Choose your path
CometAPI を使用して Gemini 4 Carbon API をセットアップしてください。Python および REST のサンプルに従い、レスポンスを検証し、PDF と画像を解析し、ストリーミングに対応してください。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)CometAPI の Gemini 4 Carbon API を使って、Gemini ネイティブの GenerateContent インターフェース経由で推論とドキュメント分析をアプリケーションに追加できます。短いテキスト要求から始め、生成が完了したことを確認し、回答を保存してから、PDF 入力、画像、ストリーミング、構造化 JSON を追加してください。本ガイドは、各ステップのセットアップとレスポンス処理コードを提供します。
gemini-4-carbon。フリーティアなし — 有料の Gemini API / Cloud Billing が必要。lowmediumhighGemini 4 Carbon のローンチアートワーク。画像: Google。 Original artwork。
Gemini 4 Carbon は、長期的なエージェント的ワークフロー、複雑なソフトウェア工学、サイバーセキュリティ、科学研究向けの Google の最先端推論モデルです。Gemini 4 Argon を基盤に、より深い推論と拡張された検証ループを用い、単一の応答ではなく継続的な問題解決を要するマルチステップタスクに取り組みます。Argon と比較して、Carbon はトークン使用量の最小化よりも正確性とタスク完了を重視する、より負荷の高いワークロード向けに設計されています。Google は 2026 年 11 月 10 日の有料開発者向けアクセスを発表しました。マルチモーダル入力サポートにより、テキストと視覚などのメディア入力を組み合わせられます。生成出力はテキストです。CometAPI は割引料金での API アクセスを提供します。
API 統合では、結果を検証できる 1 つのタスクから始めてください。例えば、ドキュメントの要約、インシデントノートからのフィールド抽出、スクリーンショットのレビューなどです。ルートのサポート機能とレスポンス動作を確認したら、その作業中のリクエストを基に、より広いエージェントワークフローを構築できます。
公式のモデル仕様では、共有コンテキスト予算と各フォアグラウンドセグメントの出力上限を区別しています。これらはモデルレベルの制約であり、ゲートウェイ側にもリクエストサイズや機能制限がある場合があります。
統合を拡張する前に、Carbon のコンテキスト、生成設定、キャッシュ、アクセスの扱いを確認してください。以下の表は、各制約と実務的アクションの対応をまとめ、無効なリクエスト、不完全な結果、想定外のコストを避ける助けとなります。
| Area | Limitation or requirement | Developer implication |
|---|---|---|
| Unified token budget | 入力と出力は、思考と関数呼び出しを含む 1,048,576 トークンを共有 | 会話履歴やファイルを追加する前に、出力のための余地を確保する |
| Long decoding | フォアグラウンドセグメントはストリーミング時に最大 65,536 出力トークン、非ストリーミング時に 32,768 | より長い生成には継続が必要 |
| Thinking levels | Low、Medium、High。デフォルトは Medium | GenerateContent では LOW、MEDIUM、または HIGH を送る。MINIMAL は拒否される |
| Thinking budget | 旧式の thinking_budget パラメータは拒否される | リクエストビルダーから thinking_budget を削除し、Python では thinking_config.thinking_level、REST JSON では thinkingConfig.thinkingLevel を使用 |
| Sampling | 独自の temperature、top_p、top_k は無視される | thinking_level で推論の深さを選択し、response_schema で構造化出力を指定 |
| Context caching | 暗黙的キャッシュはサポート。明示的なコンテキストキャッシュ作成は非対応 | 再利用するコンテキストを先頭に置き、頻繁に変わる質問を最後に。明示的なキャッシュ作成呼び出しと cached_content 参照は削除 |
| API cost | 思考トークンは出力として課金 | 思考と可視出力の両方をカウントする |
| Cybersecurity access | 専門的なサイバーアクセスは制限 | 専用の Fairwind アクセス資格を確認。標準の Carbon アクセスだけではサイバー許容版へのアクセスは付与されない |
| Reliability | 幻覚、時折のタイムアウト、より多いトークン使用が起こりうる | 事実、コード、抽出フィールドを検証する |
Google の Carbon 開発者ガイドは API のルールを、モデルカードは信頼性や専用アクセスの制限を説明しています。プロダクションで有効化する前に、CometAPI のルートで対応する機能を確認してください。
まずは MEDIUM から始め、タスクと求める品質に合わせてレベルを調整します。
