Buduj z CometAPIPotrzebujesz jednego API dla wielu modeli?Przetestuj proces w Playground, a potem utwórz klucz API, gdy model i koszt pasują do Twojego zastosowania.
Jak korzystać z interfejsu API Gemini 4 Carbon? Kompletny przewodnik dla deweloperów
Skonfiguruj interfejs API Gemini 4 Carbon za pomocą CometAPI. Postępuj zgodnie z przykładami w Pythonie i REST, weryfikuj odpowiedzi, analizuj pliki PDF i obrazy oraz obsługuj strumieniowanie.
Użyj Gemini 4 Carbon API w CometAPI, aby dodać rozumowanie i analizę dokumentów do swojej aplikacji poprzez natywny interfejs Gemini GenerateContent. Zacznij od krótkiego zapytania tekstowego, sprawdź, czy generowanie się zakończyło, i zapisz odpowiedź, zanim dodasz wejście PDF, obrazy, streaming lub ustrukturyzowany JSON. Ten przewodnik zawiera konfigurację i kod obsługi odpowiedzi dla każdego kroku.
Kluczowe informacje
ID modelu: gemini-4-carbon. Brak darmowego progu — wymaga płatnego Gemini API / Cloud Billing.
Ujednolicone okno 1M tokenów (wejście + rozumowanie + wyjście). Domyślne maks. wyjście ~65K; długie dekodowanie rozszerza do niemal 1M.
Sprawdzone pod kątem przejrzystości, atrybucji źródeł i aktualnej terminologii API.
low
medium
high
Cena wprowadzająca do 30 listopada 2026: 2 USD / 10 USD za 1M tokenów (buforowane wejście 0,10 USD). 1 grudnia stawki się podwajają.
Doskonały do długoterminowego, agentowego kodowania, rozumowania naukowego, pracy z wiedzą i zadań cyberbezpieczeństwa.
Oficjalne SDK (google-genai) + końcówki kompatybilne z OpenAI.
CometAPI oferuje najprostszy dostęp produkcyjny jednym kluczem, konkurencyjne stawki i płynne przełączanie między Gemini 4 Carbon, Claude oraz 500+ innymi modelami.
Gemini 4 Carbon to czołowy model rozumowania Google do długoterminowych agentowych przepływów pracy, złożonego inżynierii oprogramowania, cyberbezpieczeństwa i badań naukowych. Zbudowany na Gemini 4 Argon, wykorzystuje głębsze rozumowanie i rozszerzone pętle weryfikacyjne do wieloetapowych zadań wymagających trwałego rozwiązywania problemów, a nie pojedynczej odpowiedzi. W porównaniu z Argon, Carbon jest zaprojektowany do bardziej wymagających obciążeń, gdzie dokładność i ukończenie zadania są ważniejsze niż minimalizacja zużycia tokenów. Google ogłosiło płatny dostęp dla deweloperów 10 listopada 2026. Jego obsługa wejść multimodalnych pozwala łączyć tekst z obrazami i innymi mediami; generowane wyjście to tekst. CometAPI oferuje zniżkowy dostęp do API.
W integracji API zacznij od jednego zadania, którego wynik możesz zweryfikować: streść dokument, wyodrębnij pola z notatki incydentu lub zrecenzuj zrzut ekranu. Szerzej zakrojony przepływ agentowy można zbudować na działającym żądaniu po potwierdzeniu obsługiwanych narzędzi i zachowania odpowiedzi.
Inne sposoby użycia
Google AI Studio Playground: Wybierz model i testuj promptowanie interaktywnie (dla Carbon wymagany płatny dostęp).
Aplikacja Gemini / AI Mode / Antigravity: Dostępne, jeśli masz Google AI Ultra (wybierz model tam, gdzie jest oferowany).
Enterprise / Cloud: Używaj przez Gemini Enterprise Agent Platform lub końcówki w stylu Vertex z tym samym ID modelu (konfiguracja projektu i lokalizacji).
