Gemini 4 Carbon es el modelo de razonamiento de frontera de Google, con disponibilidad general desde el 10 de noviembre de 2026.
- Entrada
- texto imagen audio vídeo $2/M
- Salida
- texto $10/M
- Lectura de caché
- $0.1/M
- Entrada de audio
- $2/M
- Lectura de caché de audio
- $0.1/M
- Contexto
- 1M
- vs GPT-4o
- ~60% más barato
- Corte de conocimiento
- 2026-03
Precios por longitud de entrada
Toda la solicitud usa la tarifa del tramo de longitud de entrada. Precios en USD por millón de tokens.
| Tokens de entrada | Entrada | Salida | Entrada (modo razonamiento) |
|---|
Benchmarks
Publicado por los proveedores: Google
El precio en contexto
Posición del precio entre 79 modelos comparables
La barra muestra dónde queda el precio de este modelo entre todos los modelos del mismo tipo en Synthorai. En cada extremo se nombra el más barato y el más caro. Son tarifas base; los descuentos por lote, región y escritura en caché están en la página de precios.
Especificaciones y límites
Tokens
| Ventana de contexto (especificación del proveedor) | 1.048.576 |
|---|---|
| Salida máxima (especificación del proveedor) | 65.536 |
| Corte de conocimiento | 2026-03 |
Caché de prompts
| Modo | automático |
|---|---|
| Prefijo mín. | 4096 |
Razonamiento
| Parámetro del proveedor | thinking_level |
|---|---|
| Valores admitidos | low · medium · high; "minimal" and thinking_budget return 400 |
| Valor por defecto | medium se aplica si la solicitud no indica nada |
| Se puede desactivar | No |
| Comportamiento del razonamiento | There is no off setting and no numeric thinking budget. Custom temperature, top_p and top_k values are ignored. |
| Parámetro | reasoning_effort |
| Valores | minimal · low · medium · high parámetros que expone la pasarela; se aplica el mapeo del proveedor indicado arriba |
Modelo
| Modalidades | texto + imagen + audio + vídeo → texto |
|---|
Google's frontier Gemini 4 model for deep work on complex, real-world tasks across coding, finance, legal, cybersecurity and science. Google says it spends more thinking tokens per turn than Gemini 4 Argon to explore and verify its work, which raises token use and latency. The output price includes thinking tokens. The published rate is introductory: input and output both double on 1 December 2026, and cached input doubles with them. Caching is implicit only.
Un prompt, medido a través de la pasarela
Gemini 4 Carbon superado · 3 sentences
Enabling reasoning instructs the AI to generate a lengthy, behind-the-scenes "thought process" to verify its logic before delivering a final answer. Because our vendor bills us based on total output volume, we are charged for all of that invisible scratchpad work in addition to the visible response, effectively doubling the compute consumed per query. Moving forward, we can control this cost by restricting reasoning strictly to complex, high-stakes workflows where higher accuracy justifies the premium, while routing routine tasks back to standard, lower-cost models.
salida 908 tok (+799 razonamiento) latencia 18.0 s
Cumplimiento de la instrucción (exactamente tres frases, se pueden contar), adaptación al público (registro de CFO) y la diferencia de facturación por razonamiento oculto que dejan ver los contadores de tokens de abajo.
Gemini 4 Carbon superado · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The original function counts the number of matching adjacent *transitions* rather than the number of *elements* in a run because `best` and `cur` are initialized and reset to `0` instead of `1`. Because a single item on its own already forms a run of length `1`, starting at `0` causes every non-empty result to be short by one: single-element lists (where the loop never executes) and lists with no duplicates return `0` instead of `1`, and any run of $k$ equal items—including one ending at the last index—only increments `cur` $k - 1$ times, making it appear as though the final element of the run was missed. […]
salida 1411 tok (+1131 razonamiento) latencia 32.7 s
Si la corrección funciona de verdad (se puede ejecutar), lo densa que es la explicación y la eficiencia en tokens en una tarea acotada.
Gemini 4 Carbon superado · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": null, "growth_pct": null, "guidance": null } ```
salida 3338 tok (+3281 razonamiento) latencia 61.6 s
Respeto del esquema (sin campos inventados), tentación de alucinar (la guidance se omite a propósito) y diferencias entre las vías de salida estructurada.
Gemini 4 Carbon superado · 120 words, 0 banned, 1 question
Are your engineering teams paying multiple AI vendors to generate identical responses? Today, we are introducing Universal Prompt Caching for our flagship API Gateway. When applications route traffic across providers like OpenAI, Anthropic, and Mistral, duplicate queries drain budgets and degrade user experiences. Our new unified caching layer intercepts incoming prompts directly at the network edge. If an identical request was previously fulfilled by any connected model, the gateway delivers the stored response in milliseconds, completely bypassing external API calls. This practical upgrade cuts monthly token expenses substantially while accelerating overall application speed. Best of all, deployment requires zero complex code changes. Simply activate this capability inside your gateway configuration dashboard today to start reducing latency and infrastructure costs immediately.
salida 2620 tok (+2480 razonamiento) latencia 31.1 s
Respeto de las restricciones (límite de palabras, lista de palabras prohibidas, una única pregunta), sello de estilo y control de la longitud.
