase d’exécution, il consomme lui aussi le quota et le temps d’un modèle haut de gamme. À l’inverse, sur la plupart des tâches d’ingénierie courantes mêlant planification et exécution, l’Orchestrator obtient des performances proches pour une consommation de quota plus faible.

Analyse comparative avec Hydrogen indépendant : Hydrogen est rapide et précis dans ses modifications, mais face à un choix de conception non couvert par la solution initiale, il n’a pas de modèle plus puissant pour prendre le relais. Pour les tâches aux besoins clairs et sans décisions à répéter, il reste l’option la plus directe.

Analyse comparative avec les Agents parallèles multiples : Google le précise clairement, l’Orchestrator ne maintient qu’un seul Agent dans une conversation et s’appuie sur la passation entre plusieurs modèles pour couvrir les différentes phases. Si vous avez besoin de plusieurs Agents travaillant simultanément sur des sous-tâches ou se relisant mutuellement, il faut se tourner vers des fonctions comme Subagents, Swarm, Boost ou Teamwork. Les deux répondent à des problèmes différents : l’un concerne « comment répartir le travail au sein d’une même tâche », l’autre « faut-il augmenter le nombre d’Agents ».

Comment utiliser Orchestrator dans Antigravity

Correspondance entre les modes Orchestrator et les offres

Dans l’application Antigravity, ouvrez le menu de sélection du modèle situé près du champ de saisie de la conversation, puis choisissez Orchestrator (Carbon) ou Orchestrator (Argon). Dans l’Antigravity CLI, l’exemple officiel est le suivant (la syntaxe ci-dessous provient de la documentation officielle et n’a pas été testée localement pour cet article) :

# Afficher les modèles disponibles pour le compte actuel
agy models

# Une fois dans la session, utiliser /model pour choisir Orchestrator

# Vous pouvez aussi le spécifier directement au démarrage
agy -p "Add input validation to the signup form and run the tests." --model "Orchestrator (Argon)"

À noter qu’Orchestrator utilise une configuration de réflexion fixe : impossible de lui attribuer séparément un niveau Low, Medium, High ou Extra. Si vous avez besoin de personnaliser le niveau de réflexion, passez plutôt à un modèle autonome. Par ailleurs, le jour du lancement, des utilisateurs ont signalé que l’option du modèle était visible mais que l’invocation échouait, et que l’ouverture n’était pas synchronisée d’un compte à l’autre. Ces situations sont plus probablement liées à un déploiement progressif ; si vous les rencontrez, réessayez un peu plus tard.

Reproduire la répartition planification / exécution dans son propre agent

L’Orchestrator est une fonctionnalité produit d’Antigravity, mais l’idée « un modèle puissant planifie, un modèle rapide exécute, et au bout de deux échecs on repasse la main au planificateur » peut très bien s’implémenter dans votre propre agent. Voici un exemple minimal basé sur une interface compatible OpenAI — les noms de modèles sont à prendre dans la liste de modèles de la plateforme que vous utilisez :

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

PLANNER = "your-reasoning-model"   # modèle de planification, voir la liste de modèles de la plateforme
EXECUTOR = "your-fast-model"       # modèle d'exécution, voir la liste de modèles de la plateforme

def ask(model, system, user):
    r = client.chat.completions.create(model=model, messages=[
        {"role": "system", "content": system}, {"role": "user", "content": user}])
    return r.choices[0].message.content

plan = ask(PLANNER, "你是架构师，输出分步实施方案。", "为注册表单增加输入校验")
print(ask(EXECUTOR, "严格按方案执行，只输出代码改动。", plan))

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

PLANNER = "your-reasoning-model"
EXECUTOR = "your-fast-model"
MAX_FAILS = 2  # cf. doc Antigravity : après deux échecs de validation consécutifs, on repasse au planificateur

def ask(model: str, system: str, user: str) -> str:
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": user}],
    )
    return r.choices[0].message.content

def run_tests(patch: str) -> tuple[bool, str]:
    """Remplacez ceci par votre propre logique de build et de test, renvoie (réussi, journal)"""
    raise NotImplementedError

def orchestrate(task: str, max_replans: int = 3) -> str:
    plan = ask(PLANNER, "你是规划者，输出分步方案及重新规划条件。", task)
    for _ in range(max_replans):
        fails, log = 0, ""
        while fails < MAX_FAILS:
            patch = ask(EXECUTOR, "你是执行者，严格按方案修改代码。",
                        f"方案：\n{plan}\n上次测试日志：\n{log}")
            ok, log = run_tests(patch)
            if ok:
                return patch
            fails += 1
        # Échecs consécutifs : on repasse la main au modèle de planification pour réévaluer
        plan = ask(PLANNER, "执行连续失败，请根据日志修订方案。",
                   f"原任务：{task}\n原方案：{plan}\n失败日志：{log}")
    raise RuntimeError("多次重新规划后仍未通过验证")