より高い思考レベルがすべてのタスクで自動的に良い結果を保証するわけではありません。プロダクションのデフォルトを変える前に、自身のワークロードでベンチマークを行い、タスク完了品質、レイテンシ、総トークン使用量を比較してください。
| Benchmark | Gemini 4 Carbon | Gemini 4 Argon | GPT-6 Astra | Claude Opus 5.5 |
|---|---|---|---|---|
| Artificial Analysis Intelligence Index v5.0 | 59 | 50 | 57 | 58 |
| SWE-sweep | 9.60% | 4.30% | 9.50% | 3.60% |
| FrontierSWE 2 | 61.20% | 55.00% | 65.50% | 62.30% |
| Terminal-Bench 4.0 | 65.20% | 57.10% | 59.10% | 59.60% |
| Agents' Last Exam v1.1 | 77.40% | 69.00% | 73.10% | 71.60% |
| OSWorld-2.1 | 81.50% | 74.70% | 80.90% | 87.20% |
| AutomationBench | 53.90% | 51.30% | 41.40% | 42.50% |
| Chartography | 72.50% | 71.60% | 71.00% | 66.30% |
| GraphWalks (256K–1M) | 96.20% | 84.20% | 71.80% | 66.80% |
Artificial Analysis Carbon (High) および Argon (High) のページは、2026 年 11 月 12 日時点で以下のスナップショットを示しています。これらはベンチマーク結果であり、CometAPI のレイテンシ測定ではありません。
| Metric | Carbon (High) | Argon (High) |
|---|---|---|
| Intelligence Index | 60 | 50 |
| Output speed | 80 tokens/s | 65 tokens/s |
| Time to first answer token | 67.83 s | 37.64 s |
| Time per Intelligence Index task | 25.5 min | 30.0 min |
| Output tokens across the evaluation | 205M | 113M |
| Cost per Intelligence Index task | $7.76 | $9.95 |
出力トークンの合計は評価全体の値であり、1 回のリクエストではありません。タスクのコストは Artificial Analysis の価格前提であり、CometAPI の現在の割引ではありません。Carbon は最初の応答トークンまでの待機が長い一方で、ベンチマークタスクの完了はより速く、報告上のコストも低くなっています。トークン量だけでは価値は決まりません。
困難なコードレビュー、リサーチ、失敗コストが高いその他の作業で、Carbon のより深い検証が有用なときに使ってください。日常のコーディングやナレッジタスクには Argon を試し、自身のワークロードでの節約効果を確認しましょう。同一プロンプトを実行し、受け入れた結果あたりの総支出、完了時間、失敗率を比較してください。
モデルへのアクセスと十分なクレジットを備えた CometAPI アカウント、Python 環境、スクリプトの基本的な実行知識が必要です。以下のファイルは同じクライアント設定をインポートできるよう、プロジェクトディレクトリを使ってください。
CometAPI は、1 つのプロバイダでアクセスと課金を管理しながら、Carbon と他モデルを併せて評価したいときに有用です。Carbon ルートは、Gemini ネイティブの GenerateContent と OpenAI 互換の Chat インターフェースを提供しているため、アプリケーションに合うリクエスト形式を選べます。
本ガイドでは、ネイティブルートを使って Google Gen AI SDK を CometAPI のキーとベース URL で再利用します。現在のデフォルトグループ価格は、Google の導入価格から 20% 低い設定です。モデル ID は設定で保持し、アプリを書き換えずに Carbon と Argon を比較できるようにしてください。ツール、ファイルアップロード、長い継続生成を追加する前に、ルート固有のサポートを確認しましょう。
CometAPI にサインインし、API キーを作成または開き、環境変数に保存します。キーをソースコードに直接記載したり、リポジトリにコミットしたりしないでください。
お使いのシェルに合わせたコマンドを使用します。Python を実行するのと同じターミナルで変数を設定し、プレースホルダを自身のキーに置き換えてください。
PowerShell でキーとモデルを設定:
$env:COMETAPI_KEY = "YOUR_COMETAPI_KEY"
$env:COMETAPI_MODEL = "gemini-4-carbon"
Bash でキーとモデルを設定:
export COMETAPI_KEY="YOUR_COMETAPI_KEY"
export COMETAPI_MODEL="gemini-4-carbon"
SDK をプロジェクト環境にインストールします。python -m pip を使うと、インストーラが例を実行するインタプリタに結びつきます。
