Gemini 4 Carbon è il modello di ragionamento di frontiera di Google, in disponibilità generale dal 10 novembre 2026.
- Input
- testo immagine audio video $2/M
- Output
- testo $10/M
- Lettura cache
- $0.1/M
- Input audio
- $2/M
- Lettura cache audio
- $0.1/M
- Contesto
- 1M
- vs GPT-4o
- ~60% più economico
- Knowledge cutoff
- 2026-03
Prezzi per lunghezza in ingresso
L’intera richiesta usa la tariffa della fascia di lunghezza in ingresso. Prezzi in USD per milione di token.
| Token in ingresso | Input | Output | Input (modalità ragionamento) |
|---|
Benchmark
Dati pubblicati dai provider: Google
Il prezzo a confronto
Dove si colloca il prezzo tra 79 modelli confrontabili
La barra mostra dove si colloca il prezzo di questo modello tra tutti i modelli dello stesso tipo su Synthorai. Alle due estremità sono indicati il più economico e il più caro. Sono tariffe base; gli sconti per batch, regione e scrittura in cache sono nella pagina dei prezzi.
Specifiche e limiti
Token
| Finestra di contesto (specifica del provider) | 1.048.576 |
|---|---|
| Output massimo (specifica del provider) | 65.536 |
| Knowledge cutoff | 2026-03 |
Prompt caching
| Modalità | automatico |
|---|---|
| Prefisso min. | 4.096 |
Ragionamento
| Parametro del provider | thinking_level |
|---|---|
| Valori accettati | low · medium · high; "minimal" and thinking_budget return 400 |
| Valore di default | medium applicato se la richiesta non specifica nulla |
| Disattivabile | No |
| Comportamento del ragionamento | There is no off setting and no numeric thinking budget. Custom temperature, top_p and top_k values are ignored. |
| Parametro | reasoning_effort |
| Valori | minimal · low · medium · high parametri esposti dal gateway: vale la mappatura del provider indicata sopra |
Modello
| Modalità | testo + immagine + audio + video → testo |
|---|
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 solo prompt, misurato attraverso il gateway
Gemini 4 Carbon superato · 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.
out 908 tok (+799 ragionamento) latenza 18.0 s
Rispetto delle istruzioni (esattamente tre frasi: si contano), adattamento al destinatario (registro da CFO) e lo scarto di fatturazione dovuto al ragionamento nascosto, che i contatori di token qui sotto mettono in luce.
Gemini 4 Carbon superato · 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. […]
out 1411 tok (+1131 ragionamento) latenza 32.7 s
Se la correzione è davvero giusta (si può eseguire), quanto è densa la spiegazione e quanti token servono per un compito circoscritto.
Gemini 4 Carbon superato · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": null, "growth_pct": null, "guidance": null } ```
out 3338 tok (+3281 ragionamento) latenza 61.6 s
Aderenza allo schema (nessun campo inventato), tentazione di allucinare (il testo dice espressamente che la guidance non viene comunicata) e differenze tra i percorsi di output strutturato.
Gemini 4 Carbon superato · 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.
out 2620 tok (+2480 ragionamento) latenza 31.1 s
Rispetto dei vincoli (budget di parole, elenco di parole vietate, l'unica domanda), impronta stilistica e controllo della lunghezza.
Usa Gemini 4 Carbon in 30 secondi
Compatibile con OpenAI: cambi base_url e tieni il tuo 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(""));Informazioni su Gemini 4 Carbon
- La pagina ufficiale lo descrive come creato per il lavoro in profondità su attività complesse e reali in programmazione, finanza, ambito legale, cybersicurezza e scienza, e la pagina delle novità di Google spiega che sui problemi difficili spende più token di ragionamento per esplorare ipotesi, verificare il proprio lavoro e controllare i casi limite prima di rispondere.
- Gemini 4 Argon ne condivide la finestra di contesto, gli strumenti integrati e il prezzo per token; Google indirizza Carbon verso il lavoro che richiede profondità di ragionamento, come il debug delle cause alla radice, la progettazione architetturale, la sintesi multimodale densa, le dimostrazioni scientifiche e gli audit di sicurezza, e mantiene Argon come opzione più rapida e con meno token spesi per turno.
