Google Antigravity lança Orchestrator: Carbon responsável pelo raciocínio, Hydrogen pela execução, testes oficiais reduzem o consumo de cota em 24%

Nota do autor: interpretação do mecanismo de divisão entre planejamento e execução do Google Antigravity Orchestrator, do significado dos dados oficiais de 24% de cota e 19% de velocidade nos testes oficiais, e das diferenças de escolha entre ele, modelos independentes e Agentes em paralelo.

Em 12 de novembro de 2026, o Google lançou o Gemini 4 Hydrogen e, ao mesmo tempo, apresentou no Antigravity o Orchestrator, a orquestração multi-modelo. A ideia é que, em uma mesma tarefa de desenvolvimento, Carbon ou Argon fique responsável pelo planejamento e Hydrogen pela execução. Os testes comparativos oficiais do Google mostram que o Orchestrator reduz o consumo de cota em 24% em média e aumenta a velocidade de conclusão em 19%, em comparação com o uso isolado de Carbon.

Isso não é boato: o blog oficial do Google Antigravity, a documentação de seleção de modelos e a visão geral de lançamentos do Google já confirmaram esse recurso. Este artigo reúne as informações já tornadas públicas sobre o Google Antigravity Orchestrator, incluindo o mecanismo de funcionamento, a leitura correta dos dados de teste, os planos e as formas de acesso, além de quais tipos de tarefa são mais adequados para usá-lo.

Valor principal: depois de ler este artigo, você conseguirá decidir se sua tarefa de engenharia deve usar o Orchestrator, o modo independente Hydrogen ou o modo independente Carbon / Argon.

Resumo em uma frase: o Antigravity Orchestrator faz Carbon ou Argon planejar e Hydrogen executar dentro de uma única sessão de Agente; o Google relatou oficialmente ganhos de cota e velocidade.

Para saber: 5 termos que você precisa conhecer antes de ler

• Planner (planejador): papel do modelo responsável por analisar a tarefa, formular um plano e replanejar quando necessário. No Orchestrator, esse papel é desempenhado por Carbon ou Argon.
• Executor: papel responsável por alterar o código conforme o plano, executar ferramentas e validar resultados. No Orchestrator, esse papel é desempenhado por Hydrogen.
• Agente: sistema que conclui tarefas de várias etapas por meio do modelo e de um ambiente de execução de ferramentas; não equivale a um único modelo.
• Cota: limite de volume de serviço disponível definido pela plataforma. Reduzir a cota não significa necessariamente reduzir a fatura real.
• Harness: estrutura de teste que organiza a entrada do modelo, a execução de ferramentas e a pontuação das tarefas. O mesmo modelo pode apresentar pontuações diferentes em Harness diferentes.

Visão rápida das informações principais do Google Antigravity Orchestrator

Por que o Google lançou o Antigravity Orchestrator

Uma tarefa real de desenvolvimento de software normalmente envolve vários tipos de trabalho: primeiro entender o repositório de código e as dependências, depois decidir onde alterar e como alterar, em seguida editar arquivos em lote, rodar build e testes, e por fim verificar os resultados. Essas etapas têm exigências muito diferentes de capacidade de raciocínio. “Decidir como alterar” exige julgamento profundo; “alterar dez arquivos conforme o plano e rodar testes” valoriza mais velocidade, edição precisa e estabilidade na invocação de ferramentas.

Se toda a tarefa for entregue a um modelo de raciocínio de alto padrão como o Carbon, a grande quantidade de operações repetitivas na fase de execução também consumirá o ritmo e a cota de um modelo de alto padrão, elevando tanto o tempo da tarefa quanto o custo em cota. Usar apenas modelos leves pode levar a erros de julgamento no design da solução ou em erros difíceis, causando retrabalho.

O posicionamento do Hydrogen preenche exatamente essa lacuna. O Google o define como um modelo de alta eficiência para programação cotidiana e execução de Agent, enfatizando edição precisa, invocação de múltiplas ferramentas e a capacidade de ajustar estratégias após falhas de ferramentas, e afirma explicitamente que ele pode atuar como executor ou verificador em sistemas multi-modelo. O Orchestrator é a materialização desse tipo de divisão de trabalho em produto: os modelos caros são usados apenas nas etapas que mais precisam de julgamento.