Google Gen AI SDK をインストールまたは更新:
python -m pip install --upgrade google-genai
CometAPI は、カスタム SDK ベース URL を持つ Gemini ネイティブエンドポイントを公開しています。このエンドポイントには CometAPI キーを使用します。以下の設定は GenerateContent リクエストに適用されます。
| Setting | Value |
|---|---|
| SDK | google-genai |
| Base URL | https://api.cometapi.com |
| API version | v1beta |
| REST authentication header | x-goog-api-key |
| Key environment variable | COMETAPI_KEY |
| Model environment variable | COMETAPI_MODEL |
| Model ID | gemini-4-carbon |
以下を carbon_client.py として保存します。クライアントを一度定義し、本ガイドで使用するテキスト専用レスポンス向けに completed_text を提供します。このヘルパは 候補の終了理由を確認してから回答テキストを返すため、空または切り詰められた結果が黙って成功扱いになりません。
CometAPI クライアントとテキストレスポンス検証器を持つ carbon_client.py を作成:
import os
from google import genai
from google.genai import types
client = genai.Client(
api_key=os.environ["COMETAPI_KEY"],
http_options={
"api_version": "v1beta",
"base_url": "https://api.cometapi.com",
},
)
model = os.getenv("COMETAPI_MODEL", "gemini-4-carbon")
def completed_text(response):
if not response.candidates:
raise RuntimeError("No candidate returned; inspect prompt feedback.")
candidate = response.candidates[0]
reason = getattr(candidate.finish_reason, "value", candidate.finish_reason)
if reason != "STOP":
raise RuntimeError(f"Generation did not finish normally: {reason}")
parts = candidate.content.parts if candidate.content else []
text = "".join(
part.text or "" for part in (parts or []) if not part.thought
)
if not text.strip():
raise RuntimeError("The completed candidate contains no answer text.")
return text
carbon_client.py と同じ場所に first_request.py を作成し、以下のコードを追加します。MEDIUM の思考、4,096 トークンの出力上限で短いチェックリストのプロンプトを送信し、completed_text(response) で完了を確認し、回答を UTF-8 の answer.txt に保存します。プロジェクトディレクトリで python first_request.py を実行し、answer.txt を開いて、5 つのレビュー項目がすべて適切で使えることを確認してください。印字された使用メタデータで、思考を含むトークン消費を確認します。正常終了は回答品質を保証しません。リクエストが失敗したり不完全な出力を返した場合は、再試行前にトラブルシューティングセクションで認証情報、エラー詳細、終了理由を確認してください。
from pathlib import Path
from carbon_client import client, model, types, completed_text
response = client.models.generate_content(
model=model,
contents="Give me a five-point checklist for reviewing a Python API client.",
config=types.GenerateContentConfig(
max_output_tokens=4096,
thinking_config=types.ThinkingConfig(thinking_level="MEDIUM"),
),
)
answer = completed_text(response)
Path("answer.txt").write_text(answer, encoding="utf-8")
print(answer)
print("Saved answer.txt")
if response.usage_metadata:
print(response.usage_metadata.model_dump(exclude_none=True))