Naukowcy/badacze mogą w niektórych przypadkach ubiegać się o ograniczony darmowy dostęp.
Jakie są specyfikacje Gemini 4 Carbon API?
Oficjalne specyfikacje modelu rozróżniają wspólny budżet kontekstu od limitu wyjścia każdej pierwszoplanowej sekwencji. To limity na poziomie modelu; Twoja bramka może również nakładać ograniczenia rozmiaru żądania i funkcji.
Ograniczenia i uwagi dotyczące API
Zanim rozszerzysz integrację, sprawdź, jak Carbon obsługuje kontekst, ustawienia generowania, buforowanie i dostęp. Tabela łączy każde ograniczenie z praktycznym działaniem, aby uniknąć nieprawidłowych żądań, niekompletnych wyników i nieoczekiwanych kosztów.
Obszar
Ograniczenie lub wymaganie
Implikacja dla dewelopera
Ujednolicony budżet tokenów
Wejście i wyjście współdzielą 1 048 576 tokenów, w tym rozumowanie i wywołania funkcji.
Zarezerwuj miejsce na wyjście przed dodaniem historii rozmowy lub plików.
Długie dekodowanie
Sekwencja pierwszoplanowa pozwala na maksymalnie 65 536 tokenów wyjścia przy streamingu lub 32 768 bez streamingu;
dłuższe generowanie wymaga kontynuacji.
Poziomy rozumowania
Niski, Średni, Wysoki; domyślnie Średni
Dla GenerateContent wyślij LOW, MEDIUM lub HIGH; MINIMAL zostanie odrzucony.
Budżet rozumowania
Przestarzały parametr thinking_budget jest odrzucany
Usuń thinking_budget z konstruktorów żądań i używaj thinking_config.thinking_level w Pythonie lub thinkingConfig.thinkingLevel w REST JSON.
Próbkowanie
Niestandardowe wartości temperature, top_p i top_k są ignorowane
Użyj thinking_level do wyboru głębokości rozumowania oraz response_schema do ustrukturyzowanego wyjścia.
Buforowanie kontekstu
Wspierane jest buforowanie niejawne; jawne tworzenie cache kontekstu nie jest wspierane
Umieszczaj ponownie używany kontekst na początku, a zmienne pytanie na końcu. Usuń wywołania tworzenia cache i odwołania do cached_content.
Koszt API
Tokeny rozumowania są rozliczane jako wyjście
Zliczaj rozumowanie tak samo jak widoczne wyjście.
Dostęp cyber
Specjalistyczny dostęp cyber jest ograniczony
Sprawdź kwalifikowalność do specjalistycznego dostępu Fairwind. Standardowy dostęp do Carbon nie daje sam z siebie wariantu o zwiększonych uprawnieniach.
Niezawodność
Przewodnik dla deweloperów Carbon dokumentuje zasady API; karta modelu opisuje niezawodność i ograniczenia specjalistycznego dostępu. Potwierdź odpowiadające funkcje na swojej trasie CometAPI przed włączeniem ich w produkcji.
Poziomy rozumowania: jak wybrać właściwe ustawienie
Zacznij od MEDIUM, następnie dopasuj poziom do zadania i potrzebnej jakości.
LOW: Używaj do prostych ekstrakcji, klasyfikacji i podsumowań, gdy liczy się czas i koszt. Przetestuj np. etykietowanie zgłoszeń wsparcia i sprawdź, czy spełnia cel dokładności.
MEDIUM: Domyślny punkt startowy do codziennego kodowania, analizy dokumentów i rutynowego rozumowania. Praktyczna baza do oceny, czy inny poziom poprawia Twoją aplikację.
HIGH: Używaj do złożonego debugowania, wieloetapowych badań i rozumowania naukowego, które korzystają z głębszego dociekania. Zarezerwuj dodatkowe tokeny rozumowania i utrzymuj ten poziom tylko wtedy, gdy zysk jakości uzasadnia dodatkowy koszt i czas.