Como funciona o Antigravity Orchestrator: Carbon pensa, Hydrogen executa

De acordo com a documentação oficial do Google Antigravity, o Orchestrator não avalia a dificuldade apenas uma vez quando recebe uma solicitação e então escolhe um modelo para fazer tudo do início ao fim. Ele alterna repetidamente entre o modelo de planejamento e o modelo de execução dentro da mesma tarefa.

O fluxo de trabalho em cinco etapas do Orchestrator

Tomando como exemplo o cenário de atualização de dependências citado na documentação oficial, um fluxo completo funciona aproximadamente assim:

1. Analisar o repositório: Carbon (ou Argon) mapeia a estrutura do código e as relações de dependência em modo somente leitura.
2. Elaborar o plano: o Planejador define o escopo e as etapas da modificação, além de estabelecer em quais situações será necessário replanejar.
3. Modificar o código: Hydrogen assume as edições concretas e a atualização das dependências.
4. Executar os testes: Hydrogen roda o build e os testes para verificar se as alterações funcionaram.
5. Validar o resultado: após a aprovação, verifica o resultado e encerra a tarefa; diante de erros complexos, devolve o controle ao Planejador.

Condições que disparam o replanejamento no Orchestrator

A documentação oficial lista algumas situações que devolvem o controle ao Planejador: a etapa de validação falha duas vezes consecutivas, o comportamento da interface diverge do esperado, ou surgem durante a implementação escolhas de design que o plano original não cobria. Depois de reavaliar, o Planejador ajusta o plano e o entrega novamente ao Hydrogen para continuar as modificações e validações seguintes.

Esse mecanismo é fundamental. O modelo de execução não fica preso a tentativas cegas; quando algo “sai do plano original”, ele devolve a decisão em tempo hábil, e o modelo de alto desempenho só intervém nos pontos críticos.

A diferença entre handoff dinâmico e roteamento de modelo único

O “roteamento de modelos” comum faz uma classificação única na entrada da solicitação: tarefas simples vão para modelos pequenos, tarefas complexas para modelos grandes, e depois não muda mais. A diferença do Orchestrator é que, dentro de uma mesma tarefa, ocorrem múltiplos handoffs, o planejamento e a execução ficam a cargo de modelos diferentes, e durante a execução é possível voltar à fase de planejamento a qualquer momento. Ele roteia fases da tarefa, e não a solicitação inteira.

Teste oficial do Orchestrator: o que significam 24% de cota e 19% de velocidade

Os dados abaixo vêm todos de testes comparativos oficiais do Google em tarefas de terminal. A comparação é entre o “Orchestrator” e o “uso isolado do Carbon”.

Por que a divisão de trabalho entre vários modelos economiza cota

O ganho vem principalmente da fase de execução. Etapas como edição de código, atualização de dependências e execução repetida de testes envolvem muitas chamadas e contextos longos. Se tudo fosse feito pelo Carbon, o modelo de alto desempenho seria chamado repetidamente em grande volume. Ao delegar ao Hydrogen, o Carbon fica responsável apenas pelo planejamento inicial e pelo replanejamento no meio do caminho, e o volume de chamadas de raciocínio de alto desempenho cai naturalmente. Os preços de API também mostram a diferença de custo entre os dois: até 13 de novembro de 2026, na tabela de preços padrão oficial do Google AI Studio, o Hydrogen custa US$ 1,50 na entrada e US$ 7,50 na saída por milhão de tokens; o Carbon custa US$ 2 e US$ 10 por milhão de tokens até 30 de novembro de 2026, e a página oficial informa que, a partir de 1º de dezembro, os valores passam a US$ 4 e US$ 20.

Vale notar que os valores acima são preços de API, enquanto o Orchestrator opera dentro do sistema de cotas da assinatura do Antigravity; as formas de medição são diferentes. Não dá para usar o preço de API para estimar o “custo real” do Orchestrator.