python first_request.py
## How Can Gemini 4 Carbon API Analyze Files?
以下の例は carbon_client.py と同じディレクトリで実行します。ローカルファイルをインラインコンテンツパーツに読み込み、別のファイルアップロードサービスに依存しない初期ワークフローを保ちます。
PDF の理解には視覚コンテンツが含まれます。Gemini はテキスト、表、チャート、画像を合わせて解釈できます。 [Google のドキュメント処理ガイド](https://ai.google.dev/gemini-api/docs/document-processing)は、ファイルサイズとコンテキスト制限の範囲で最大 1,000 ページまでの PDF をサポートすると説明しています。ページ数は上限であり、すべての文書がゲートウェイのリクエストに収まることを保証するものではありません。
小規模で一時的な PDF にはインライン入力を使用します。より大きなファイルや複数ターンの質問を繰り返す場合、Google は Files API を推奨し、ファイル全体を再送しないようにします。このワークフローを CometAPI で使う前に、アップロードエンドポイントとファイル参照のサポートを確認してください。以下のインライン例は実用的な出発点のままです。
### Summarize a local PDF
Google は GenerateContent における[インライン PDF 入力](https://ai.google.dev/gemini-api/docs/document-processing)を文書化しています。小さく、機密でない report.pdf をプロジェクトディレクトリに置き、以下を analyze_pdf.py として保存し、python analyze_pdf.py を実行します。
ローカル PDF を送信し、完了した要約を保存:
from pathlib import Path
from carbon_client import client, model, types, completed_text
response = client.models.generate_content(
model=model,
contents=[
types.Part.from_bytes(
data=Path("report.pdf").read_bytes(),
mime_type="application/pdf",
),
"Summarize this report in five bullets. Do not invent missing figures.",
],
config=types.GenerateContentConfig(max_output_tokens=4096),
)
summary = completed_text(response)
Path("report_summary.txt").write_text(summary, encoding="utf-8")
print(summary)
より大きなドキュメントに拡張する前に、ファイルと要約を照合してください。リクエストサイズの制限やファイル参照サポートはゲートウェイに依存します。Google による Office 形式や Cloud Storage 参照のサポートは、その入力が CometAPI ルートでサポートされることを自動的に意味しません。
### Review a local screenshot
[インライン画像入力](https://ai.google.dev/gemini-api/docs/image-understanding)のために、MIME タイプをファイルに合わせます。screen.png という PNG スクリーンショットをスクリプトと同じ場所に置きます。以下を analyze_image.py として保存し、python analyze_image.py を実行して、可視のテキストとレイアウトをレビューします。
公開画像 URL に頼らずに PNG スクリーンショットを分析:
from pathlib import Path
from carbon_client import client, model, types, completed_text
response = client.models.generate_content(
model=model,
contents=[
types.Part.from_bytes(
data=Path("screen.png").read_bytes(),
mime_type="image/png",
),
"Review this screenshot for unreadable text and overlapping elements. "
"Describe only visible issues and identify their locations.",
],
config=types.GenerateContentConfig(max_output_tokens=4096),
)
print(completed_text(response))
報告された各問題をスクリーンショットと比較してください。JPEG を送る場合は、ファイル名と MIME タイプの両方を一致させます。拡張子の変更だけでは画像は変換されません。
## How Do You Stream Gemini 4 Carbon Responses ?
### Display streamed text and check completion
ストリーミングはサーバー送信イベント（SSE）としてレスポンスチャンクを返し、生成が続いている間にアプリケーションで部分的な出力を表示できます。
SDK は generate_content_stream で[ストリーミングテキスト生成](https://ai.google.dev/gemini-api/docs/text-generation)を提供します。HTTP を直接呼ぶ場合、CometAPI は alt=sse を伴う streamGenerateContent を使用します。
以下を stream_response.py として保存し、python stream_response.py を実行します。到着したテキストを表示し、通常の終了理由でストリームが終わったことを検証します。例外が発生した場合、表示されたテキストは部分結果のままで、受理された回答にはなりません。
ストリーミングテキストを読み取り、完了を要求してから受け入れる:
from carbon_client import client, model, types
finish_reason = None
received_text = False
for chunk in client.models.generate_content_stream(
model=model,
contents="Write a concise checklist for investigating intermittent API timeouts.",
config=types.GenerateContentConfig(max_output_tokens=4096),
):
if not chunk.candidates:
continue
candidate = chunk.candidates[0]
if candidate.finish_reason is not None:
finish_reason = getattr(candidate.finish_reason, "value", candidate.finish_reason)
parts = candidate.content.parts if candidate.content else []
for part in parts or []:
if part.text and not part.thought:
received_text = True
print(part.text, end="", flush=True)
print()
if finish_reason != "STOP" or not received_text:
raise RuntimeError(f"Stream not accepted as complete: {finish_reason}")
### Extract structured JSON
[スキーマ制約出力](https://ai.google.dev/gemini-api/docs/structured-output)では、application/json を要求し、アプリケーションが期待するフィールドを定義します。この例では短いインシデントノートから 2 フィールドを抽出し、型を確認してから結果を出力します。
以下を structured_output.py として保存し、python structured_output.py を実行します。JSON を解析する前にレスポンス検証器を再利用します。
インシデントのフィールドを抽出し、完了を確認し、型を検証:
import json
from carbon_client import client, model, types, completed_text
response = client.models.generate_content(
model=model,
contents=(
"Extract the service and impact from this incident note: "
"The checkout API returned errors for ten minutes during a database restart."
