От «американского Доубао» до топовой модели для программирования: что пережил Gemini за три года? Разбор 12 ключевых этапов

От автора: в статье разобраны 12 ключевых вех Gemini с 2023 по 2026 год. Видно, как Google прошёл путь от мультимодальности и длинного контекста к рассуждению, вызову инструментов и долгосрочной разработке агентов. Gemini 4 Carbon пока что итог этого пути.

10 ноября 2026 года Google открыл Gemini 4 Carbon для платных API-разработчиков и пользователей Google AI Ultra. Незадолго до этого, 28 октября, Artificial Analysis опубликовала результаты тестов: в Intelligence Index v5 Carbon набрал 59 баллов и занял первое место. Китайские разработчики когда-то в шутку называли Gemini «американским Doubao», а теперь он стоит в одном ряду с лучшими моделями.

Это не внезапный реванш. Carbon появился потому, что за три года Google шаг за шагом подтягивал мультимодальность, длинный контекст, рассуждение, вызов инструментов и разработку агентов. В статье мы идём по порядку: хронология, ключевые технические изменения, расстановка сил сегодня. По ходу разберём, в чём именно прогрессировал каждый релиз Gemini. Для независимых рейтингов мы указываем категорию тестов и дату. Там, где Opus, Astra и другие конкуренты сильнее в узких задачах, мы тоже об этом скажем.

Главная ценность: за одну статью понять, как Gemini развивался три года, и решить, какое место серия Gemini 4 может занять в вашем процессе разработки.

Что произошло с Gemini за три года: 12 ключевых этапов

Сначала о прозвище. В описании автора исходной статьи в WeChat-канале, Лю Сяопая, «американский Доубао» — это ироничная шутка. За Gemini стоит крупная компания, и модель встроили в смартфоны, поиск, офисные инструменты и остальной «семейный комплект»: поболтать, распознать картинку, подключить дешёвый API — всё это работает бойко. Но когда нужно писать серьёзный код и делать сложные продукты, многие разработчики всё равно переключаются обратно на Claude. Это субъективное обобщение мнений в профессиональной среде, однако оно точно передаёт то впечатление, которое Gemini производила поначалу: пользователей много, а в инженерных задачах её почти не замечали.

В таблице ниже собраны данные из официальных анонсов Google. Она задаёт основную линию всей статьи.

Эти 12 этапов можно уложить в одну фразу: сначала главной ценностью Gemini было «понимать информацию», затем к этому добавились «рассуждать над задачами» и «вызывать инструменты», и в итоге модель дошла до «выполнения сложных задач».

Что изменилось в Gemini, «американском Doubao»

Carbon привлёк внимание прежде всего результатами в независимых рейтингах. Artificial Analysis — сторонняя оценочная организация, на которую широко ориентируются разработчики. 28 октября 2026 года она опубликовала отдельный разбор Carbon. Основные данные такие:

При чтении таблицы стоит учитывать два момента. Во-первых, все баллы относятся к конкретным конфигурациям модели, например Carbon High или Opus 5.5 Max. Результаты разных уровней рассуждения нельзя напрямую смешивать. Во-вторых, лидерство по сводному баллу не означает лидерства в каждой отдельной дисциплине: в Coding Agent Index Opus 5.5 Max в Claude Code всё ещё опережает Carbon High на 3 балла.

Кроме того, на скриншоте живого рейтинга, которым поделился автор исходной публикации в WeChat, перед Carbon стоит ещё Claude Fable 5.2. Автор считает, что эта модель слишком долго решает одну задачу и обходится дорого. Поэтому он выбрал такой рабочий процесс: «Carbon для основной разработки + Fable для финальной проверки». Это личный опыт автора. К нему можно прислушаться, но не стоит считать его универсальным выводом.

Ранняя конкурентоспособность Gemini: мультимодальность и длинный контекст в 2023–2024 годах

Gemini 1.0: мультимодальность на уровне архитектуры

Главная особенность Gemini 1.0, вышедшей в декабре 2023 года, — «нативная мультимодальность». Модель с самого начала проектировали для работы с разными типами информации: текстом, изображениями, аудио, видео и кодом. Это не текстовая модель, к которой потом прикрутили визуальный модуль. Если пользователь загружает диаграмму и добавляет к ней текст, модель понимает связь между ними в рамках единой системы.