🚀 Conseil pour démarrer rapidement : quand vous montez ce genre de prototype « planification + exécution », le plus simple est de récupérer un quota d’essai gratuit via APIYI apiyi.com. Une seule clé API suffit pour appeler OpenAI, Claude, Gemini et les autres modèles phares ; pour basculer entre PLANNER et EXECUTOR, il suffit de changer une chaîne de caractères, ce qui rend la comparaison des combinaisons très rapide.

Analyse d’impact d’Antigravity Orchestrator : quelles tâches de développement sont les plus adaptées

Impact pour les développeurs

• Développement de fonctionnalités classiques : la répartition en trois phases — planification, implémentation, tests — est claire, et c’est le scénario le plus typique pour Orchestrator.
• Correction de bugs sur plusieurs fichiers : Planner identifie la cause racine, Hydrogen modifie plusieurs fichiers et lance les tests pour valider ; en cas d’échec, le dossier revient à Planner pour décision.
• Refactorisation de complexité moyenne : l’approche reste pilotée par le modèle de planification, tandis que les nombreuses modifications concrètes sont confiées au modèle d’exécution, ce qui évite que le modèle haut de gamme se perde dans des éditions mécaniques.
• Gestion des quotas plus proactive : pour les abonnés, traiter les tâches quotidiennes avec Orchestrator permet de réserver davantage de crédits aux travaux qui demandent vraiment une réflexion approfondie.

Impact pour le secteur

• Le duo « planificateur + exécuteur » devient un modèle produit : les fournisseurs de modèles commencent à intégrer directement la collaboration multi-modèles dans les outils de développement, au lieu de laisser les utilisateurs tout orchestrer eux-mêmes.
• Des indicateurs d’évaluation plus variés : au-delà du taux de réussite, la consommation de quotas et le temps de complétion apparaîtront de plus en plus dans les comparaisons d’outils Agent.

Recommandations de choix de scénario pour Orchestrator

Questions fréquentes (FAQ)

Google Antigravity Orchestrator : l’essentiel à retenir

• Définition : au sein d’une même session d’agent, Carbon / Argon planifient, Hydrogen exécute, avec un passage de relais dynamique.
• Mécanisme clé : en cas de validation échouée deux fois de suite, par exemple, la main revient au modèle de planification pour un nouvel arbitrage.
• Chiffres officiels : par rapport à Carbon utilisé seul, quota -24 %, vitesse +19 %, pour des performances de réussite comparables.
• Bonne lecture : consommer du quota ne signifie pas payer une facture, et les versions de référence des tests ne sont pas marquées de la même façon dans les deux annonces.
• Conditions d’accès : les abonnés Ultra disposent des deux modes, les Pro éligibles peuvent utiliser le mode Argon.
• Pour s’y mettre : on peut reproduire cette répartition des rôles dans son propre agent via l’interface unifiée d’APIYI apiyi.com.

En résumé

Les points essentiels de Google Antigravity Orchestrator :

1. Répartir les rôles plutôt que remplacer : il ne s’agit pas de substituer un modèle bon marché à un modèle coûteux, mais de confier le jugement à Carbon / Argon et l’exécution à Hydrogen.
2. Passage de relais dynamique : si une anomalie survient en cours d’exécution, on revient à la phase de planification ; c’est ce qui le distingue d’un routage de modèles à sens unique.
3. Gains officiels : à performances de réussite proches de Carbon, les tests officiels affichent une réduction de 24 % du quota et un gain de 19 % en vitesse.
4. Choisir selon la complexité : Orchestrator pour l’ingénierie multi-étapes classique, Carbon / Argon pour l’architecture approfondie, Hydrogen pour les tâches quotidiennes bien délimitées.

Pour la plupart des tâches de développement courantes, Orchestrator est une option par défaut raisonnable, qui concilie qualité et quota. Si vous souhaitez appliquer la même approche à vos propres produits, je vous recommande de tester rapidement différentes combinaisons de modèles via APIYI apiyi.com : la plateforme offre un quota gratuit et une interface unifiée multi-modèles.

