Google Antigravity выпускает Orchestrator: Carbon отвечает за мышление, Hydrogen — за выполнение, официальные тесты сокращают расход квоты на 24%

Примечание автора: разбираем механизм разделения планирования и выполнения в Google Antigravity Orchestrator, что означают данные официальных тестов о 24% квоты и 19% скорости, а также чем Orchestrator отличается от одиночных моделей и параллельных агентов при выборе.

12 ноября 2026 года Google выпустила Gemini 4 Hydrogen и одновременно представила в Antigravity мультимодельную оркестрацию Orchestrator. Её суть в том, что в рамках одной задачи разработки Carbon или Argon отвечают за планирование, а Hydrogen — за выполнение. По данным официальных сравнительных тестов Google, Orchestrator по сравнению с использованием одного Carbon в среднем сокращает расход квоты на 24% и ускоряет выполнение на 19%.

Это не слухи: официальный блог Google Antigravity, документация по выбору моделей и обзор релизов Google уже подтверждают эту функцию. В этой статье собрана вся публично доступная на сегодня информация о Google Antigravity Orchestrator: как он работает, как правильно читать тестовые данные, тарифы и точки входа, а также для каких задач его стоит использовать.

Ключевая ценность: после прочтения вы сможете определить, что выбрать для вашей инженерной задачи — Orchestrator, автономный режим Hydrogen или автономный режим Carbon / Argon.

Кратко: Antigravity Orchestrator в рамках одной сессии агента заставляет Carbon или Argon планировать, а Hydrogen выполнять; Google официально сообщает о выигрыше в квоте и скорости.

To know: 5 терминов, которые нужно знать перед чтением

• Planner (планировщик): роль модели, которая анализирует задачу, составляет план и при необходимости перепланирует; в Orchestrator её выполняют Carbon или Argon.
• Executor (исполнитель): роль, которая в соответствии с планом правит код, запускает инструменты и проверяет результат; в Orchestrator её выполняет Hydrogen.
• Агент: система, в которой модель и среда выполнения инструментов совместно выполняют многошаговую задачу; это не то же самое, что отдельная модель.
• Квота: лимит, которым платформа ограничивает доступный объём сервиса. Сокращение квоты не обязательно означает сокращение реального счёта.
• Harness: тестовый фреймворк, который организует вход модели, выполнение инструментов и оценку задачи. Одна и та же модель в разных Harness может получать разные оценки.

Orchestrator от Google Antigravity: ключевое в двух словах

Зачем Google выпустила Antigravity Orchestrator

Реальная задача по разработке ПО обычно состоит из разнородной работы: сначала нужно разобраться в кодовой базе и зависимостях, потом решить, что и как менять, затем пакетно править файлы, запускать сборку и тесты, и в конце проверить результат. Все эти этапы предъявляют совершенно разные требования к способности рассуждать. «Решить, что менять» требует глубокого суждения, а «правки в десяти файлах по готовому плану и прогон тестов» больше зависят от скорости, точного редактирования и стабильности вызовов инструментов.

Если отдать всю задачу модели уровня Carbon с мощным推理, то на этапе выполнения масса повторяющихся операций тоже будет расходоваться по ритму и квоте топовой модели — время задачи и затраты квоты вырастут. А если использовать только лёгкую модель, можно ошибиться в проектировании решения или в разборе сложной ошибки, и придётся переделывать.

Hydrogen как раз закрывает эту нишу. Google определяет её как высокоэффективную модель для повседневного программирования и выполнения агентных задач: акцент на точном редактировании, работе с множеством инструментов и умении менять стратегию после сбоя инструмента. Компания прямо говорит, что Hydrogen может выступать исполнителем или верификатором в мультимодельных системах. Orchestrator — это продуктовая реализация такого разделения труда: дорогая модель используется только там, где действительно нужно суждение.

Как работает Antigravity Orchestrator: Carbon думает, Hydrogen выполняет

Согласно официальной документации Google Antigravity, Orchestrator не оценивает сложность лишь однажды при получении запроса, чтобы потом выбрать одну модель и довести дело до конца. В рамках одной задачи он многократно переключается между планирующей и исполняющей моделями.