Это поколение отвечало на вопрос «сколько разных типов информации модель способна понять». Три версии — Ultra, Pro и Nano — рассчитаны на высокую производительность, универсальные задачи и работу на устройстве соответственно. Именно это позже помогло Gemini попасть на смартфоны и другие устройства.

Gemini 1.5 Pro: длинный контекст как конкурентное преимущество

В феврале 2024 года Gemini 1.5 Pro сделала ставку на длинный контекст: официально заявили о контекстном окне в 1 миллион токенов. Контекстное окно можно представить как рабочий стол модели: чем он больше, тем больше материалов можно разложить одновременно. Среди сценариев, которые назвали в Google, — анализ длинных видео, длинных аудиозаписей и больших кодовых баз. Разработчик может передать модели ключевой код целого проекта разом, чтобы она разобралась, как модули вызывают друг друга, и не придётся скармливать код по кусочкам.

Gemini 2.0: явный поворот к агентам

Gemini 2.0, вышедшая в декабре 2024 года, стала поворотной точкой. Google открыто взял курс на эру агентов: в фокусе нативные возможности работы с инструментами — поиск, выполнение кода, вызов функций. Тогда же показали исследовательские направления для агентов, такие как Project Mariner.

Вызов инструментов проще всего понять на примере. Раньше на вопрос «какая сейчас последняя версия библиотеки» модель могла ответить только по памяти. С вызовом инструментов она может сама запустить поиск или выполнить кусок кода и посмотреть на результат. Роль модели меняется: из «отвечающего» она превращается в «действующего».

Gemini: поворот в рассуждениях и программировании. Thinking и Antigravity в 2025 году

Gemini 2.5: Thinking учит модель сначала думать, потом отвечать

В марте 2025 года вышла Gemini 2.5 Pro с функцией Thinking, и уровень рассуждений и программирования заметно вырос. Thinking — это способность модели перед ответом пройти несколько шагов рассуждения. Возьмём отладку. Обычный режим может сразу выдать исправление, которое «выглядит правильным». Режим Thinking сначала строит предположения о возможных причинах, отбрасывает те, что не подтверждаются, и только потом предлагает правку. В мае 2025 года Google объявила, что 2.5 Pro вышла на первые места в ряде рейтингов того времени, включая WebDev Arena. Это был первый раз, когда Gemini по-настоящему заявила о себе в рейтингах по программированию.

Gemini 3 и Antigravity: от модели к рабочей среде

18 ноября 2025 года Google одновременно выпустила Gemini 3 и Antigravity. Antigravity объединяет редактор, терминал и работу с браузером в единой рабочей среде для агента. Смысл этого шага в том, что Google хотела уже не просто чтобы модель «писала код». Теперь модель должна сама запускать код, открывать браузер, проверять результат, находить проблемы и вносить правки.

Это и есть Agentic Coding: агент планирует, пишет, запускает и проверяет код, а разработчик чаще занимается постановкой цели и приёмкой результата. С этого момента модель и набор инструментов проектировались вместе, и именно это помогло Gemini позже догнать конкурентов.

Gemini 4 Argon и Carbon: в 2026 году ставка на сложную инженерию

В 2026 году Gemini обновляется заметно чаще. Версия 3.1 Pro в феврале усилила базовые рассуждения, 3.5 Flash в мае совместила скорость с долгим автономным выполнением задач агентом, а 3.8 Flash в сентябре оптимизировали под разработку ПО, вызов инструментов и сложные агентные рабочие процессы. Следом друг за другом вышли Gemini 4 Argon и Carbon.

Главное, что нужно понять разработчику, — чем различается их назначение.

Проще говоря, Argon подходит для повседневной работы: писать фичи, чинить баги, разбираться с документацией. Carbon нужен там, где требуется долго и непрерывно рассуждать, проходить несколько этапов и многократно перепроверять результат. Например, найти хитрую проблему с конкурентностью в большом репозитории. В бенчмарке AA-Briefcase по интеллектуальной работе Carbon опережает Argon на 126 Elo — это тоже показывает, что на сложных задачах разница между моделями действительно есть.

