SolutionsChoose your path
For individualsBuild, learn, and create with simple usage-based access. For businessScale teams, billing, governance, and model workflows. ai-comparisons/CometAPI 研究
Gemini 4 Carbon 與 Gemini 4 Argon：基準測試、定價，以及該如何選擇
就基準測試、程式編碼、資安、上下文視窗、API 定價、速度與可用性，比較 Gemini 4 Carbon 與 Gemini 4 Argon。
Deon GoodwinAI 模型與 API 研究團隊 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)
TL;DR
Google 於 2026 年 10 月 28 日宣布推出 Gemini 4 Carbon，在程式設計、長上下文推理與資安方面公布的結果均較 Gemini 4 Argon 更強。對開發者而言，近期的選擇取決於可用性：Argon 可透過付費的 Gemini API 使用，而 Carbon 仍處於受限發布階段。本文比較它們的基準測試、API 規格、速度與定價，協助你判斷現在要部署哪一個，以及何時評估 Carbon。
Key Takeaways
- 效能：在 Artificial Analysis Intelligence Index v5.0 上，Carbon 得分 59，相較 Argon 的 50。不同基準測試的提升幅度各異：SWE-sweep 提升 5.3 個百分點，GraphWalks BFS F1 提升 12.0 個百分點。
- API 規格：Argon 文件化了一個 1,048,576-token 的統一視窗，由輸入、thinking 與輸出共用。Carbon 的公開 API 限制與工具支援尚未公布。
- 定價：兩者皆宣布導入期費率為每 100 萬個輸入 token 2 美元、每 100 萬個輸出 token 10 美元。Argon 的優惠至 2026 年 11 月 30 日；Carbon 的導入期結束日期尚未公布。
- 升級決策：評估 Carbon 時，請比較任務接受率、端到端延遲，以及每個被接受結果的成本。更高的基準分數本身不足以顯示切換是否能提升你的應用表現。
Gemini 4 Carbon vs Gemini 4 Argon: Overview and Specifications
先做部署決策：Argon 具備你現在即可使用的已文件化 API，而 Carbon 公布了更強的結果，但初期存取受限。
Gemini 4 Carbon 著重於高強度工程與防禦性資安工作流程，初期僅提供給特定合作夥伴。Gemini 4 Argon 可透過付費的 Gemini API 使用，涵蓋推理、程式設計、科學問題求解與代理工作流程。下表比較其 API 規格與已宣布的能力。
Context, Reasoning, and API Specifications
Argon 提供了已發布的開發者規格。Carbon 公布了評估結果，但這些結果並不能確立未來公開 API 的確切限制或工具支援。共享家族品牌或更高分數也無法證明兩者採用相同的架構。
|
| Model positioning | Frontier reasoning, cybersecurity, long-horizon agents | Frontier reasoning, coding, science, agents |
| Public API model ID | Not announced | gemini-4-argon |
| Context window | 1M tokens reported by Artificial Analysis; official API limit not documented | 1,048,576 tokens shared by input, thinking, and output |
| Maximum output | Not officially documented | 65,536 default synchronous limit; long decode up to the remaining unified window |
| Input modalities | Multimodal capability demonstrated; complete API specification pending | Text, image, audio, video, PDF |
| Output modalities | Public API specification pending | Text |
| Reasoning levels | Not officially documented | Low, medium, high |
| Function calling and code execution | Public API support not confirmed | Supported |
| Computer use | Public API support not confirmed | Preview |
| Context caching | Announced pricing discount; implementation details pending | Implicit caching |
| Public developer access | Not yet broadly available | Available |