Wyższe poziomy rozumowania nie gwarantują automatycznie lepszych wyników dla każdego zadania. Zbenchmarkuj własne obciążenia i porównaj jakość realizacji zadań, opóźnienie i łączną liczbę tokenów, zanim zmienisz ustawienia produkcyjne.
Łączne tokeny wyjściowe dotyczą ewaluacji, nie pojedynczego żądania. Koszt zadania używa założeń cenowych Artificial Analysis, a nie aktualnej zniżki CometAPI. Carbon czeka dłużej na pierwszy token odpowiedzi, a mimo to kończy zadanie benchmarkowe szybciej i przy niższym raportowanym koszcie; sama liczba tokenów nie determinuje wartości.
Używaj Carbon, gdy jego głębsza weryfikacja poprawia trudny przegląd kodu, badania lub inną pracę kosztowną w przypadku błędu. Testuj Argon dla rutynowego kodowania i zadań wiedzy, ale potwierdź oszczędności na swoim obciążeniu. Uruchom identyczne prompty i porównaj łączny wydatek podzielony przez zaakceptowane wyniki, wraz z czasem ukończenia i odsetkiem niepowodzeń.
Jak zacząć z Gemini 4 Carbon API w CometAPI?
Będziesz potrzebować konta CometAPI z dostępem do modelu i wystarczającym kredytem, środowiska Pythona oraz podstawowej znajomości uruchamiania skryptów. Użyj katalogu projektu dla plików poniżej, aby każdy przykład mógł importować tę samą konfigurację klienta.
Dlaczego używać Gemini 4 Carbon API przez CometAPI?
CometAPI przydaje się, gdy chcesz ocenić Carbon obok innych modeli, zarządzając dostępem i rozliczeniami u jednego dostawcy. Jego trasa Carbon oferuje zarówno natywny interfejs Gemini GenerateContent, jak i kompatybilny z OpenAI interfejs Chat, więc możesz wybrać format żądania pasujący do Twojej aplikacji.
W tym przewodniku trasa natywna pozwala ponownie użyć Google Gen AI SDK z kluczem i bazowym adresem URL CometAPI. Obecne ceny dla grupy domyślnej są o 20% niższe od stawek wprowadzających Google. Trzymaj ID modelu w konfiguracji, aby porównać Carbon i Argon bez przepisywania aplikacji, i sprawdź wsparcie specyficzne dla trasy, zanim dodasz narzędzia, przesyłanie plików lub długie kontynuacje.
Krok 1: Załóż konto i ustaw klucz API
Zaloguj się do CometAPI, utwórz lub otwórz klucz API i zapisz go jako zmienną środowiskową. Unikaj umieszczania kluczy bezpośrednio w kodzie źródłowym lub w repozytorium.
Użyj polecenia dla swojej powłoki. Ustaw zmienne w tym samym terminalu, w którym uruchomisz Pythona; zastąp placeholder klucza swoim kluczem.
Zainstaluj SDK w środowisku projektu. Użycie python -m pip wiąże instalator z interpreterem, który uruchomi przykład.
Zainstaluj lub zaktualizuj Google Gen AI SDK.
python -m pip install --upgrade google-genai
CometAPI dokumentuje natywny endpoint Gemini z niestandardowym bazowym adresem URL SDK. Użyj klucza CometAPI dla tego endpointu. Poniższe ustawienia dotyczą żądań GenerateContent.
Ustawienie
Wartość
SDK
google-genai
Base URL
https://api.cometapi.com
Wersja API
v1beta
Nagłówek autoryzacji REST
x-goog-api-key
Zmienna środowiskowa klucza
COMETAPI_KEY
Zmienna środowiskowa modelu
COMETAPI_MODEL
ID modelu
gemini-4-carbon
Krok 3: Utwórz wielokrotnego użytku klienta i weryfikuj odpowiedzi
Zapisz tę konfigurację jako carbon_client.py. Definiuje klienta raz i zapewnia completed_text dla odpowiedzi tekstowych używanych w tym przewodniku. Pomocnik sprawdza powód zakończenia kandydata przed zwróceniem tekstu odpowiedzi, więc pusta lub obcięta odpowiedź nie jest po cichu traktowana jako sukces.