),
config=types.GenerateContentConfig(
max_output_tokens=4096,
response_mime_type="application/json",
response_schema={
"type": "OBJECT",
"properties": {
"service": {"type": "STRING"},
"impact": {"type": "STRING"},
},
"required": ["service", "impact"],
},
),
)
data = json.loads(completed_text(response))
if not isinstance(data, dict) or not all(
isinstance(data.get(field), str) for field in ("service", "impact")
):
raise ValueError("The response does not match the expected field types.")
print(json.dumps(data, indent=2))
service と impact を含むオブジェクトを受け取るはずです。スキーマ準拠は事実の正確性を保証しません。抽出された値を入力と比較し、保存や処理の前に業務ルールを適用してください。
## Gemini 4 Carbon API Price
Google の[導入価格](https://blog.google/innovation-and-ai/models/gemini-models/gemini-4-carbon-now-available/)は 2026 年 11 月 30 日までで、12 月 1 日から標準料金が適用されます。後続のリクエストを予算化する前に、アカウントの現在の料金を確認してください。
両モデルは Gemini 4 ファミリに属しますが、対象とするワークロードが異なります。
| API pricing tier | Input / 1M tokens | Output / 1M tokens |
| ------------------------- | ----------------- | ------------------ |
| Standard (through Nov 30) | $2.00 | $10.00 |
| Standard (from Dec 1) | $4.00 | $20.00 |
| Batch (through Nov 30) | $1.00 | $5.00 |
| Batch (from Dec 1) | $2.00 | $10.00 |
| Flex (through Nov 30) | $1.00 | $5.00 |
| Priority (through Nov 30) | $3.60 | $18.00 |
追加の価格詳細:
* キャッシュ済み入力: 11 月 30 日まで 100 万トークンあたり $0.10、12 月 1 日以降は $0.20。
* Batch と Flex は、そのサービス特性を許容できるワークロード向けに低コスト処理を提供。
* 思考トークンは出力トークンとして課金。
* 内部ツール指示や関数定義によるトークン消費も課金対象となる場合あり。
Google は、ソフトウェア工学とナレッジワークの大半には Argon を推奨し、より深い推論と拡張検証を要するタスクに Carbon を割り当てることを明示しています。
実用的な推奨: 誤答のコストが高い、または大きな探索と検証が必要なタスクには Carbon を、より効率的なトークン予算で強い推論が必要な場合には Argon を選択してください。
### CometAPI Price
2026 年 11 月 12 日時点での [CometAPI のデフォルトグループ料金表](https://www.cometapi.com/models/google/gemini-4-carbon/)は、入力 100 万トークンあたり $1.60、出力（思考を含む）100 万トークンあたり $8.00、キャッシュ済み入力のヒット時は 100 万トークンあたり $0.08 と記載されています。これらは Google の対応する導入価格より 20% 低い料金です。
CometAPI の価格は、Google の公式料金変更に伴い変動しうるため、今日のドル価格を固定的に扱わないでください。同じ 20% 割引が維持される場合、あなたのレートは新公式料金 × 0.80 になりますが、予算化前に実際の CometAPI レートを確認してください。他のアカウントグループでは割引が異なる場合があります。
未キャッシュの入力 100,000 トークンと出力 10,000 トークン（思考を含む）のリクエストで、トークンのみのコストは CometAPI 表示レートで $0.24（入力 $0.16 + 出力 $0.08）です。同量は Google の導入価格では $0.30、12 月の価格では $0.60 です。合計 110,000 トークンはモデルの共有予算に収まります。
この見積もりはツール、再試行、アカウント特有の料金調整を含みません。出力コストには思考トークンが含まれるため、可視の回答が短くても高い思考レベルは請求額を増やしうる点に注意してください。
