Anotação automática com Gemini 4 Carbon: o novo líder do nosso VLM Leaderboard

O Gemini 4 Carbon ocupa o primeiro lugar entre 45 modelos para anotação automática no UL37, nosso benchmark de detecção de objetos com 36 conjuntos de dados, na captura de 11 de novembro de 2026 do Ultralytics VLM Leaderboard. Ele alcança 0.584 mAP₅₀ e 0.371 mAP_50-95, e agora lidera tanto a coluna de precisão quanto a de revocação, que nos resultados de outubro pertenciam a dois modelos diferentes. O GPT-6.1 Terra, líder anterior, fica em segundo lugar com 0.560 mAP₅₀ e custa ao provedor cerca de um terço do valor por imagem cobrado pelo Carbon.

Portanto, para quem está rotulando um conjunto de dados, a questão não é qual modelo obtém a maior pontuação geral. É quando o Carbon vale três vezes mais. A seguir, mostramos onde o Carbon estabeleceu novas pontuações máximas, onde o Terra ainda vence, quanto custa cada um antes e depois da mudança de preço do Google em dezembro e como executar o Carbon nos seus dados usando a Ultralytics Platform.

Gemini 4 Carbon agora está disponível para todos os desenvolvedores pagantes#

O Google lançou o Carbon no fim de outubro para um pequeno grupo de profissionais de defesa cibernética. Em 10 de novembro de 2026, disponibilizou o modelo para todos os desenvolvedores e empresas pagantes e começou a liberá-lo para assinantes do Google AI Ultra. A publicação sobre disponibilidade do Google informa que o Carbon está disponível pela API no Google AI Studio e no Gemini para empresas, e no app Gemini, no AI Mode e no Antigravity para assinantes Ultra. Os profissionais de defesa mantêm acesso especializado pelo Fairwind Program do Google.

O Google descreve o Carbon como seu modelo mais avançado, direcionado à cibersegurança e a tarefas agentivas de longo horizonte. O cartão do modelo Gemini 4 Carbon informa que ele se baseia no Gemini 4 Argon e usa mais tokens de raciocínio do que o Argon “para explorar hipóteses minuciosamente, raciocinar profundamente e executar ciclos de verificação prolongados”. Ele interpreta texto, imagens, áudio e vídeo, tem uma janela de contexto de até 1M de tokens e responde em texto.

Nada na apresentação de lançamento do Google descreve o Carbon como um detector. Para a rotulagem de dados, o que importa é o efeito desse raciocínio adicional nas caixas delimitadoras, e é isso que o UL37 mede. Você pode inspecionar cada resultado na página do modelo Gemini 4 Carbon.

A página do modelo Gemini 4 Carbon na Ultralytics Platform, com as pontuações UL37 e um link para anotar automaticamente um conjunto de dados.

Detecção de objetos com Gemini 4 Carbon: primeiro lugar em todas as métricas de precisão#

O UL37 avalia o quanto as caixas de um modelo correspondem às anotações de referência de cada conjunto de dados em 360 imagens: 10 de cada um dos 36 conjuntos de dados reais de detecção de objetos, que abrangem exames médicos, imagens aéreas e térmicas, prateleiras de varejo, esportes, documentos, placas de circuito e muito mais. Todas as imagens passam pelo mesmo pipeline de produção disponível para os usuários da Platform, usando os nomes de classe próprios de cada conjunto de dados; o SAM 3.1 ajusta as caixas de todos os modelos, exceto as do SAM 3, assim como faz para os usuários. Todos os conjuntos de dados têm o mesmo peso; consulte a metodologia do benchmark UL37.

Veja como o Carbon se compara aos quatro modelos seguintes:

O Carbon supera o GPT-6.1 Terra em 0.024 no mAP₅₀. O mAP_50-95, mais rigoroso, que recompensa caixas ajustadas às bordas dos objetos, mostra uma diferença semelhante: 0.371 para o Carbon, contra 0.347 para o Claude Fable 5.2, o melhor anterior, e 0.345 para o Terra.

O Carbon também supera o modelo que lhe serviu de base. O Gemini 4 Argon alcança 0.537 mAP₅₀ e 0.343 mAP_50-95; assim, o Carbon ganha 0.047 e 0.028, respectivamente, no mesmo benchmark e pipeline de anotação.