Utwórz carbon_client.py z klientem CometAPI i walidatorem odpowiedzi tekstowych.
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
Krok 4: Wyślij pierwsze żądanie i sprawdź wynik
Utwórz first_request.py obok carbon_client.py i dodaj poniższy kod. Wysyła krótki prompt z checklistą, używając rozumowania MEDIUM i budżetu wyjścia 4096 tokenów, sprawdza zakończenie przez completed_text(response) i zapisuje odpowiedź do answer.txt w UTF-8. Uruchom python first_request.py z katalogu projektu, a następnie otwórz answer.txt i potwierdź, że wszystkie pięć punktów recenzji jest adekwatnych i użytecznych. Sprawdź wydrukowane metadane użycia pod kątem zużycia tokenów, w tym rozumowania; normalne zakończenie nie stanowi dowodu jakości odpowiedzi. Jeśli żądanie się nie powiedzie lub zwróci niekompletne wyjście, użyj sekcji rozwiązywania problemów, aby sprawdzić poświadczenia, szczegóły błędu i powód zakończenia przed ponowieniem.
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
## Jak Gemini 4 Carbon API analizuje pliki?
Uruchamiaj te przykłady z tego samego katalogu co carbon\_client.py. Ładują lokalne pliki do treści inline, utrzymując początkowy przepływ pracy niezależny od osobnej usługi przesyłania plików.
Zrozumienie PDF obejmuje treści wizualne: Gemini potrafi interpretować tekst, tabele, wykresy i obrazy razem. [Przewodnik Google dotyczący przetwarzania dokumentów](https://ai.google.dev/gemini-api/docs/document-processing) opisuje obsługę PDF-ów do 1000 stron, z zastrzeżeniem limitów rozmiaru pliku i kontekstu. Liczba stron to sufit, a nie gwarancja, że każdy dokument zmieści się w żądaniu przez bramkę.
Używaj wejścia inline dla małych, tymczasowych PDF-ów. Dla większych plików lub powtarzanych wieloturowych pytań Google zaleca Files API, aby uniknąć ponownego wysyłania całego pliku. Zanim użyjesz tego przepływu pracy przez CometAPI, potwierdź jego endpoint przesyłania i obsługę odwołań do plików; poniższy przykład inline pozostaje praktycznym punktem startowym.
### Podsumuj lokalny plik PDF
Google dokumentuje [wejście PDF inline](https://ai.google.dev/gemini-api/docs/document-processing) dla GenerateContent. Umieść niewielki, niesensytywny report.pdf w katalogu projektu, następnie zapisz poniższe jako analyze\_pdf.py i uruchom python analyze\_pdf.py.
Wyślij lokalny plik PDF i zapisz ukończone podsumowanie.
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),
)
Porównaj podsumowanie z plikiem, zanim rozszerzysz na większe dokumenty. Limity rozmiaru żądania i obsługa odwołań do plików zależą od bramki. Wsparcie Google dla formatów Office lub odwołań do Cloud Storage nie stanowi samo w sobie potwierdzenia obsługi tych wejść przez Twoją trasę CometAPI.
### Przejrzyj lokalny zrzut ekranu
Dla [wejścia obrazu inline](https://ai.google.dev/gemini-api/docs/image-understanding) dopasuj typ MIME do pliku. Umieść zrzut PNG o nazwie screen.png obok skryptu. Zapisz przykład jako analyze\_image.py i uruchom python analyze\_image.py, aby zrecenzować widoczny tekst i układ.
Analizuj zrzut ekranu PNG bez polegania na publicznym URL-u obrazu.