Пятишаговый рабочий процесс Orchestrator

На примере сценария обновления зависимостей из официальной документации полный цикл выглядит примерно так:

1. Анализ кодовой базы: Carbon (или Argon) в режиме только для чтения разбирает структуру кода и зависимости.
2. Составление плана: Planner определяет объём изменений и шаги, а также условия, при которых потребуется повторное планирование.
3. Изменение кода: Hydrogen берёт на себя конкретные правки и обновление зависимостей.
4. Запуск тестов: Hydrogen выполняет сборку и тесты, проверяя, что изменения действительно работают.
5. Проверка результата: если всё прошло успешно, результат проверяется и задача завершается; при сложных ошибках управление возвращается Planner.

Когда Orchestrator запускает повторное планирование

В официальной документации перечислено несколько ситуаций, при которых управление возвращается Planner: этап проверки дважды подряд завершился неудачей, поведение интерфейса расходится с ожидаемым, а при реализации возникают проектные решения, не предусмотренные исходным планом. Planner заново оценивает ситуацию, корректирует план и передаёт его Hydrogen для дальнейших правок и проверок.

Этот механизм принципиально важен. Исполняющая модель не пытается снова и снова вслепую, а когда ситуация «выходит за рамки исходного плана», своевременно передаёт право принимать решения наверх — дорогая модель подключается только в ключевые моменты.

Чем динамическая передача отличается от разовой маршрутизации моделей

Обычная «маршрутизация моделей» — это одна классификация на входе запроса: простые задачи уходят к маленькой модели, сложные — к большой, и дальше ничего не меняется. Отличие Orchestrator в том, что внутри одной задачи происходит несколько передач: планированием и выполнением занимаются разные модели, а в процессе работы в любой момент можно вернуться к этапу планирования. Он маршрутизирует этапы задачи, а не весь запрос целиком.

Официальные тесты Orchestrator: что означают 24% квоты и 19% скорости

Все цифры ниже взяты из официальных сравнительных тестов Google на терминальных задачах. Сравниваются «Orchestrator» и «Carbon, используемый отдельно».

Почему разделение работы между моделями экономит квоту

Выгода в основном идёт от этапа выполнения. Редактирование кода, обновление зависимостей, повторные прогоны тестов — эти шаги требуют много вызовов и длинного контекста. Если всё это делает Carbon, дорогую модель приходится вызывать массово и повторно. Когда этим занимается Hydrogen, Carbon отвечает только за начальное планирование и повторное планирование по ходу, поэтому количество вызовов высокоуровневого рассуждения естественно снижается. Разницу в стоимости видно и по ценам API: по состоянию на 13 ноября 2026 года в официальных стандартных ценах Google AI Studio Hydrogen стоит 1.50 доллара за вход и 7.50 доллара за выход на миллион токенов; Carbon до 30 ноября 2026 года — 2 доллара и 10 долларов за миллион токенов, а на официальной странице указано, что с 1 декабря цена составит 4 доллара и 20 долларов.

Важно учитывать: выше указаны цены API, а Orchestrator работает в рамках подписочной квоты Antigravity — способы измерения у них разные. Нельзя использовать цены API, чтобы вычислять «реальную стоимость» Orchestrator.

Что эти цифры значат для команд разработчиков

Для команды оценка эффективности AI-инструментов программирования не должна ограничиваться качеством отдельного ответа — стоит смотреть сразу на три измерения: долю успешных задач, расход квоты и время выполнения. Официальные результаты Orchestrator показывают, что при практически неизменной успешности два последних показателя улучшились. Это даёт команде полезную мысль: оценивать «качество планирования» и «пропускную способность выполнения» отдельно, а не смотреть только на самую мощную модель.

💡 Пояснение к данным: цифры эффективности в этом разделе относятся к официальным контрольным тестам Google; независимой сторонней перепроверки пока не было. Если хотите проверить эффект разделения «модель планирования + модель выполнения» в своём бизнесе, можно через APIYI apiyi.com одним и тем же ключом вызывать модели разных уровней и самостоятельно построить контрольный эксперимент.

Сравнение Orchestrator с независимыми моделями и параллельными агентами

Сравнение с независимым Carbon: Carbon по-прежнему лидирует в сложных суждениях, но на повторяющихся операциях этапа выполнения тоже расходует квоту и время топовой модели. В свою очередь, Orchestrator в большинстве типовых инженерных задач «планирование + выполнение» показывает почти такой же успех при меньшем расходе квоты.

Сравнение с независимым Hydrogen: Hydrogen быстрый и точно вносит правки, но когда встречается выбор в дизайне, не покрытый исходным планом, ему не хватает более сильной модели для подстраховки. Для задач с понятными требованиями и без необходимости многократных решений он остаётся самым прямым вариантом.