Gemini 4 Carbon tem a maior precisão e revocação no UL37#

Nos resultados de outubro, os principais modelos do leaderboard se dividiam em dois grupos, como explica nosso guia para escolher um VLM com base na precisão e na revocação. O Gemini 4 Argon tinha a maior precisão, 0.667: uma grande proporção das caixas correspondia aos objetos, mas alguns objetos anotados não eram detectados. O GPT-6 Astra tinha a maior revocação, 0.627: detectava mais objetos anotados, mas uma proporção menor das caixas estava correta.

Na captura de 11 de novembro de 2026 do leaderboard, o Carbon registra precisão de 0.685 e revocação de 0.642, as maiores médias entre os 45 modelos, superando a precisão do Argon e a revocação do Astra.

Para quem revisa as anotações, essa é a melhor combinação que o benchmark pode apresentar. Maior precisão significa que uma proporção maior das caixas propostas está correta; maior revocação significa que uma proporção maior dos objetos reais já tem uma caixa. Baixa precisão deixa caixas para excluir, e baixa revocação deixa objetos para desenhar, então os primeiros rascunhos do Carbon exigem menos correções de ambos os tipos.

O SKU110K mostra por que isso importa em imagens congestionadas. As prateleiras de supermercado do conjunto contêm 1,666 produtos anotados nas 10 imagens do benchmark, todos de uma única classe. O Carbon alcança 0.671 mAP₅₀ nesse conjunto, a melhor pontuação de qualquer modelo, acima do recorde anterior do Terra, de 0.619. Em uma prateleira assim, cada caixa excedente é algo que a pessoa revisora precisa encontrar entre dezenas de caixas corretas.

O conjunto de dados SKU110K Dense Retail Shelf Detection 2 na Ultralytics Platform, onde o Carbon alcança a melhor pontuação UL37, 0.671 mAP₅₀.

Gemini 4 Carbon alcança as melhores pontuações em nove domínios#

De acordo com os resultados por conjunto de dados nas páginas de modelos da Platform, o Carbon agora tem a melhor pontuação de qualquer modelo em uma longa lista de conjuntos de dados UL37. Veja a comparação com as melhores pontuações anteriores:

Três padrões se destacam. O Carbon mantém os pontos fortes do Argon em imagens térmicas, aéreas e subaquáticas, e os supera em cada área, com o maior avanço em imagens térmicas de drones do HIT-UAV. Ele supera o GPT-6 Astra em quase 0.1 em plantas baixas. E, em imagens de ressonância magnética de tumores cerebrais, cujas classes são meningioma, glioma e tumor da hipófise, fica ligeiramente à frente do Terra.

Cada conjunto de dados contribui com 10 imagens, então uma única pontuação é um indício a investigar, não uma conclusão definitiva. O Carbon iguala o recorde existente no RPC e no CeyMo e lidera por 0.001 no DDR; diferenças pequenas demais para distinguir os modelos.

A página do modelo reproduz as caixas UL37 registradas pelo Carbon ao lado das anotações esperadas para cada conjunto de dados do benchmark e para o COCO.

Gemini 4 Carbon vs. GPT-6.1 Terra: onde o Terra ainda vence#

O Terra mantém duas das melhores pontuações em medicina. A tabela de conjuntos de dados do leaderboard ainda o indica como o melhor modelo para o TN5000, de ultrassom da tireoide, com 0.935, e para o TXL-PBC, de microscopia de células sanguíneas, com 0.889. Se os seus dados forem semelhantes a qualquer um desses conjuntos, compare as linhas dos dois modelos nas respectivas páginas antes de escolher.

A maior vantagem do Terra é o preço. Veja a comparação direta no UL37:

O custo é estimado com base no uso de tokens informado pelo provedor por 1,000 imagens do benchmark anotadas com sucesso, usando os preços de tabela. O Terra alcança cerca de 96% do mAP₅₀ do Carbon por aproximadamente um terço do custo, responde mais rápido e não teve nenhuma solicitação com falha. Ambos os modelos estão na linha “Melhor custo-benefício” do leaderboard, que reúne os modelos que nenhum outro supera simultaneamente em custo e precisão.

Gráfico de mAP₅₀ versus custo dos modelos pagos no UL37, usando os preços de tabela atuais.

A diferença de preço vai aumentar. Segundo a publicação sobre disponibilidade, o Google cobra pelo Carbon um preço promocional de $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída até 30 de novembro de 2026; depois, os preços serão $4 e $20. Com o mesmo uso de tokens, os $12.93 do Carbon por 1,000 imagens passam a cerca de $26 em 1º de dezembro.