Где на самом деле Gemini 4 Carbon в рейтинге веб-разработки

Лидерство по общему интеллекту не значит, что модель впереди в любой задаче разработки. Хороший контрпример — рейтинг WebDev Arena от 10 ноября 2026 года.

Как видно, в веб-разработке Opus 5.5 Max впереди почти на 50 баллов, а Carbon и Astra идут практически вровень — причём результат Carbon пока предварительный. Автор исходной статьи в WeChat высоко оценил вкус Carbon в оформлении интерфейсов: по его словам, модель сама рендерит страницу и проверяет вёрстку. На такой опыт стоит обратить внимание, но это всё же личное наблюдение, и его нужно проверять на собственных проектах.

Пояснение к диаграмме: данные рейтингов взяты с публичных страниц Artificial Analysis и Arena, у разных рейтингов разные категории тестов. Если хотите проверить разницу на собственных промптах, можно через APIYI (apiyi.com) переключать модели в рамках одного и того же OpenAI-совместимого интерфейса и сравнить их на практике.

Почему Gemini смог вернуться в игру: анализ влияния

Возможности модели: от «видит много» к «доводит дело до конца»

За три года Gemini трижды менял главный упор в конкуренции. Сначала сравнивали, сколько видов информации модель понимает и сколько данных обрабатывает за раз. Затем — рассуждение и работу с инструментами. Сейчас — способность долго выполнять сложные инженерные задачи. Накопленное на каждом этапе не пропало зря. Мультимодальность позволяет модели понимать скриншоты и дизайн-макеты, длинное контекстное окно вмещает целую кодовую базу, а Thinking и вызов инструментов дают возможность действовать самостоятельно.

Экосистема инструментов: модель и среда выполнения проектируются вместе

Antigravity, AI Studio, Gemini App и различные сервисы Google для разработчиков покрывают разные сценарии: от первого знакомства и прототипа до разработки полноценного продукта. Это важное отличие Google от компаний, которые просто предоставляют API к модели. Агенту нужны «руки и ноги» — редактор, терминал, браузер, а Google может предложить всю среду выполнения целиком.

Дистрибуция и цены: охват и разработчиков, и обычных пользователей

Что касается подписки, 19 мая 2026 года Google добавил тариф Ultra за 100 долларов и снизил цену старшего тарифа с 250 до 200 долларов. Они дают базовую квоту примерно в 5 и 20 раз больше, чем у тарифа Pro за 20 долларов. Что касается API, публичные цены Carbon такие:

Важная оговорка: условия тарифов и цены нужно сверять с официальными страницами Google на соответствующую дату. Абсолютные формулировки из исходной публикации — вроде «безлимитная квота» или «аккаунт не заблокируют» — официальными обещаниями не являются.

Что это значит для разработчиков

• Выбор модели: вместо «одного лидера» — разделение по задачам. Для комплексных рассуждений в первую очередь стоит рассмотреть Carbon, для веб-разработки и программирующих агентов — сравнить с Opus, а для повседневных задач, где важно соотношение цены и качества, подойдёт Argon.
• Структуру расходов придётся пересчитать. С 1 декабря цена Carbon вырастет вдвое, а долгие агентские задачи быстро расходуют токены, так что бюджет лучше прикинуть заранее.
• Проверять нужно на реальных задачах. Рейтинги помогают лишь сузить круг кандидатов, а окончательное решение стоит принимать, протестировав модель на собственной кодовой базе и своих промптах.

Что это значит для индустрии

• Расклад «большой тройки» стал яснее. Google, OpenAI и Anthropic напрямую конкурируют в сложных задачах разработки, и у каждой есть свои сильные стороны в отдельных направлениях.
• Единица конкуренции — уже не модель, а рабочий процесс. В будущем будут сравнивать не только баллы моделей, но и весь набор инструментов: IDE, CLI, совместную работу нескольких агентов.