O que esses números significam para equipes de desenvolvimento

Para uma equipe, avaliar a eficiência de uma ferramenta de programação com IA não pode se limitar à qualidade de uma resposta isolada; é preciso observar três dimensões ao mesmo tempo: taxa de sucesso das tarefas, consumo de cota e tempo de conclusão. Os resultados oficiais do Orchestrator mostram que, com a taxa de sucesso praticamente inalterada, os dois últimos indicadores melhoraram. Isso oferece às equipes uma forma de pensar o problema: avaliar separadamente a “qualidade do planejamento” e a “capacidade de execução”, em vez de focar apenas no modelo mais forte.

💡 Nota sobre os dados: Os números de eficiência desta seção vêm todos de testes comparativos oficiais do Google e ainda não foram reproduzidos por terceiros independentes. Se você quiser verificar no seu próprio negócio o efeito da divisão de trabalho entre “modelo de planejamento + modelo de execução”, pode usar a mesma chave API no APIYI apiyi.com para chamar modelos de diferentes níveis e criar seu próprio experimento comparativo.

Orchestrator: modelos independentes vs agentes paralelos

Análise comparativa: Carbon independente: O Carbon mantém a liderança em julgamentos complexos, mas também consome cota e tempo do modelo de alto desempenho em operações repetitivas durante a fase de execução. Em contrapartida, o Orchestrator, na maioria das tarefas rotineiras de engenharia que combinam planejamento e execução, alcança um desempenho de sucesso próximo com menor consumo de cota.

Análise comparativa: Hydrogen independente: O Hydrogen é rápido e preciso nas edições, mas, quando surge uma escolha de design não coberta pelo plano original, não tem um modelo mais forte como fallback. Para tarefas com requisitos claros e que não exigem decisões iterativas, ele continua sendo a opção mais direta.

Análise comparativa: vários agentes em paralelo: O Google deixa claro que o Orchestrator mantém apenas um agente em uma sessão, contando com a transição entre vários modelos para concluir diferentes etapas. Se você precisa que vários agentes processem subtarefas ao mesmo tempo ou revisem uns aos outros, deve usar recursos como Subagents, Swarm, Boost ou Teamwork. As duas abordagens resolvem problemas diferentes: uma trata de “como dividir o trabalho dentro de uma única tarefa” e a outra, de “se vale a pena aumentar o número de agentes”.

Como usar o Orchestrator no Antigravity

Correspondência entre os modos Orchestrator e os planos

No Antigravity App, abra o menu de seleção de modelo próximo à caixa de entrada da conversa e selecione Orchestrator (Carbon) ou Orchestrator (Argon). No Antigravity CLI, o exemplo fornecido oficialmente é o seguinte (a sintaxe abaixo foi extraída da documentação oficial e não foi testada localmente neste artigo):

# Ver os modelos disponíveis para a conta atual
agy models

# Depois de entrar na sessão, use /model para selecionar o Orchestrator

# Também é possível especificar diretamente na inicialização
agy -p "Add input validation to the signup form and run the tests." --model "Orchestrator (Argon)"

Vale notar que o Orchestrator usa uma configuração de raciocínio fixa; não é possível definir níveis separados como Low, Medium, High ou Extra para ele. Se precisar personalizar o nível de raciocínio, troque para um modelo independente. Além disso, no dia do lançamento, alguns usuários relataram que a opção de modelo estava visível, mas a invocação falhava, e que o momento de disponibilização variava entre as contas. Essas situações provavelmente estão relacionadas à liberação gradual; se acontecerem, tente novamente mais tarde.

Reproduzindo a divisão entre planejamento e execução no seu próprio Agent

O Orchestrator é um recurso do produto Antigravity, mas a lógica de “modelo forte planeja, modelo rápido executa e, após duas falhas, o trabalho volta para o planejador” pode muito bem ser implementada no seu próprio Agent. A seguir está um exemplo minimalista baseado na interface compatível com OpenAI; para os nomes dos modelos, consulte a lista de modelos da plataforma que você utiliza:

from openai import OpenAI

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

PLANNER = "your-reasoning-model"   # modelo de planejamento, conforme a lista de modelos da plataforma
EXECUTOR = "your-fast-model"       # modelo de execução, conforme a lista de modelos da plataforma

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  # conforme a documentação do Antigravity: após duas falhas consecutivas de validação, o caso retorna ao planejamento

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]:
    """Substitua pela sua própria lógica de build e testes; retorna (se passou, log)"""
    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
        # falhas consecutivas: devolve ao modelo de planejamento para reavaliar
        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")

🚀 Dica para começar rápido: ao montar esse tipo de protótipo de “planejamento + execução”, vale a pena obter cota gratuita de testes pelo APIYI apiyi.com. Uma única chave API permite chamar modelos populares como OpenAI, Claude e Gemini; para alternar entre PLANNER e EXECUTOR basta mudar uma string, o que facilita comparar rapidamente diferentes combinações.