Сравнение с параллельными мультиагентными схемами: Google прямо указывает, что Orchestrator в одной сессии держит только одного агента и выполняет разные этапы за счёт передачи между моделями. Если нужно, чтобы несколько агентов одновременно обрабатывали подзадачи или взаимно проверяли друг друга, стоит выбирать Subagents, Swarm, Boost или Teamwork. Это два разных вопроса: один — «как разделить работу внутри одной задачи», другой — «нужно ли увеличивать количество агентов».

Как использовать Orchestrator в Antigravity

Соответствие режимов Orchestrator и тарифных планов

В приложении Antigravity откройте меню выбора модели рядом с полем ввода сообщения и выберите Orchestrator (Carbon) или Orchestrator (Argon) — этого достаточно. В Antigravity CLI официальный пример выглядит так (синтаксис взят из официальной документации, локально в этой статье мы его не проверяли):

# Просмотреть модели, доступные текущему аккаунту
agy models

# После входа в сессию используйте /model, чтобы выбрать Orchestrator

# Можно также указать модель сразу при запуске
agy -p "Add input validation to the signup form and run the tests." --model "Orchestrator (Argon)"

Обратите внимание: Orchestrator использует фиксированную конфигурацию «размышлений», и отдельно задать для него уровень Low, Medium, High или Extra нельзя. Если нужна своя настройка уровня размышлений, переключитесь на отдельную модель. Кроме того, в день релиза пользователи сообщали, что опция модели видна, но вызов завершается ошибкой, а сроки открытия доступа у разных аккаунтов различаются. Скорее всего, это связано с постепенным развёртыванием — если столкнётесь с таким, просто попробуйте позже.

Воспроизводим разделение планирования и исполнения в собственном Agent

Orchestrator — это продуктовая фича Antigravity, но идею «сильная модель планирует, быстрая модель исполняет, после двух провалов задача возвращается планировщику» вполне можно реализовать в своём Agent. Ниже — минимальный пример на базе OpenAI-совместимого интерфейса; имена моделей смотрите в списке моделей вашей платформы:

from openai import OpenAI

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

PLANNER = "your-reasoning-model"   # модель планирования, см. список моделей платформы
EXECUTOR = "your-fast-model"       # модель исполнения, см. список моделей платформы

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  # по документации Antigravity: два подряд провала проверки — задача возвращается планировщику

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]:
    """Замените на свою логику сборки и тестирования, вернуть (успех, лог)"""
    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
        # Провалы подряд — возвращаем задачу модели-планировщику на переоценку
        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")

🚀 Совет для быстрого старта: когда собираете такой прототип «планирование + исполнение», есть смысл получить бесплатную тестовую квоту через APIYI apiyi.com. Один API-ключ даёт доступ к OpenAI, Claude, Gemini и другим популярным моделям, а чтобы переключить PLANNER и EXECUTOR, достаточно изменить одну строку — удобно быстро сравнивать разные комбинации.

Анализ влияния Antigravity Orchestrator: какие задачи разработки подходят лучше всего

Влияние на разработчиков

• Обычная разработка функций: планирование, реализация и тестирование чётко разделены на три этапа — это самый типичный сценарий для Orchestrator.
• Исправление багов в нескольких файлах: Planner находит корневую причину, Hydrogen правит несколько файлов и проверяет их тестами, а при неудаче возвращает задачу на повторное решение.
• Рефакторинг средней сложности: план контролирует модель планирования, а массу конкретных правок передают модели-исполнителю — так топовая модель не тонет в механическом редактировании.
• Более осознанное управление квотой: подписчикам стоит поручать Orchestrator повседневные задачи, оставляя больше лимита на работу, где действительно нужно глубокое рассуждение.

Влияние на индустрию

• «Планировщик + исполнитель» становится продуктовой моделью: производители моделей начинают встраивать мультимодельную кооперацию прямо в инструменты разработки, а не оставлять оркестрацию на откуп пользователю.
• Метрики оценки становятся разнообразнее: помимо успешности, в сравнениях агентных инструментов всё чаще фигурируют расход квоты и время выполнения.

Рекомендации по выбору сценария для Orchestrator

Частые вопросы (FAQ)

Google Antigravity Orchestrator: ключевые моменты

• Базовая концепция: в рамках одной сессии агента Carbon / Argon планируют, Hydrogen выполняет, а управление динамически передаётся между ними.
• Ключевой механизм: при двух последовательных неудачных проверках и подобных ситуациях задача возвращается планирующей модели для повторной оценки.
• Официальные данные: по сравнению с одним Carbon квота −24%, скорость +19%, успешность сопоставима.
• Правильное прочтение: расход квоты — это не счёт, а в двух анонсах тестовые эталонные версии помечены по-разному.
• Порог доступа: в Ultra доступны оба режима, подходящие Pro могут использовать режим Argon.
• Как начать: собственного агента можно собрать через единый интерфейс APIYI apiyi.com и воспроизвести эту идею разделения труда.