Na prática, a escolha é esta:

• Pague pelo Carbon quando a qualidade das anotações justificar o custo: cenas congestionadas, como prateleiras de varejo; imagens térmicas e aéreas; plantas baixas e desenhos CAD; e qualquer conjunto de dados em cuja página do modelo o Carbon esteja bem à frente.
• Escolha o Terra para grandes lotes de uso geral em que o orçamento importa mais do que 0.024 mAP₅₀, e para dados como os conjuntos de ultrassom da tireoide TN5000 e de células sanguíneas TXL-PBC.
• Execute um trabalho grande com o Carbon antes de 1º de dezembro se pretende usá-lo, enquanto o preço promocional ainda estiver em vigor.

Seja qual for a sua escolha, a Anotação em Lote acrescenta a taxa de processamento da Ultralytics Platform, de $1.00 por 1,000 imagens processadas, com um mínimo de $0.01 por execução, e o provedor cobra diretamente pela sua própria chave. A Ultralytics não adiciona margem ao custo dos tokens. Para uma análise mais ampla, consulte nosso guia de custos de software de anotação de imagens. Para um modelo pago mais barato, o Claude Haiku 5.5 alcança 0.429 por $0.37 a cada 1,000 imagens, e modelos hospedados como o Qwen3.8 27B e o SAM 3.1 Text não exigem chave.

Como executar a anotação automática com Gemini 4 Carbon no seu conjunto de dados#

O Carbon é um modelo orientado por prompts de classe para conjuntos de dados de detecção com 1 a 200 classes. Ele retorna caixas delimitadoras com os nomes de classe próprios do seu conjunto de dados; a Platform os solicita no formato y-first do Gemini e os refina com o SAM 3.1.

1. Crie uma chave da Gemini API no Google AI Studio. O Carbon funciona no nível pago da API, então a chave precisa ter o faturamento ativado.
2. Adicione a chave em Configurações > Chaves de API no espaço de trabalho da Platform que contém o seu conjunto de dados. A documentação sobre chaves de provedor explica os detalhes.
3. Abra uma imagem no editor de anotações, mude para o modo Smart e escolha Gemini 4 Carbon em Google no seletor de modelos.
4. Pressione Prever ou P para rotular a imagem atual. Experimente algumas imagens representativas dos seus dados antes de ampliar a operação.
5. Na página do conjunto de dados, selecione Mais ações > Anotação em lote para rotular todas as imagens sem anotação de uma só vez. A Platform salva primeiro uma versão do conjunto de dados, para que você possa reverter as alterações.
6. Revise e corrija as caixas, que o editor salva automaticamente, e depois treine um modelo Ultralytics YOLO26 com o resultado no mesmo espaço de trabalho.

Os desenvolvedores também podem chamar o Carbon pelo código: a versão 0.1.109 do Platform SDK adicionou gemini-4-carbon como modelo de previsão de imagens. Para entender melhor o contexto, veja como a Ultralytics Platform usa IA para automatizar as anotações e por que a revisão com participação humana continua fazendo parte do fluxo de trabalho. Para análise de imagens médicas, trate as caixas de qualquer modelo como rascunhos que especialistas clínicos devem verificar e aprovar, nunca como diagnóstico.

Quem deve usar o Gemini 4 Carbon#

Use o Gemini 4 Carbon quando a qualidade das anotações for mais importante do que o custo cobrado pelo provedor. É o modelo de anotação automática mais preciso que avaliamos em benchmarks, o atual líder em precisão e revocação e o modelo com a maior pontuação em conjuntos de dados térmicos, aéreos, subaquáticos, de prateleiras de varejo, plantas baixas e ressonância magnética cerebral.

As equipes que já usam o Argon obtêm uma pontuação geral mais alta e novas pontuações máximas nos domínios em que o Argon se destaca, pelo mesmo preço promocional por token, embora o Carbon custe mais por imagem nesse preço. As equipes que rotulam grandes lotes gerais com orçamento limitado devem manter o GPT-6.1 Terra como padrão e mudar para o Carbon conjunto de dados por conjunto de dados, quando a página do modelo mostrar uma vantagem clara. Para conhecer o desempenho do Argon, veja nossos resultados da anotação automática com Gemini 4 Argon.