### How to Optimize Gemini 4 Carbon API Costs?
正しく使える結果のコストを最適化してください。安価なリクエストでも、繰り返し実行や手修正が必要なら価値は低いと言えます。
1. 思考を意図的に選ぶ。まず MEDIUM から始め、単純作業には LOW を試し、HIGH は受理率の改善が追加の時間・トークンに見合う場合に使う。
2. 暗黙キャッシュで安定コンテキストを再利用。Google の [Argon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-argon) と [Carbon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-carbon) は明示的なコンテキストキャッシュ作成をサポートせず、暗黙的キャッシュをサポート。再利用する指示や文書を先頭に置き、可変の質問を最後に。少なくとも 4,096 トークンの共通プレフィックスが対象と文書化。CometAPI ルートで実際のキャッシュヒットと課金を検証。繰り返しは割引を保証しない。
3. 不要な作業を減らす。関連ページや抜粋を送信し、必要な出力フィールドを要求し、十分な出力上限を設定。思考は出力使用に含まれ、上限が小さすぎると切り詰めや再試行を招く。
4. ワークフロー全体を測定する。思考、ツール使用、再試行、拒否された回答を総支出に含める。有効なレスポンスを保存し、下流の保存失敗で再生成を招かない。
5. 実証価値でルーティング。Carbon と Argon を同一タスクで比較。プロバイダがサポートする場合のみ Batch や Flex を検討し、ワークロードがそれらのサービス特性を許容できるか確認。
受理結果あたりのコスト = ワークフロー総支出 ÷ 受理結果数。モデル、プロンプト、思考レベルを変更した後は、レイテンシと品質と併せて見直してください。
## Which API Format Should You Use for Gemini 4 Carbon?
開発者は、[CometAPI の Gemini 4 Carbon API](https://www.cometapi.com/models/google/gemini-4-carbon/)に、ネイティブ Gemini API と OpenAI 互換 Chat API を通じてアクセスできます。アプリケーションのリクエスト形式と、必要な機能要件に合うインターフェースを使用してください。
| Interface | When it fits | Integration check |
| ----------------------------- | ---------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------- |
| Gemini-native GenerateContent | 本ガイドの Python と REST 例。contents と generationConfig を既に使っているアプリ | 上記の Gemini ベース URL とフィールド名を使用 |
| OpenAI-compatible Chat API | チャットメッセージを中心に構成された既存アプリ | Carbon ルートのエンドポイント、フィールド、サポート機能を確認してからコード適応 |
互換性は特定のエンドポイントとリクエスト形状に対して適用されます。OpenAI Responses のフィールドを Gemini ネイティブエンドポイントに送らないでください。また、Chat 互換ルートが Responses を実装していると仮定しないでください。ツール対応アプリでは、関数呼び出しから対応する結果までの往復を検証する必要があり、単なるテキストプロンプトの成功では不十分です。