Análise de impacto do Antigravity Orchestrator: quais tarefas de desenvolvimento são mais adequadas

Impacto para os desenvolvedores

• Desenvolvimento de funcionalidades de rotina: planejamento, implementação e testes com divisão clara em três etapas; é o cenário mais típico do Orchestrator.
• Correção de bugs em vários arquivos: o Planner identifica a causa raiz, o Hydrogen modifica vários arquivos e executa testes para validar; se falhar, devolve a tarefa para nova avaliação.
• Refatoração de média complexidade: o plano é controlado pelo modelo de planejamento, e a maior parte das alterações concretas fica com o modelo de execução, evitando que modelos de alto desempenho fiquem presos a edições mecânicas.
• Gestão de cota mais proativa: para usuários de assinatura, usar o Orchestrator em tarefas cotidianas permite reservar mais créditos para trabalhos que realmente exigem raciocínio profundo.

Impacto para o setor

• “Planejador + Executor” se torna um modelo de produto: os fornecedores de modelos começam a incorporar a colaboração entre múltiplos modelos diretamente nas ferramentas de desenvolvimento, em vez de deixar toda a orquestração para o usuário.
• Indicadores de avaliação mais diversificados: além da taxa de sucesso, o consumo de cota e o tempo de conclusão aparecerão cada vez mais nas comparações entre ferramentas de Agent.

Recomendações para escolha de cenários do Orchestrator

Perguntas Frequentes (FAQ)

Principais pontos do Google Antigravity Orchestrator

• Definição central: dentro de uma única sessão de agente, Carbon / Argon planejam, Hydrogen executa e há transferência dinâmica de tarefas.
• Mecanismo-chave: casos como falha consecutiva na validação duas vezes fazem a tarefa voltar ao modelo de planejamento para uma nova avaliação.
• Dados oficiais: em comparação com o Carbon sozinho, cota -24%, velocidade +19% e desempenho de sucesso semelhante.
• Interpretação correta: consumo de cota não equivale a cobrança; a versão de referência do teste está marcada de forma inconsistente nos dois comunicados.
• Requisitos de acesso: o Ultra pode usar os dois modos; o Pro elegível pode usar o modo Argon.
• Como começar: um agente próprio pode reproduzir essa divisão de trabalho por meio da interface unificada da APIYI apiyi.com.

Resumo

Pontos centrais do Google Antigravity Orchestrator:

1. Divisão de trabalho, não substituição: não se trata de usar um modelo barato no lugar de um caro, mas de deixar Carbon / Argon cuidando das decisões e Hydrogen da execução.
2. Transferência dinâmica: se surgir uma anomalia durante a execução, a tarefa volta à fase de planejamento; é isso que o diferencia do roteamento de modelo em uma única etapa.
3. Ganhos oficiais: mantendo um desempenho de sucesso próximo ao do Carbon, nos testes oficiais houve redução de 24% na cota e aumento de 19% na velocidade.
4. Escolha conforme a complexidade: use Orchestrator para engenharia multietapa de rotina, Carbon / Argon para arquitetura aprofundada e Hydrogen para tarefas diárias bem definidas.

Para a maioria das tarefas de desenvolvimento do dia a dia, o Orchestrator é uma opção padrão razoável que equilibra qualidade e cota. Se você quiser aplicar a mesma abordagem ao seu próprio produto, recomendamos validar rapidamente os efeitos de diferentes combinações de modelos pela APIYI apiyi.com; a plataforma oferece cota gratuita e uma interface unificada para vários modelos.