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))
Porównaj każdy zgłoszony problem ze zrzutem. Jeśli wyślesz JPEG, zmień zarówno nazwę pliku, jak i typ MIME; sama zmiana rozszerzenia nie konwertuje obrazu.
## Jak strumieniować odpowiedzi Gemini 4 Carbon?
### Wyświetlaj strumieniowany tekst i sprawdź zakończenie
Streaming zwraca fragmenty odpowiedzi jako zdarzenia SSE (server-sent events), pozwalając aplikacji wyświetlać częściowe wyjście, gdy generowanie trwa.
SDK udostępnia [strumieniowane generowanie tekstu](https://ai.google.dev/gemini-api/docs/text-generation) przez generate\_content\_stream. Dla bezpośrednich żądań HTTP CometAPI używa streamGenerateContent z alt=sse.
Zapisz poniższe jako stream\_response.py i uruchom python stream\_response.py. Wyświetla tekst w miarę napływu, a następnie weryfikuje, że strumień zakończył się normalnym powodem zakończenia. Wyjątek pozostawia wyświetlony tekst jako wynik częściowy, nie zaakceptowaną odpowiedź.
Czytaj strumieniowany tekst i wymagaj normalnego zakończenia zanim go zaakceptujesz.
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}")
### Wyodrębnij ustrukturyzowany JSON
Dla [wyjścia ograniczonego schematem](https://ai.google.dev/gemini-api/docs/structured-output) poproś o application/json i zdefiniuj pola oczekiwane przez Twoją aplikację. Ten przykład wyodrębnia dwa pola z krótkiej notatki o incydencie, następnie sprawdza ich typy przed wydrukiem wyniku.
Zapisz przykład jako structured\_output.py i uruchom python structured\_output.py. Ponownie używa walidatora odpowiedzi przed parsowaniem JSON-a.
Wyodrębnij pola incydentu, sprawdź zakończenie i zweryfikuj ich typy.
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))
Powinieneś otrzymać obiekt zawierający service i impact. Zgodność ze schematem nie stanowi dowodu faktycznej poprawności: porównaj wyodrębnione wartości z wejściem i zastosuj odpowiednie reguły biznesowe przed zapisaniem lub działaniem na ich podstawie.
## Cennik Gemini 4 Carbon API
[Wprowadzające ceny Google](https://blog.google/innovation-and-ai/models/gemini-models/gemini-4-carbon-now-available/) obowiązują do 30 listopada 2026; standardowe stawki wchodzą w życie 1 grudnia. Sprawdź bieżące stawki na swoim koncie przed budżetowaniem kolejnych żądań.
Oba modele należą do rodziny Gemini 4, ale celują w różne obciążenia.
| Poziom cenowy API | Wejście / 1M tokenów | Wyjście / 1M tokenów |
| ------------------------- | -------------------- | -------------------- |
| Standard (do 30 lis) | 2,00 USD | 10,00 USD |
| Standard (od 1 gru) | 4,00 USD | 20,00 USD |
| Batch (do 30 lis) | 1,00 USD | 5,00 USD |
| Batch (od 1 gru) | 2,00 USD | 10,00 USD |
| Flex (do 30 lis) | 1,00 USD | 5,00 USD |
| Priority (do 30 lis) | 3,60 USD | 18,00 USD |
Dodatkowe informacje o cenach:
* Buforowane wejście: 0,10 USD za milion tokenów do 30 listopada, rośnie do 0,20 USD od 1 grudnia.
* Batch i Flex oferują tańsze przetwarzanie dla obciążeń tolerujących ich charakterystyki usług.
* Tokeny rozumowania są rozliczane jako tokeny wyjściowe.
* Tokeny zużyte przez wewnętrzne instrukcje narzędzi i deklaracje funkcji również mogą podlegać rozliczeniu.
Google wyraźnie rekomenduje Argon do większości zadań inżynierii oprogramowania i pracy z wiedzą, zarezerwowanie Carbon dla zadań wymagających głębszego rozumowania i rozszerzonej weryfikacji.
