Gemini 4 Carbon
gemini-4-carbonGemini 4 Carbon 是 Google 的旗舰推理模型，适合复杂软件工程、多步骤工作流和科学推理。支持文本、图像、音频、视频与 PDF 输入，输出文本。
- 起始價格
- 輸入 / 輸出 · 1M
- 上下文
- 1M
- 最大輸入窗口
- 最大輸出
- 65.5K
- 單次回應最大 token 數
- 模態
- →
- 發佈於
- Nov 2026
Pricing by Supplier
比較同一模型在不同供應商的價格與服務表現。
| 供應商 | Discount | 輸入/M | 輸出/M | 緩存讀取/M | ||||
|---|---|---|---|---|---|---|---|---|
Google AI Studio 谷歌官方接口 | 省50% | $1 | $5 | $0.05 | ||||
Google Vertex 谷歌官方接口 | 省30% | $1.4 | $7 | $0.07 |
左右滑動表格，查看完整價格與效能。
能力 / 支援的模態
廠商與數據私隱
效能
基準測試
標準化評測得分。百分比越高越好，並展示排名百分位。
指標來源：Artificial Analysis 2026-09-30·Gemini 4 Carbon
目前基準快照不包含此模型。
缺少模型或測量值不代表零分。
基準圖表保留來源中的模型選擇和推理設定。缺少模型或測量值不代表零分，基準成本或速度也不是本站的服務承諾。
About Gemini 4 Carbon
Gemini 4 Carbon 于 2026 年 11 月 10 日通过 Gemini API 正式开放。它适合需要反复验证的复杂编程任务、跨文档分析和数学及科学推理。
输入、思考和输出共享 1,048,576 token 上下文。Google 官方常规同步输出上限为 65,536 token（包含思考）；更长输出需要使用官方长输出流程，且受剩余上下文限制。
Google Gemini API 标准价（美元／百万 token）：截至 2026 年 11 月 30 日，输入 $2.00、输出 $10.00、缓存读取 $0.10；自 2026 年 12 月 1 日起，分别为 $4.00、$20.00、$0.20。输出包含思考 token。只支持隐式缓存。
来源：Google 模型文档 · Google API 发布记录 · Google 官方定价。
Use cases and prompting
适合分析长文档和多媒体材料、定位复杂代码问题，以及整理需要验证的研究结论。可先从官方默认的中等推理档位开始，再按任务复杂度调整。
示例：阅读产品说明 PDF 和演示视频，按功能列出两份材料中互相印证或冲突的地方，并引用页码或时间戳。
实际可用协议、参数和上限以 Modelsell 接入的渠道为准。
API access
API 介面文件
呼叫示例
/v1beta/models/gemini-4-carbon:generateContent| 參數 | 類型 | 預設值 / 範圍 | 說明資訊 |
|---|---|---|---|
temperature | number | = 10 ~ 2 | 採樣溫度；越低越穩定 |
top_p | number | = 10 ~ 1 | 核採樣累積概率 |
max_tokens | integer | >= 1 | 回應中最大 token 數 |
frequency_penalty | number | = 0-2 ~ 2 | 懲罰高頻 token 的重複出現 |
presence_penalty | number | = 0-2 ~ 2 | 鼓勵引入新話題 |
stop | array | — | 最多 4 個停止生成的字串 |
seed | integer | — | 盡量保證可復現的採樣種子 |
n | integer | = 1>= 1 | 生成的候選條數 |
stream | boolean | = false | 透過 SSE 串流返回 token |
response_format | object | — | 強制輸出 JSON 物件或符合 Schema 的結果 |
tools | array | — | 模型可呼叫的工具 / 函數聲明 |
tool_choice | string | autononerequired | 工具選擇策略或具體工具名 |
logprobs | boolean | = false | 返回每個 token 的對數概率 |
top_logprobs | integer | 0 ~ 20 | 每個 token 返回的 top 概率數量 |
logit_bias | object | — | 按 token 的 logit 偏置映射 |
user | string | — | 用於風險審計的終端用戶標識 |
替換 <YOUR_API_KEY> 替換為令牌設定中的 API Key。
身份驗證
所有請求必須攜帶 Authorization: Bearer <TOKEN> 請求頭。Anthropic 格式的端點也接受 x-api-key 請求頭。
在「令牌」頁面生成 API Key，可以按模型、分組、IP、速率等維度精細化授權。
支援的參數
| 參數 | 類型 | 預設值 / 範圍 | 說明資訊 |
|---|---|---|---|
temperature | number | = 10 ~ 2 | 採樣溫度；越低越穩定 |
top_p | number | = 10 ~ 1 | 核採樣累積概率 |
max_tokens | integer | >= 1 | 回應中最大 token 數 |
frequency_penalty | number | = 0-2 ~ 2 | 懲罰高頻 token 的重複出現 |
presence_penalty | number | = 0-2 ~ 2 | 鼓勵引入新話題 |
stop | array | — | 最多 4 個停止生成的字串 |
seed | integer | — | 盡量保證可復現的採樣種子 |
n | integer | = 1>= 1 | 生成的候選條數 |
stream | boolean | = false | 透過 SSE 串流返回 token |
response_format | object | — | 強制輸出 JSON 物件或符合 Schema 的結果 |
tools | array | — | 模型可呼叫的工具 / 函數聲明 |
tool_choice | string | autononerequired | 工具選擇策略或具體工具名 |
logprobs | boolean | = false | 返回每個 token 的對數概率 |
top_logprobs | integer | 0 ~ 20 | 每個 token 返回的 top 概率數量 |
logit_bias | object | — | 按 token 的 logit 偏置映射 |
user | string | — | 用於風險審計的終端用戶標識 |
速率限制
| 供應商 | RPM | TPM | RPD |
|---|---|---|---|
| Google AI Studio | 無限制 | 無限制 | 無限制 |
| Google Vertex | 無限制 | 無限制 | 無限制 |
無限制
Frequently asked questions about gemini-4-carbon
What is gemini-4-carbon?
Gemini 4 Carbon 是 Google 的旗舰推理模型，适合复杂软件工程、多步骤工作流和科学推理。支持文本、图像、音频、视频与 PDF 输入，输出文本。
How do I call gemini-4-carbon?
Create an API key with access to gemini-4-carbon, then use the exact model ID and a supported endpoint from the API access section. Request fields depend on the selected endpoint.
How is gemini-4-carbon priced?
Pricing depends on the selected provider group and the model billing unit. The current input, output, request, or media prices are shown on this page before sign-up.
What is the context window of gemini-4-carbon?
The model catalog lists a context window of 1048576 tokens. Check the selected endpoint for request limits.
What is the maximum output of gemini-4-carbon?
The model catalog lists a maximum output of 65536 tokens. Your request settings may set a lower limit.
How should I evaluate gemini-4-carbon for my project?
Start with the use cases and prompting guidance on this page, then evaluate the model with representative inputs from your project.