Gemini 4 Carbon est le modèle de raisonnement de pointe de Google, en disponibilité générale depuis le 10 novembre 2026.
- Entrée
- texte image audio vidéo $2/M
- Sortie
- texte $10/M
- Lecture de cache
- $0.1/M
- Entrée audio
- $2/M
- Lecture du cache audio
- $0.1/M
- Contexte
- 1M
- vs GPT-4o
- ~60% moins cher
- Coupure des connaissances
- 2026-03
Tarifs selon la longueur en entrée
Le tarif de la tranche de longueur en entrée s’applique à toute la requête. Prix en USD par million de tokens.
| Tokens en entrée | Entrée | Sortie | Entrée (mode réflexion) |
|---|
Benchmarks
Chiffres publiés par les fournisseurs : Google
Le prix en perspective
Position du prix parmi 79 modèles comparables
La barre situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises liées au batch, à la région et aux écritures de cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 1 048 576 |
|---|---|
| Sortie max (spéc. fournisseur) | 65 536 |
| Coupure des connaissances | 2026-03 |
Mise en cache
| Mode | automatique |
|---|---|
| Préfixe min. | 4 096 |
Réflexion
| Paramètre du fournisseur | thinking_level |
|---|---|
| Valeurs acceptées | low · medium · high; "minimal" and thinking_budget return 400 |
| Valeur par défaut | medium appliquée si la requête ne précise rien |
| Désactivable | Non |
| Comportement de la réflexion | There is no off setting and no numeric thinking budget. Custom temperature, top_p and top_k values are ignored. |
| Paramètre | reasoning_effort |
| Valeurs | minimal · low · medium · high paramètres exposés par la passerelle ; la correspondance avec ceux du fournisseur, ci-dessus, s'applique |
Modèle
| Modalités | texte + image + audio + vidéo → texte |
|---|
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, mesuré via la passerelle
Gemini 4 Carbon réussi · 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.
sortie 908 tok (+799 réflexion) latence 18.0 s
Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.
Gemini 4 Carbon réussi · 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. […]
sortie 1411 tok (+1131 réflexion) latence 32.7 s
La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.
Gemini 4 Carbon réussi · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": null, "growth_pct": null, "guidance": null } ```
sortie 3338 tok (+3281 réflexion) latence 61.6 s
Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de sortie structurée.
Gemini 4 Carbon réussi · 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.
sortie 2620 tok (+2480 réflexion) latence 31.1 s
Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.
Utilisez Gemini 4 Carbon en 30 secondes
Compatible OpenAI : changez la base_url, gardez votre 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(""));À propos de Gemini 4 Carbon
- Sa page officielle le décrit comme conçu pour le travail en profondeur sur des tâches complexes et concrètes en programmation, finance, droit, cybersécurité et sciences, et la page des nouveautés de Google indique que, face à un problème difficile, il dépense davantage de tokens de réflexion pour explorer des hypothèses, vérifier son travail et contrôler les cas limites avant de répondre.
- Gemini 4 Argon partage sa fenêtre de contexte, ses outils intégrés et son prix par token ; Google oriente Carbon vers les travaux qui exigent de la profondeur de raisonnement, comme le débogage de causes racines, la conception d'architecture, la synthèse multimodale dense, les preuves scientifiques et l'audit de sécurité, et garde Argon comme option plus rapide, avec moins de tokens dépensés par tour.
- Il accepte texte, images, audio, vidéo et PDF et renvoie du texte.
- La fenêtre de contexte est une limite unique de 1,048,576 tokens partagée entre l'entrée et la sortie, et une requête synchrone renvoie jusqu'à 65,536 tokens de sortie (32,768 sans streaming).
- La réflexion a trois niveaux, low, medium (par défaut) et high, sans réglage d'arrêt ni budget de réflexion chiffré, de sorte qu'une requête demandant le moins de raisonnement possible s'exécute en low via Synthorai.
- La documentation de Google précise aussi que les valeurs personnalisées de temperature, top_p et top_k sont ignorées.
- Le point de tarification à anticiper est que le tarif publié est introductif et non définitif : $2 par million de tokens en entrée et $10 par million en sortie s'appliquent jusqu'au 30 novembre 2026, et les deux doublent le 1er décembre 2026, à $4 et $20.
- L'entrée mise en cache évolue à la même date, de $0.10 à $0.20 par million de tokens.
- Le prix de sortie inclut les tokens de réflexion, et Carbon en dépense davantage par tour qu'Argon : dimensionnez le nombre maximal de tokens de sortie et les délais d'expiration du client en conséquence.
- La mise en cache est uniquement implicite, pour les prompts d'au moins 4,096 tokens : il n'y a aucun cache explicite à créer ni à gérer.
- Synthorai le sert via l'endpoint chat completions compatible OpenAI, de sorte qu'il s'insère dans une intégration existante sans client propre à Google.
FAQ
Peut-on essayer l'API Gemini 4 Carbon gratuitement ?
Oui : les nouveaux comptes reçoivent 10 appels d'essai et jusqu'à $1 de crédit gratuit, sans carte bancaire. À $2/M de tokens en entrée, ce crédit couvre à lui seul environ 62 requêtes de ~8K tokens sur Gemini 4 Carbon.
Quels sont les points forts de Gemini 4 Carbon ?
Plus de réflexion par tour que Gemini 4 Argon ; une limite de 1M de tokens partagée entre entrée et sortie ; le tarif introductif double le 1er décembre 2026. La section À propos en donne un aperçu complet, tiré des notes de version du fournisseur.
Combien coûte Gemini 4 Carbon ?
Sur Synthorai, Gemini 4 Carbon coûte $2 par million de tokens en entrée et $10 par million de tokens en sortie, soit le tarif public du fournisseur, sans majoration de plateforme. Entrée audio: $2/M tokens · Lecture du cache audio: $0.1/M tokens Les tokens d'entrée en cache sont facturés $0.1/M.
Quelle est la fenêtre de contexte de Gemini 4 Carbon ?
Gemini 4 Carbon dispose d'une fenêtre de contexte de 1M tokens sur Synthorai. Une réponse peut compter jusqu'à 65,536 tokens.
Gemini 4 Carbon prend-il en charge la mise en cache des prompts ?
Oui, automatiquement : les prompts servis par Google sont mis en cache sans modification de code. Les tokens d'entrée en cache sont facturés $0.1/M contre $2/M hors cache ; les prompts doivent avoir un préfixe stable de 4,096 tokens pour être mis en cache. Guide de mise en cache des prompts →
Comment obtenir l'accès à Gemini 4 Carbon ?
Dans votre SDK OpenAI actuel, indiquez base_url="https://synthorai.io/v1" et model="gemini-4-carbon", et c'est tout. Une seule clé API donne accès à tous les modèles de la passerelle.
Quelle est la date de coupure des connaissances de Gemini 4 Carbon ?
Date de coupure des connaissances de Gemini 4 Carbon : 2026-03, selon la documentation officielle du fournisseur (au 2026-11-12).
Modèles associés
Comparer
Les spécifications et les benchmarks des fournisseurs renvoient à leurs sources. La prise en charge par la passerelle décrit l’implémentation de Synthorai. Les exemples archivés sont des requêtes individuelles, sans garantie de performance générale du modèle. Les prix proviennent du flux public ou de son instantané utilisé lors de la compilation.