Praktyczna rekomendacja: wybierz Carbon, gdy koszt błędnego wyniku jest wysoki lub gdy zadanie wymaga znaczącej eksploracji i weryfikacji. Wybierz Argon, gdy potrzebujesz silnego rozumowania przy bardziej efektywnym budżecie tokenów.
### Cennik CometAPI
Według stanu na 12 listopada 2026, [harmonogram grupy domyślnej CometAPI](https://www.cometapi.com/models/google/gemini-4-carbon/) podaje 1,60 USD za milion tokenów wejścia, 8,00 USD za milion tokenów wyjścia (w tym rozumowanie) i 0,08 USD za milion tokenów buforowanego wejścia przy trafieniach cache. Te stawki są o 20% niższe od odpowiadających stawek wprowadzających Google.
Ceny CometAPI mogą się zmieniać wraz ze zmianami oficjalnych stawek Google. Porównuj aktualną oficjalną stawkę z rabatem przypisanym do Twojego konta, zamiast traktować dzisiejszą cenę za stałą. Jeśli ten sam 20% rabat zostanie utrzymany po zmianie stawek, Twoja stawka = nowa oficjalna stawka × 0,80; potwierdź rzeczywistą stawkę CometAPI przed budżetowaniem. Inne grupy kont mogą mieć inne rabaty.
Dla żądania z 100 000 niebuforowanych tokenów wejścia i 10 000 tokenów wyjścia, w tym rozumowania, koszt samych tokenów to 0,24 USD przy podanej stawce CometAPI: 0,16 USD za wejście plus 0,08 USD za wyjście. Te same ilości kosztują 0,30 USD przy stawkach wprowadzających Google lub 0,60 USD przy grudniowych. Łączne 110 000 tokenów mieści się w wspólnym budżecie modelu.
Ta estymacja nie obejmuje narzędzi, ponowień ani jakichkolwiek korekt cen specyficznych dla konta. Koszt wyjścia obejmuje tokeny rozumowania, więc wyższy poziom rozumowania może zwiększyć rachunek nawet przy krótkiej widocznej odpowiedzi.
### Jak optymalizować koszty Gemini 4 Carbon API?
Optymalizuj pod koszt poprawnego, użytecznego wyniku. Tańsze żądanie ma niską wartość, jeśli musisz je powtarzać lub ręcznie naprawiać odpowiedź.
1. Wybieraj rozumowanie świadomie. Zacznij od MEDIUM, testuj LOW dla prostych zadań i używaj HIGH, gdy poprawia akceptację na tyle, by uzasadnić dodatkowy czas i tokeny.
2. Ponownie używaj stabilnego kontekstu przez buforowanie niejawne. Workflows [Argon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-argon) i [Carbon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-carbon) nie wspierają jawnego tworzenia cache kontekstu; wspierają buforowanie niejawne. Umieszczaj ponownie używane instrukcje i dokumenty najpierw, a zmienne pytanie na końcu. Google dokumentuje kwalifikowalność dla wspólnych prefiksów co najmniej 4096 tokenów. Zweryfikuj realne trafienia cache i opłaty na swojej trasie CometAPI; powtórzenie nie gwarantuje zniżki.
3. Redukuj zbędną pracę. Wysyłaj odpowiednie strony lub fragmenty, żądaj tylko potrzebnych pól wyjścia i ustaw wystarczający budżet wyjściowy. Rozumowanie liczy się do zużycia wyjścia, więc zbyt niski limit może spowodować obcięcie i ponowienia.
4. Mierz cały przepływ. Uwzględnij rozumowanie, użycie narzędzi, ponowienia i odrzucone odpowiedzi w łącznym wydatku. Zapisuj poprawne odpowiedzi, aby awarie przechowywania downstream nie wymuszały kolejnego generowania.
5. Trasuj według wykazanej wartości. Porównaj Carbon i Argon na identycznych zadaniach. Rozważ Batch lub Flex tylko wtedy, gdy Twój dostawca je wspiera, a obciążenie toleruje ich charakterystyki.
