AI-modeller og platforme

Google Antigravity lancerer Orchestrator til dynamiske skift mellem modeller

mm
Føj Unite.AI til dine foretrukne kilder på Google

Google Antigravity oplyste den 12. november 2026, at Orchestrator – en mulighed i rullemenuen for modeller, som er ved at blive rullet ud til Google AI Ultra-abonnenter – opnåede næsten samme opgavesucces som Carbon på Terminal-Bench 4.1, samtidig med at kvoteforbruget i gennemsnit var 24 % lavere, og opgaverne blev løst 19 % hurtigere ved dynamisk at skifte mellem Gemini 4 Carbon og Gemini 4 Hydrogen i løbet af én session.

Den nye Hydrogen-model rulles separat ud i Antigravity til betalende Google AI Pro- og Ultra-abonnenter, mens virksomheder kan få adgang til begge modeller via Gemini for business. Google oplyser, at Orchestrator fremover vil understøtte flere modeller og abonnementsplaner, og beskriver Hydrogen som modstykket til Carbons og Argons dybere ræsonnering over lange tidshorisonter med fokus på hurtig udførelse.

Dynamiske skift mellem modeller i én session

Orchestrator er rettet mod almindelig udvikling af funktioner og fejlretning, hvor brug af en avanceret ræsonneringsmodel og flere parallelle agenter gennem en hel session kan gøre iterationerne langsommere og opbruge kvoten til de mest avancerede modeller. En traditionel, statisk router vurderer i stedet opgavens sværhedsgrad ud fra den indledende prompt og tildeler derefter hele opgaven til den billigste model, den anser for tilstrækkelig. Ifølge Google egner denne engangstildeling sig dårligt til langvarige agenter, fordi opgavens krav kan ændre sig og først bliver tydelige under udførelsen.

Orchestrator kan skifte mellem de to modeller i begge retninger, efterhånden som forløbet udvikler sig. I Googles eksempel begynder Carbon med at undersøge afhængigheder uden at ændre dem, afklarer tvetydigheder og udarbejder en plan med tydelige betingelser for, hvornår planen skal revideres. Hydrogen gennemfører derefter ændringerne, opdaterer pakker og kører test. Hvis Hydrogen støder på problemer, overtager Carbon igen for at undersøge den aktuelle tilstand, rette planen og fortsætte arbejdet. En session kan dermed trække på dybere ræsonnering til planlægning eller genopretning uden at tildele hvert trin i implementeringen til den samme model.

Tydelige modelroller via SDK’et

Udviklere, der ønsker at tildele roller eksplicit frem for at lade modellerne skifte automatisk, kan forbinde Hydrogen og Carbon via Antigravity SDK. Det giver dem programmatisk kontrol over, hvilken model der varetager hver rolle i et workflow med flere agenter.

I Googles demonstration af open source-sortering af fejlrapporter håndterer Hydrogen-agenter mængden af indkomne rapporter ved at sortere dem og skrive kode, søge i kodebasen, stille opklarende spørgsmål og gentage ændringer i brugergrænsefladen på baggrund af kommentarer til pull requests. En Carbon-agent får tildelt større omstruktureringer, nye funktioner og sikkerhedskontroller. Demonstrationen følger samme overordnede opdeling mellem hurtig udførelse og dybere ræsonnering, men udvikleren fastlægger grænserne i stedet for at overlade det til Orchestrator.

Sådan adskiller Orchestrator sig fra /Swarm

Orchestrator kommer efter forhåndsvisningen af Gemini 4 Carbon og /swarm den 10. november 2026, som var rettet mod ingeniørarbejde fordelt på mange filer og testpakker. Ifølge dokumentationen til /swarm kan en koordinator opdele en opgave mellem navngivne medarbejdere, der arbejder med hver sine filer, pakker eller spørgsmål, mens kontrollanter gennemgår ændringer og kører test. Medarbejderne kan også få isolerede arbejdskopier af et kodearkiv. Orchestrator håndterer en anden struktur: Den ændrer den anvendte model undervejs i én session, der udvikler sig, i stedet for at oprette et hold, som arbejder parallelt på uafhængige dele.

Tilsammen opdeler funktionerne agentbaseret arbejde på to forskellige måder: på tværs af agenter, når et projekt kan opdeles, og på tværs af modeller, når én samtale bevæger sig mellem planlægning, udførelse og udbedring. Den praktiske ændring er, at valget af model ikke længere behøver at være en enkelt beslutning ved prompten, men kan blive en del af workflowets arkitektur – enten adaptivt med Orchestrator eller ved eksplicit tildeling via SDK’et.

Jonas Reeve er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, med fokus på kognitiv AI, kunstig generel intelligens (AGI) og de teoretiske grundlag for maskinintelligens. Hans arbejde undersøger, hvordan læring, ræsonnement, hukommelse og abstraktion opstår i både biologiske og kunstige systemer, og trækker forbindelser mellem moderne AI-arkitekturer og langvarige spørgsmål inden for kognitiv videnskab og sindets filosofi.

Med en konceptuel og reflekterende tilgang undersøger Jonas rammer som ræsonneringsmodeller, agentbaserede systemer, emergent kognition og justeringsteori, med det formål at tydeliggøre, hvad fremskridt mod AGI faktisk betyder – og hvad det ikke gør. I stedet for at jagte tidslinjer eller hype lægger han vægt på første principper, konceptuel stringens og begrænsningerne i de nuværende modeller.

Artikler skrevet af Jonas Reeve er AI-genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, klarhed og ansvarlig diskussion af avancerede AI-koncepter.