Usa Gemini 4 Carbon en 30 segundos
Compatible con OpenAI: cambia el base_url y conserva tu SDK. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gemini-4-carbon",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "gemini-4-carbon",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-4-carbon",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "gemini-4-carbon",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gemini-4-carbon")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Acerca de Gemini 4 Carbon
- Su página oficial lo describe como creado para el trabajo en profundidad sobre tareas complejas y reales de programación, finanzas, derecho, ciberseguridad y ciencia, y la página de novedades de Google indica que, ante problemas difíciles, dedica más tokens de razonamiento a explorar hipótesis, verificar su trabajo y revisar casos límite antes de responder.
- Gemini 4 Argon comparte con él la ventana de contexto, las herramientas integradas y el precio por token; Google orienta Carbon al trabajo que exige profundidad de razonamiento, como la depuración de causas raíz, el diseño de arquitectura, la síntesis multimodal densa, las demostraciones científicas y las auditorías de seguridad, y mantiene Argon como la opción más rápida y con menos tokens por turno.
- Acepta texto, imágenes, audio, vídeo y PDF y devuelve texto.
- La ventana de contexto es un único límite de 1,048,576 tokens compartido entre entrada y salida, y una sola solicitud síncrona devuelve hasta 65,536 tokens de salida (32,768 sin streaming).
- El razonamiento tiene tres niveles, low, medium (el predeterminado) y high, sin opción de apagado ni presupuesto numérico de razonamiento, de modo que una solicitud que pide el mínimo razonamiento se ejecuta en low a través de Synthorai.
- La documentación de Google también señala que los valores personalizados de temperature, top_p y top_k se ignoran.
- El detalle de precios que conviene planificar es que la tarifa publicada es introductoria, no definitiva: $2 por millón de tokens de entrada y $10 por millón de tokens de salida se mantienen hasta el 30 de noviembre de 2026, y ambas se duplican el 1 de diciembre de 2026, hasta $4 y $20.
- La entrada en caché cambia en la misma fecha, de $0.10 a $0.20 por millón de tokens.
- El precio de salida incluye los tokens de razonamiento, y Carbon gasta más por turno que Argon, así que dimensione el máximo de tokens de salida y los tiempos de espera del cliente teniéndolo en cuenta.
- La caché es solo implícita, para prompts de al menos 4,096 tokens: no hay ninguna caché explícita que crear o gestionar.
- Synthorai lo ofrece a través del endpoint chat completions compatible con OpenAI, de modo que encaja en una integración existente sin un cliente específico de Google.
Preguntas frecuentes
¿Se puede probar gratis la API de Gemini 4 Carbon?
Sí: las cuentas nuevas reciben 10 llamadas de prueba y hasta $1 de crédito gratuito, sin tarjeta. A $2/M de tokens de entrada, solo con ese crédito tienes para unas 62 solicitudes de ~8K tokens a Gemini 4 Carbon.
¿En qué destaca Gemini 4 Carbon?
Más razonamiento por turno que Gemini 4 Argon; un límite de 1M de tokens compartido entre entrada y salida; el precio introductorio se duplica el 1 de diciembre de 2026. En la sección «Acerca de» tienes la visión completa, según las notas de lanzamiento del propio proveedor.
¿Cuánto cuesta Gemini 4 Carbon?
Gemini 4 Carbon cuesta $2 por millón de tokens de entrada y $10 por millón de tokens de salida en Synthorai. Es el precio de lista del proveedor, sin recargo de plataforma. Entrada de audio: $2/M tokens · Lectura de caché de audio: $0.1/M tokens Los tokens de entrada en caché se facturan a $0.1/M.
¿Cuál es la ventana de contexto de Gemini 4 Carbon?
Gemini 4 Carbon tiene una ventana de contexto de 1M tokens en Synthorai. Una sola respuesta puede tener hasta 65,536 tokens.
¿Gemini 4 Carbon admite caché de prompts?
Sí, de forma automática: los prompts que sirve Google se guardan en caché sin tocar el código. Los tokens de entrada en caché se facturan a $0.1/M frente a $2/M sin caché; los prompts necesitan un prefijo estable de 4,096 tokens para entrar en caché. Guía de caché de prompts →
¿Cómo obtengo acceso a Gemini 4 Carbon?
Apunta el SDK de OpenAI que ya usas a base_url="https://synthorai.io/v1", pon model="gemini-4-carbon" y listo. Una sola clave API sirve para todos los modelos de la pasarela.
¿Cuál es la fecha de corte de conocimiento de Gemini 4 Carbon?
La fecha de corte de conocimiento de Gemini 4 Carbon es 2026-03, según la documentación oficial del proveedor (a fecha de 2026-11-12).
Modelos relacionados
Comparar
Las especificaciones y los benchmarks de los proveedores enlazan a sus fuentes. La compatibilidad de la pasarela describe la implementación de Synthorai. Los ejemplos archivados son solicitudes individuales y no garantizan el rendimiento general del modelo. Los precios proceden del servicio público de precios o de su instantánea usada en la compilación.