Итог

Ключевые моменты Google Antigravity Orchestrator:

1. Разделение труда, а не замена: это не замена дорогой модели дешёвой, а разделение ролей — Carbon / Argon отвечают за решения, Hydrogen — за выполнение.
2. Динамическая передача управления: если во время выполнения возникает что-то нештатное, задача возвращается на этап планирования — именно этим схема отличается от разовой маршрутизации моделей.
3. Официальный выигрыш: при сопоставимой с Carbon успешности официальные тесты показывают снижение расхода квоты на 24% и рост скорости на 19%.
4. Выбор по сложности: для типичных многоэтапных задач — Orchestrator, для глубокой архитектуры — Carbon / Argon, для понятных повседневных задач — Hydrogen.

Для большинства повседневных задач разработки Orchestrator — разумный выбор по умолчанию, который сочетает качество и расход квоты. Если вы хотите применить ту же идею в собственном продукте, рекомендую быстро проверить эффект от разных комбинаций моделей через APIYI apiyi.com — платформа предоставляет бесплатную квоту и единый интерфейс для нескольких моделей.

📚 Справочные материалы

1. Официальный блог Google Antigravity: Gemini 4 Hydrogen and Orchestrator
2. Ссылка: antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity

3. Описание: анонс Orchestrator и официальные результаты тестов 24% / 19%, бенчмарк указан как Terminal-Bench 4.1

4. Документация Google Antigravity: Choose a Model / Orchestrator

5. Ссылка: antigravity.google/docs/models

6. Описание: механика Planner / Executor, условия повторного планирования, примеры CLI и рекомендации по выбору модели

7. Официальный блог Google: Introducing Gemini 4 Hydrogen

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

9. Описание: обзор релиза Hydrogen; тот же результат сравнения здесь помечен как Terminal-Bench 4.0

10. Официальное объявление Google на китайском: Gemini 4 Hydrogen

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

12. Описание: информация о релизе на китайском, версия бенчмарка также указана как 4.0

13. Страница цен Google AI Studio: цены API для моделей Gemini

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

15. Описание: стандартные цены API для Hydrogen, Carbon и Argon, а также даты изменения тарифов

16. Описание тарифов Antigravity и общих квот

17. Ссылка: antigravity.google/blog/changes-to-antigravity-plans
18. Описание: планы подписки и система квот

Автор: техническая команда APIYI
Техническая связь: пишите нам через главную страницу сайта APIYI, дополнительные материалы — 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.
• От «американского Доубао» до топовой модели для программирования: что пережил Gemini за три года? Разбор 12 ключевых этапов: Обзор 12 ключевых этапов Gemini от версии 1.0 в 2023 году до Gemini 4 Carbon в 2026 году: эволюция мультимодальных возможностей, длинного контекста, Thinking, вызова инструментов и Agentic Coding и влияние на выбор модели разработчиками.
• Gemini 4 Hydrogen против Gemini 4 Carbon: что выбрать на каждый день: С учетом пяти аспектов — позиционирования, уровня размышления, контекста и вывода, цены и использования Orchestrator — объясните, как Gemini 4 Hydrogen и Gemini 4 Carbon разделяют задачи в повседневном использовании и какие модели сейчас доступны для вызова через APIYI.
• Насколько силён Gemini 4 Hydrogen? В официальной таблице побеждает в 7 из 10 пунктов: Google 12.11.2026 выпустила Gemini 4 Hydrogen: в официальной карточке модели 7 побед из 10 сравнений, она в 2,5 раза быстрее Gemini 3.8 Flash, Terminal-Bench 4.1 вырос с 18,2% до 57%; также указаны методика расчёта, цена и текущий статус вызова.
• Gemini 4 Hydrogen против Claude Sonnet 5.5: как выбрать по 10 критериям: По 10 пунктам официальных карточек моделей и официальным ценам: Gemini 4 Hydrogen лидирует в 7 пунктах и дешевле при коротких промптах, Claude Sonnet 5.5 выше в терминале, управлении компьютером и научном терминале (3 пункта), плюс рекомендации по выбору и инструкция по подключению через APIYI.