Как попробовать модели серии Gemini 4 через API

Если хочется быстро проверить всё самому, проще всего обратиться к моделям через OpenAI-совместимый интерфейс. В минимальном примере ниже достаточно подставить свой API-ключ, а название модели сверьте со списком моделей на платформе:

import openai

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

response = client.chat.completions.create(
    model="gemini-4-carbon",  # Название модели сверяйте со списком моделей на платформе
    messages=[{"role": "user", "content": "用三句话解释什么是 Agentic Coding"}]
)
print(response.choices[0].message.content)

import openai
from typing import Optional

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

# Названия моделей сверяйте со списком моделей на платформе
MODEL_ROUTER = {
    "simple": "gemini-4-argon",   # Обычная разработка и работа со знаниями
    "complex": "gemini-4-carbon"  # Сложная отладка, глубокие рассуждения, долгие задачи
}

def ask_gemini(
    prompt: str,
    complexity: str = "simple",
    system_prompt: Optional[str] = None,
    max_tokens: int = 2000
) -> str:
    """Выбирает модель серии Gemini 4 в зависимости от сложности задачи"""
    model = MODEL_ROUTER.get(complexity, MODEL_ROUTER["simple"])
    messages = []
    if system_prompt:
        messages.append({"role": "system", "content": system_prompt})
    messages.append({"role": "user", "content": prompt})

    try:
        resp = client.chat.completions.create(
            model=model,
            messages=messages,
            max_tokens=max_tokens
        )
        return resp.choices[0].message.content
    except Exception as e:
        return f"Error: {e}"

# Повседневные задачи отдаём Argon, сложную отладку — Carbon
print(ask_gemini("给这个函数补充类型注解", complexity="simple"))
print(ask_gemini(
    "分析以下并发代码可能出现死锁的原因，并给出修复方案",
    complexity="complex",
    system_prompt="你是资深后端工程师，先列假设再逐一验证"
))

Совет для быстрого старта: цены на API Carbon изменятся 1 декабря, поэтому сначала лучше прогнать небольшой тестовый набор. Зарегистрировавшись на APIYI (apiyi.com), можно получить бесплатные тестовые кредиты. Одного API-ключа хватит для вызова Gemini, Claude, OpenAI и других моделей, так что удобно сравнивать их на одном и том же промпте.

Часто задаваемые вопросы (FAQ)

Ключевые выводы: как за три года эволюционировал Gemini (Key Takeaways)

• Основная линия развития: Gemini прошёл путь от понимания информации к рассуждению над задачами, а затем к длительному выполнению сложных задач
• Ранний задел: нативная мультимодальность версии 1.0 и контекстное окно в миллион токенов у версии 1.5 стали фундаментом для всех последующих возможностей
• Ключевой поворот: режим Thinking в версии 2.5 и Antigravity в третьем поколении вывели Gemini на главное поле битвы — программирование
• Разделение ролей между моделями: Argon отвечает за повседневную разработку, Carbon — за сложную отладку и длительные цепочки рассуждений
• Трезвый взгляд на рейтинги: Carbon лидирует по суммарному баллу, но в WebDev и в узких задачах кодинговых агентов у Opus по-прежнему есть преимущество
• Как попробовать: через APIYI (apiyi.com) можно протестировать Gemini и другие популярные модели с помощью единого интерфейса

Итоги

От «американского Дубао» до топовой модели для программирования: путь Gemini за эти три года можно свести к трём главным мыслям:

1. Возможности наслаивались постепенно: мультимодальность, длинный контекст, Thinking, вызов инструментов, длительное выполнение задач — каждый шаг опирался на предыдущий.
2. Экосистема сыграла решающую роль: такие инструменты, как Antigravity, дали модели среду, в которой она может действовать сама, а дистрибуция через продукты Google донесла эти возможности до огромной аудитории.
3. Конкуренция остаётся многополярной: Carbon вошёл в первый эшелон, но у Opus и Astra есть свои сильные стороны, так что лучшая стратегия для разработчика — выбирать модель под конкретную задачу.