- Accetta testo, immagini, audio, video e PDF e restituisce testo.
- La finestra di contesto è un unico limite di 1,048,576 token condiviso tra input e output, e una singola richiesta sincrona restituisce fino a 65,536 token in uscita (32,768 senza streaming).
- Il ragionamento ha tre livelli, low, medium (predefinito) e high, senza un'impostazione per disattivarlo né un budget numerico di ragionamento, quindi una richiesta che chiede il minimo ragionamento viene eseguita a low tramite Synthorai.
- La documentazione di Google precisa inoltre che i valori personalizzati di temperature, top_p e top_k vengono ignorati.
- Il dettaglio di prezzo da pianificare è che la tariffa pubblicata è introduttiva e non definitiva: $2 per milione di token in ingresso e $10 per milione in uscita valgono fino al 30 novembre 2026, e il 1° dicembre 2026 entrambe raddoppiano, a $4 e $20.
- L'input in cache cambia nella stessa data, da $0.10 a $0.20 per milione di token.
- Il prezzo di output include i token di ragionamento, e Carbon ne spende più di Argon per turno, quindi dimensiona i token massimi di output e i timeout del client tenendone conto.
- Il caching è solo implicito, per prompt di almeno 4,096 token: non c'è nessuna cache esplicita da creare o gestire.
- Synthorai lo serve tramite l'endpoint chat completions compatibile con OpenAI, così si inserisce in un'integrazione esistente senza un client specifico di Google.
FAQ
L'API di Gemini 4 Carbon si può provare gratis?
Sì: i nuovi account ricevono 10 chiamate di prova e fino a $1 di credito gratuito, senza bisogno di carta. A $2/M per i token di input, quel credito basta da solo per circa 62 richieste da ~8K token a Gemini 4 Carbon.
In cosa eccelle Gemini 4 Carbon?
Più ragionamento per turno di Gemini 4 Argon; un limite di 1M di token condiviso tra input e output; il prezzo introduttivo raddoppia il 1° dicembre 2026. Il quadro completo è nella sezione «Informazioni», ripreso dalle note di rilascio ufficiali del provider.
Quanto costa Gemini 4 Carbon?
Su Synthorai Gemini 4 Carbon costa $2 per milione di token di input e $10 per milione di token di output: è il prezzo di listino del provider, senza sovrapprezzo di piattaforma. Input audio: $2/M token · Lettura cache audio: $0.1/M token I token di input letti dalla cache costano $0.1/M.
Qual è la finestra di contesto di Gemini 4 Carbon?
Gemini 4 Carbon ha una finestra di contesto di 1M token su Synthorai. Una singola risposta può arrivare a 65,536 token.
Gemini 4 Carbon supporta il prompt caching?
Sì, in automatico: i prompt serviti da Google vanno in cache senza modifiche al codice. I token di input letti dalla cache costano $0.1/M, contro $2/M senza cache; per andare in cache un prompt deve avere un prefisso stabile di 4,096 token. Guida al prompt caching →
Come ottengo l'accesso a Gemini 4 Carbon?
Fai puntare l'SDK OpenAI che usi già a base_url="https://synthorai.io/v1", imposta model="gemini-4-carbon" e hai finito: una sola chiave API vale per tutti i modelli del gateway.
Qual è il knowledge cutoff di Gemini 4 Carbon?
Il knowledge cutoff di Gemini 4 Carbon è 2026-03, secondo la documentazione ufficiale del provider (dato aggiornato al 2026-11-12).
Modelli correlati
Confronta
Le specifiche e i benchmark dei fornitori rimandano alle rispettive fonti. Il supporto del gateway descrive l’implementazione di Synthorai. Gli esempi archiviati sono singole richieste e non garantiscono le prestazioni generali del modello. I prezzi provengono dal servizio pubblico o dalla sua istantanea usata durante la compilazione.