Śledź koszt na zaakceptowany wynik = łączny wydatek przepływu ÷ zaakceptowane wyniki. Przeglądaj to razem z opóźnieniem i jakością po zmianie modelu, promptu lub poziomu rozumowania.
## Który format API wybrać dla Gemini 4 Carbon?
Deweloperzy mogą uzyskać dostęp do [Gemini 4 Carbon API w CometAPI](https://www.cometapi.com/models/google/gemini-4-carbon/) przez natywne API Gemini oraz kompatybilne z OpenAI Chat API. Użyj interfejsu dopasowanego do formatu żądań Twojej aplikacji i wymagań funkcjonalnych opisanych w dokumentacji.
| Interfejs | Kiedy pasuje | Sprawdzenie integracji |
| --------------------------- | --------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------ |
| Natywny Gemini GenerateContent | Przykłady Pythona i REST w tym przewodniku; aplikacje już używające contents i generationConfig | Użyj bazowego adresu URL Gemini i nazw pól pokazanych powyżej |
| Chat API kompatybilne z OpenAI | Istniejąca aplikacja zorganizowana wokół wiadomości czatu | Sprawdź udokumentowany endpoint, pola i obsługiwane funkcje trasy Carbon przed adaptacją kodu |
Zgodność dotyczy konkretnego endpointu i kształtu żądania. Nie wysyłaj pól OpenAI Responses do natywnego endpointu Gemini ani nie zakładaj, że trasa kompatybilna z Chat implementuje także Responses. Aplikacja włączająca narzędzia potrzebuje zweryfikowanej pętli od wywołania funkcji do pasującego wyniku, nie tylko udanego promptu tekstowego.
## Jak migrować z Gemini 4 Argon do Gemini 4 Carbon API?
Jeśli Twoja aplikacja Argon już używa natywnej trasy Gemini GenerateContent w CometAPI, zacznij od przełączenia skonfigurowanego modelu na **gemini-4-carbon**. Na pierwszy test pozostaw bez zmian klucz, bazowy adres URL, prompt i logikę walidacji. Zarówno [Argon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-argon), jak i [Carbon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-carbon) dzielą wiele konwencji żądań Gemini 4; porządki w przestarzałych parametrach są potrzebne tylko, jeśli te pola nadal są w Twojej aplikacji.
### 1. Zmień model i uruchom kontrolowane porównanie
W konfiguracji używanej w tym przewodniku zmień COMETAPI\_MODEL z gemini-4-argon na gemini-4-carbon, a następnie zrestartuj proces Pythona, aby przeładował zmienną. Użyj tego samego reprezentatywnego promptu i poziomu rozumowania dla obu modeli. Poniższy samodzielny przykład ponownie używa carbon\_client.py i jawnie wybiera Carbon:
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. Sprawdź ustawienia żądania i historię rozmowy
Zachowaj LOW, MEDIUM lub HIGH w GenerateContent. Usuń wszelkie pozostałości thinking\_budget, MINIMAL lub jawne użycie cached\_content. Nie polegaj na temperature, top\_p ani top\_k do sterowania wynikiem. Usuń wartości frequency\_penalty, presence\_penalty i candidate\_count powyżej 1. Jeśli wywołujesz narzędzia, zachowaj pasujące ID wywołań funkcji, nazwy i kolejność odpowiedzi. To kontrole zgodności, a nie funkcje nowo usunięte z Argon.
### 3. Zweryfikuj jakość, koszt i opóźnienie przed wdrożeniem
Przepuść ten sam zestaw testowy przez oba modele. Sprawdź sukces zadania, walidację JSON, wykonanie narzędzi, pełne zakończenie, rozliczone tokeny i czas. Trzymaj konfigurację Argon pod ręką, skieruj niewielką część ruchu do Carbon i rozszerzaj dopiero, gdy spełnia cele akceptacji i budżetu.