Gemini, который раньше воспринимали скорее как помощника внутри «семейного набора» сервисов Google, сегодня может претендовать на роль основной модели для сложной разработки и создания агентов. Рейтинг — лишь отправная точка, а настоящий ответ вы получите на своих собственных проектах. Рекомендуем через APIYI (apiyi.com) воспользоваться бесплатной квотой, прогнать модели серии Gemini 4 и других кандидатов на одной и той же задаче, а уже потом определять основную связку для команды.

📚 Источники

1. Официальный блог Google: релиз Gemini 1.0: знакомство с семейством нативных мультимодальных моделей
2. Ссылка: blog.google/innovation-and-ai/technology/ai/google-gemini-ai

3. Описание: помогает понять, как Gemini задумывался изначально

4. Официальный блог Google: Gemini 3 и Antigravity: релиз Agentic Coding и среды разработки

5. Ссылка: blog.google/products-and-platforms/products/gemini/gemini-3

6. Описание: объясняет поворот Google от моделей к рабочим средам

7. Официальный блог Google: запуск Gemini 4 Carbon и цены: доступность и тарифы API

8. Ссылка: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available

9. Описание: чем официально отличаются Carbon и Argon

10. Google DeepMind: карточка модели Carbon: контекст и возможности

11. Ссылка: deepmind.google/models/model-cards/gemini-4-carbon

12. Описание: технические параметры, в том числе контекстное окно в 1 млн токенов

13. Artificial Analysis: обзор Carbon: независимая комплексная оценка

14. Ссылка: artificialanalysis.ai/articles/gemini-4-carbon-new-number-1

15. Описание: источник данных Intelligence Index, Coding Agent Index и других метрик

16. Arena: рейтинг WebDev: специализированный рейтинг по веб-разработке

17. Ссылка: arena.ai/leaderboard/code/webdev

18. Описание: сравнение моделей на задачах веб-разработки

19. Официальные цены Gemini API: актуальные правила тарификации

20. Ссылка: ai.google.dev/gemini-api/docs/pricing
21. Описание: актуальные цены смотрите на официальной странице

Автор: техническая команда APIYI
Обратная связь: пишите нам на главной странице сайта APIYI, а больше материалов по подключению найдёте в центре документации docs.apiyi.com

Читайте также

• Google Antigravity запускает /swarm: AI-программирование переходит от выполнения одним агентом к командной работе нескольких агентов — разбор 4 типов ролей: Разбор предварительной функции /swarm в Google Antigravity: как распределяют работу Coordinator, Worker, Verifier и Monitor, а также рабочие копии, панель визуализации, расход квоты и границы прав — всё в одном месте.
• Gemini 4 Carbon использует /swarm для создания 3D-мира кампуса Google: Разбор официальной демонстрации Google с игрой в открытом мире про пеликана на GBike: как Gemini 4 Carbon с помощью Antigravity /swarm координирует нескольких агентов для создания трёхмерных ассетов, браузерной игры и звукового дизайна, а также каковы пределы его возможностей.
• От исторических фотографий к интерактивному 3D: Gemini 4 Carbon воссоздаёт процесс строительства Эйфелевой башни с помощью одного промпта: Разбор демонстрации Google с Эйфелевой башней: как Gemini 4 Carbon с помощью мультиагентной совместной работы /swarm в Antigravity превращает исторические фотографии и инженерные чертежи в интерактивную трёхмерную выставку на Three.js.
• Google API обрабатывает 32 миллиарда токенов в минуту: кто потребляет эти вычислительные мощности?: Проанализируйте раскрытый в отчёте Alphabet за третий квартал 2026 года показатель «почти 32 миллиарда токенов в минуту», систематизируйте реальные потребности разработчиков, корпоративных клиентов и сценариев применения ИИ-агентов и укажите, какие данные ещё не раскрыты.
• 5 главных причин низкого процента попаданий в кэш Gemini: подробное разъяснение различий в тарификации кэширования в AI Studio и Vertex: Почему уровень попаданий в кэш текстовых моделей Gemini намного ниже, чем у OpenAI и Claude? В этой статье на основе официальной документации разбираются неявное и явное кэширование, минимальный порог токенов и изоляция проектов Vertex, а также объясняются правила тарификации кэша и методы сверки расходов в AI Studio и Vertex.