📚 Referências

1. Blog oficial do Google Antigravity: Gemini 4 Hydrogen e Orchestrator
2. Link: antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity

3. Descrição: anúncio de lançamento do Orchestrator com os dados de teste oficiais de 24% / 19%, benchmark marcado como Terminal-Bench 4.1

4. Documentação do Google Antigravity: Choose a Model / Orchestrator

5. Link: antigravity.google/docs/models

6. Descrição: mecanismo Planner / Executor, condições de replanejamento, exemplos de CLI e recomendações de escolha de modelo

7. Blog oficial do Google: Introducing Gemini 4 Hydrogen

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

9. Descrição: visão geral do lançamento do Hydrogen; o mesmo resultado comparativo aqui está marcado como Terminal-Bench 4.0

10. Anúncio oficial em chinês do Google: Gemini 4 Hydrogen

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

12. Descrição: informações de lançamento em chinês, a versão do benchmark também marcada como 4.0

13. Página de preços do Google AI Studio: preços da API da linha Gemini

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

15. Descrição: preços da API padrão de Hydrogen, Carbon e Argon, e as datas de reajuste

16. Explicação sobre planos e cotas compartilhadas do Antigravity

17. Link: antigravity.google/blog/changes-to-antigravity-plans
18. Descrição: planos de assinatura e sistema de cotas

Autor: equipe técnica da APIYI
Contato técnico: fique à vontade para nos contatar pela página inicial do site da APIYI; mais materiais estão disponíveis no centro de documentação docs.apiyi.com

Artigos relacionados

• O Google Antigravity lança o /swarm: uma leitura dos 4 tipos de papéis na transição da programação por IA da execução com um único agente para a colaboração em equipe com múltiplos agentes: Explique a funcionalidade de pré-visualização /swarm do Google Antigravity: como o Coordinator, o Worker, o Verifier e o Monitor dividem e coordenam o trabalho, e esclareça de uma vez as cópias de trabalho, o painel de visualização, o consumo de cota e os limites de permissão.
• Gemini 4 Carbon usa /swarm para construir um mundo 3D do campus do Google: 拆解 Google 官方演示的鹈鹕骑 GBike 开放世界游戏，看 Gemini 4 Carbon 如何借助 Antigravity /swarm 协调多 Agent 完成三维资产、浏览器游戏与声音设计，以及它的边界。
• De fotos históricas a 3D interativo: Gemini 4 Carbon recria o processo de construção da Torre Eiffel com um único comando: Análise da demonstração da Torre Eiffel do Google: como o Gemini 4 Carbon usa a colaboração multiagente /swarm do Antigravity para organizar fotos históricas e plantas de engenharia em uma exposição tridimensional interativa em Three.js.
• De "Doubao americano" a modelo de programação de ponta: o que o Gemini viveu em três anos? Análise completa de 12 marcos importantes: Revisão dos 12 marcos principais do Gemini, do 1.0 em 2023 ao Gemini 4 Carbon em 2026, interpretando a evolução do multimodal, do contexto longo, do Thinking, da chamada de ferramentas e do Agentic Coding, e o impacto disso na escolha de tecnologia pelos desenvolvedores.
• Gemini 4 Hydrogen vs Gemini 4 Carbon: como escolher no dia a dia: Explique, em cinco aspetos — posicionamento, nível de raciocínio, contexto e saída, preço e uso do Orchestrator — como o Gemini 4 Hydrogen e o Gemini 4 Carbon se dividem no uso diário e quais modelos estão atualmente disponíveis para chamada na APIYI.
• Quão poderoso é o Gemini 4 Hydrogen? Tabela oficial: vence 7 de 10 itens: Google lançou em 12/11/2026 o Gemini 4 Hydrogen: o cartão oficial do modelo vence 7 de 10 comparações, é 2,5 vezes mais rápido que o Gemini 3.8 Flash, o Terminal-Bench 4.1 passa de 18,2% para 57%, e detalha a metodologia desses números, o preço e a situação atual das chamadas.
• Gemini 4 Hydrogen vs Claude Sonnet 5.5: como escolher em 10 critérios: Com base no resumo de 10 itens do model card oficial e nos preços oficiais, comparo Gemini 4 Hydrogen e Claude Sonnet 5.5: Hydrogen lidera em 7 itens e é mais barato para comandos curtos; Sonnet é superior em terminal, operação de computador e terminal científico (3 itens), com recomendação de seleção e acesso APIYI.