### 4. Oddziel wsparcie długiego wyjścia od zmiany modelu
Zacznij od żądań, które kończą się w jednej sekwencji pierwszoplanowej. Jeśli potrzebujesz kontynuacji, najpierw potwierdź, że CometAPI obsługuje wymagany endpoint i pola odpowiedzi. Sama zmiana nazwy modelu nie włącza workflow kontynuacji v1beta1 Google na bramce v1beta użytej w tym przewodniku. Trzymaj częściowe wyjście jako niekompletne, dopóki generowanie nie zakończy się normalnie.
## Podsumowanie
Użyj pierwszego udanego żądania jako punktu wyjścia do testu integracyjnego. Dodawaj tylko te typy wejścia i formaty odpowiedzi, których potrzebuje Twoja aplikacja, a następnie sprawdzaj kompletne wyjścia, obsługę błędów i koszt na reprezentatywnych zadaniach. Skieruj niewielką część ruchu przez nową integrację przed jej rozszerzeniem i trzymaj dostępną znaną działającą konfigurację na wypadek zmiany wyników.
## Najczęstsze pytania (FAQ) dotyczące Gemini 4 Carbon
### Jak duże jest okno kontekstu Gemini 4 Carbon?
Gemini 4 Carbon obsługuje ujednolicony limit kontekstu wejścia i wyjścia wynoszący 1 048 576 tokenów. Ten budżet obejmuje wejście, rozumowanie, wywołania funkcji i wygenerowane wyjście.
### Jakie są najsilniejsze benchmarki Gemini 4 Carbon?
Wybitne raportowane wyniki obejmują 88,2% na SEC-bench Pro, 54,8% na ExploitGym, 71,0% na CWE-bench i 96,2% na GraphWalks. Wyniki te podkreślają możliwości w obszarze cyberbezpieczeństwa, długiego kontekstu i agentowego rozumowania.
### Jak Gemini 4 Carbon wypada w porównaniu z Gemini 4 Argon?
Carbon znacznie poprawia wyniki względem Argon na kilku raportowanych benchmarkach, w tym Artificial Analysis Intelligence Index (59 vs. 50), SWE-sweep (9,6% vs. 4,3%) i SEC-bench Pro (88,2% vs. 83,4%). Jego głównym wyróżnikiem jest silniejsza wydajność w rozszerzonym rozumowaniu i złożonych zadaniach agentowych.
### Czy Gemini 4 Carbon jest lepszy niż Claude Opus 5.5?
Żaden model nie prowadzi we wszystkich benchmarkach. Carbon uzyskuje wyższe wyniki w Artificial Analysis Intelligence Index, Terminal-Bench 4.0, GraphWalks i ewaluacjach cyberbezpieczeństwa, podczas gdy Claude Opus 5.5 prowadzi w OSWorld-2.1 i FrontierSWE 2 w porównaniu opublikowanym przez Google.
### Jakie poziomy rozumowania obsługuje Gemini 4 Carbon?
Gemini 4 Carbon obsługuje poziomy LOW, MEDIUM i HIGH, z MEDIUM jako domyślnym. Deweloperzy mogą używać tych ustawień, aby równoważyć głębokość rozumowania, opóźnienie i zużycie tokenów.
### Czy Gemini 4 Carbon potrafi przetwarzać obrazy, audio i wideo?
Tak. Karta modelu wymienia tekst, obrazy, audio i wideo jako obsługiwane modalności wejścia. Udokumentowana modalność wyjścia to tekst.
### Jaki jest cutoff wiedzy Gemini 4 Carbon?
Listopadowa karta modelu Google z 2026 roku podaje marzec 2026 jako cutoff wiedzy. Model może zatem nie znać wydarzeń i rozwoju po tej dacie, chyba że zostaną dostarczone przez zewnętrzne narzędzia lub kontekst podany przez użytkownika.
Mogą występować halucynacje, okazjonalne timeouty i większe zużycie tokenów