📚 Ressources

1. Blog officiel de Google Antigravity : Gemini 4 Hydrogen and Orchestrator
2. Lien : antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity

3. Description : annonce de la sortie d’Orchestrator et données de test officielles à 24 % / 19 %, benchmark référencé sous Terminal-Bench 4.1

4. Documentation Google Antigravity : Choose a Model / Orchestrator

5. Lien : antigravity.google/docs/models

6. Description : mécanisme Planner / Executor, conditions de re-planification, exemples CLI et conseils pour choisir un modèle

7. Blog officiel de Google : Introducing Gemini 4 Hydrogen

8. Lien : blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

9. Description : vue d’ensemble de la sortie de Hydrogen ; le même résultat comparatif y est référencé sous Terminal-Bench 4.0

10. Annonce officielle de Google en chinois : Gemini 4 Hydrogen

11. Lien : china.googleblog.com/2026/11/gemini-4-hydrogen.html

12. Description : informations de publication en chinois, avec la même version de benchmark indiquée comme 4.0

13. Page tarifs de Google AI Studio : tarifs des API de la gamme Gemini

14. Lien : aistudio.google.com/docs/pricing

15. Description : tarifs standard des API Hydrogen, Carbon et Argon, ainsi que les dates de changement de tarification

16. Explication des forfaits Antigravity et du quota partagé

17. Lien : antigravity.google/blog/changes-to-antigravity-plans
18. Description : système d’abonnements et de quotas

Auteur : équipe technique APIYI
Échanges techniques : contactez-nous depuis la page d’accueil du site APIYI ; pour plus de ressources, rendez-vous sur le centre de documentation docs.apiyi.com

Articles connexes

• Google Antigravity lance /swarm : la programmation IA passe de l'exécution par un seul Agent à la collaboration en équipe multi-Agents, analyse de 4 types de rôles: Analyse de la fonctionnalité en préversion /swarm de Google Antigravity : répartition des rôles entre Coordinator, Worker, Verifier et Monitor, copies de travail, tableau de bord visuel, consommation de quotas et limites de permissions expliqués en une fois.
• Gemini 4 Carbon utilise /swarm pour construire un monde 3D du campus de Google: Analyse de la démo officielle de Google, un jeu en monde ouvert où un pélican roule en GBike, pour voir comment Gemini 4 Carbon s'appuie sur Antigravity /swarm afin de coordonner plusieurs agents sur les ressources 3D, le jeu navigateur et le design sonore, ainsi que ses limites.
• De la photo historique à la 3D interactive : Gemini 4 Carbon recrée le processus de construction de la tour Eiffel avec une seule invite: Analyse de la démonstration de la tour Eiffel par Google : comment Gemini 4 Carbon, grâce à la collaboration multi-agents /swarm d'Antigravity, organise des photos historiques et des plans d'ingénierie en une exposition 3D interactive avec Three.js.
• De « Doubao américain » à modèle de programmation de premier plan : qu'a vécu Gemini en trois ans ? Décryptage de 12 étapes clés: Retracer les 12 jalons clés de Gemini, de la version 1.0 en 2023 à Gemini 4 Carbon en 2026, et analyser l'évolution du multimodal, de la fenêtre de contexte longue, du Thinking, de l'appel d'outils et de l'Agentic Coding, ainsi que son impact sur le choix des développeurs.
• Gemini 4 Hydrogen vs Gemini 4 Carbon : comment choisir au quotidien: En expliquant selon cinq aspects (positionnement, niveaux de réflexion, contexte et sortie, prix et utilisation d’Orchestrator) comment Gemini 4 Hydrogen et Gemini 4 Carbon se répartissent les tâches au quotidien, ainsi que les modèles actuellement appelables via APIYI.
• Quelle est la puissance de Gemini 4 Hydrogen ? 7 victoires sur 10 dans le tableau officiel: Google a publié le 12 novembre 2026 Gemini 4 Hydrogen : sa fiche officielle remporte 7 des 10 comparaisons, 2,5 fois plus rapide que Gemini 3.8 Flash, et Terminal-Bench 4.1 passe de 18,2 % à 57 %, avec des précisions sur la méthode de calcul de ces chiffres, le prix et l'état actuel des appels.
• Gemini 4 Hydrogen face à Claude Sonnet 5.5 : comment choisir selon 10 critères: Selon la fiche modèle officielle (10 points) et les prix officiels, comparez Gemini 4 Hydrogen et Claude Sonnet 5.5 : Hydrogen mène sur 7 points et coûte moins cher en invites courtes ; Sonnet est meilleur sur 3 points (terminal, contrôle d'ordinateur, terminal scientifique), avec conseils de choix et intégration APIYI.