## How to Migrate from Gemini 4 Argon to Gemini 4 Carbon API?
すでに CometAPI の Gemini ネイティブ GenerateContent ルートを使っている Argon アプリであれば、まず設定済みモデルを **gemini-4-carbon** に切り替えることから始めましょう。最初の比較では、キー、ベース URL、プロンプト、検証ロジックは変更しないでください。[Argon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-argon) と [Carbon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-carbon) は多くの Gemini 4 リクエスト規約を共有しています。旧式パラメータの整理は、それらのフィールドがアプリに残っている場合のみ必要です。
### 1. モデルを変更し、制御された比較を実施
本ガイドのセットアップでは、COMETAPI_MODEL を gemini-4-argon から gemini-4-carbon に変更し、Python プロセスを再起動して環境変数を再読み込みします。両モデルで同じ代表プロンプトと思考レベルを使います。以下の単体例では carbon_client.py を再利用し、明示的に Carbon を選択しています:
from carbon_client import client, types, completed_text
response = client.models.generate_content(
model="gemini-4-carbon",
contents="Review this function for correctness: def add(a, b): return a + b",
config=types.GenerateContentConfig(
max_output_tokens=4096,
thinking_config=types.ThinkingConfig(thinking_level="MEDIUM"),
),
)
print(completed_text(response))
### 2. リクエスト設定と会話履歴を確認
GenerateContent では LOW、MEDIUM、または HIGH を維持。thinking_budget、MINIMAL、明示的な cached_content 使用が残っている場合は削除。結果制御に temperature、top_p、top_k に依存しないでください。frequency_penalty、presence_penalty、candidate_count > 1 は削除。ツール呼び出しを行う場合、関数呼び出し ID、名前、レスポンス順序の整合性を維持。これらは互換性確認であり、Argon から新たに削除された機能ではありません。
### 3. ロールアウト前に品質、コスト、レイテンシを検証
同じテストセットを両モデルで実行します。タスク成功、JSON 検証、ツール実行、完全完了、課金トークン、経過時間を確認。Argon 構成を保持し、トラフィックの小部分を Carbon にルーティングし、受理と予算目標を満たす場合のみ拡大します。
### 4. 長い出力サポートをモデル切替から分離
まずは 1 つのフォアグラウンドセグメントで完了するリクエストから始めます。継続が必要な場合、まず CometAPI が必要なエンドポイントとレスポンスフィールドをサポートしているか確認してください。本ガイドの v1beta ゲートウェイでは、モデル名の変更だけで Google の v1beta1 継続ワークフローが有効になるわけではありません。生成が正常終了するまで部分出力は未完成として扱ってください。
## Conclusion
最初の成功したリクエストを、統合テストの出発点にしてください。アプリケーションに必要な入力タイプとレスポンス形式だけを追加し、代表タスクで完全な出力、エラーハンドリング、コストを確認しましょう。新しい統合にはトラフィックの一部のみを流し、結果が変わった場合に備えて既知の動作構成を保持してください。
## Gemini 4 Carbon FAQ
### How large is Gemini 4 Carbon's context window?
Gemini 4 Carbon は、入力と出力を合わせた 1,048,576 トークンの統合コンテキスト上限をサポートします。この予算には入力、推論、関数呼び出し、生成出力が含まれます。
### What are Gemini 4 Carbon's strongest benchmarks?
際立った報告結果には、SEC-bench Pro で 88.2%、ExploitGym で 54.8%、CWE-bench で 71.0%、GraphWalks で 96.2% などがあります。これらはサイバーセキュリティ、長コンテキスト、エージェント的推論の能力を示します。
### How does Gemini 4 Carbon compare with Gemini 4 Argon?
Carbon は、Artificial Analysis Intelligence Index（59 対 50）、SWE-sweep（9.6% 対 4.3%）、SEC-bench Pro（88.2% 対 83.4%）など、いくつかの報告ベンチマークで Argon を大きく上回ります。主な違いは、拡張推論と複雑なエージェント的タスクにおける性能の強化です。
### Is Gemini 4 Carbon better than Claude Opus 5.5?
どちらのモデルもすべてのベンチマークで首位ではありません。Carbon は Artificial Analysis Intelligence Index、Terminal-Bench 4.0、GraphWalks、サイバーセキュリティ評価で高得点を示し、Claude Opus 5.5 は OSWorld-2.1 と FrontierSWE 2 でリードします。これは Google の公開比較に基づきます。
### What thinking levels does Gemini 4 Carbon support?
Gemini 4 Carbon は LOW、MEDIUM、HIGH の思考レベルをサポートし、デフォルトは MEDIUM です。開発者はこれらの設定を使って推論の深さ、レイテンシ、トークン消費のバランスを調整できます。
### Can Gemini 4 Carbon process images, audio, and video?
はい。モデルカードには、入力モダリティとしてテキスト、画像、音声、動画が記載されています。出力モダリティはテキストです。
### What is Gemini 4 Carbon's knowledge cutoff?
Google の 2026 年 11 月のモデルカードには、知識カットオフが 2026 年 3 月と記載されています。したがって、ツールやユーザ提供コンテキストを通じて供給されない限り、その日付以降の出来事や動向に関する知識を欠く場合があります。
| RiemannBench |
| 80.00% |
| 76.00% |
| 72.00% |
| 69.60% |