Argon 的 1,048,576-token 視窗由輸入、thinking 與生成輸出共用，因此較大的輸入會壓縮可用的生成空間。其預設生成預算為 65,536 token（包含 thinking 與輸出）。更長的生成會使用長解碼（long decode），在延續步驟中重新處理先前的上下文，並增加輸入 token 計費；重複的上下文可能符合隱式快取折扣。
使用 Interactions API 時，較長的生成需要背景模式與更高的 max_output_tokens 設定。使用 GenerateContent 時，客戶端必須自行管理續傳請求。
Carbon 在公布的比較中領先 Argon，但優勢的大小與意義因任務類型而異。
Official Benchmark Results and Test Conditions
Google 的已發布的比較顯示 Carbon 在下列 17 項中全部領先。它結合了 Google 執行的評估，以及外部評估者與基準榜單的分數；這並非宣稱 Google 獨立執行了每一項測試。
評估方法通常使用最高的 thinking 設定與 pass@1，除非基準另有規定。代理腳手架、任務子集與分數定義各異，因此不同基準之間的百分比不可互相比擬。
|
| Artificial Analysis Intelligence Index v5.0 | 59 | 50 | +9 points |
| Vals Index v2.2 | 70.4% | 69.2% | +1.2 pp |
| SWE-sweep | 9.6% | 4.3% | +5.3 pp |
| FrontierSWE 2 | 61.2% | 55.0% | +6.2 pp |
| Terminal-Bench 4.0 (AA) | 65.2% | 57.1% | +8.1 pp |
| Agents' Last Exam v1.1 | 77.4% | 69.0% | +8.4 pp |
| OSWorld-2.1 (offline subset) | 81.5% | 74.7% | +6.8 pp |
| AutomationBench (Zapier) | 53.9% | 51.3% | +2.6 pp |
| Vending-Bench 2 (bank balance) | $16,484 | $13,718 | +$2,766 |
| Chartography | 72.5% | 71.6% | +0.9 pp |
| Blueprint-Bench 2 | 58.6% | 54.4% |
pp = 百分點。Vending-Bench 2 回報的是模擬的銀行餘額，而非準確率。
- GraphWalks：256K–1M 子集包含 200 題，回報的是 BFS F1，而非一般的準確率。
- Agents' Last Exam：Google 使用 122 項任務的 v1.1 集合、ALE-Claw 框架、五小時限制，並啟用了安全過濾器。
- OSWorld：所報數字使用 82 項任務的離線子集、1080p 螢幕截圖、500 步上限，並取三次單次嘗試的最大值。這不代表完整的線上基準。
在 Terminal-Bench 4.0 上，Carbon 得分為 65.2%，Argon 為 57.1%，領先 8.1 個百分點。該基準測試命令列工作與多步驟技術問題求解。
在 SWE-sweep 上，Carbon 為 9.6%，Argon 為 4.3%，領先 5.3 個百分點，且分數超過兩倍。
相對提升顯著，但絕對表現仍低於 10%。Carbon 更強，但尚非能在每個困難的軟體工程任務上普遍可靠。
實務上值得評估的候選包括整個儲存庫範圍的除錯、程式碼遷移，以及涉及重複使用工具與驗證的任務。對生產程式碼庫而言，通過你自己的測試比從不同基準外推成功率更有參考價值。
Multimodal and Long-Context Performance
在 GraphWalks 256K–1M BFS F1 評估中，Carbon 得分 96.2%，Argon 為 84.2%，領先 12 個百分點。這使長文件綜合與儲存庫分析成為值得評估的實務候選。檢索品質、文件結構，以及各端點的實際限制仍會影響結果。
在 Chartography 上，Carbon 為 72.5%，Argon 為 71.6%，領先 0.9 個百分點。在 Blueprint-Bench 2 上，Carbon 為 58.6%，Argon 為 54.4%，領先 4.2 個百分點。這些視覺理解結果支持測試文件與圖表工作流程，但 Carbon 未來公開 API 所支援的輸入格式仍待確認。
Cybersecurity and Agent Reliability
這些資安結果涵蓋發現、利用驗證與修補：Carbon 在 SEC-bench Pro 為 88.2%，ExploitGym 為 54.8%，CWE-bench 為 71.0%。其相對於 Argon 的最大優勢出現在 ExploitGym，達 12.8 個百分點。
資安評估條件很重要：SEC-bench Pro 使用 183 項任務的 2026 年 5 月 JavaScript 引擎分割；ExploitGym 使用離線、單次嘗試的代理設定，且關閉了緩解機制。Google 回報的是不含部署防護措施的外部資安評估；這些分數不代表未受限制的 API 行為。
對長時間運作的代理而言，實用的模型還必須如實回報失敗，並遵守授權任務的界限。Google 回報在 Terminal-Bench 4.0 上觀察到的成功作弊率為 0.0%，而作弊嘗試率為 0.4%。其內部評估也發現相較 Argon，有較少的無依據聲稱，以及較低的越權與服務不足率。這些是特定評估情境下的觀察，並非適用於所有應用的保證。
實務上，在評估任一模型的防禦性資安工作時，請保留權限檢查、隔離執行、修補審核與獨立驗證。
Speed and Latency
|
| Output throughput | 約 102 tokens/s | 約 82 tokens/s |
| Time to first token | 約 100 s | 約 47 s |
| Output tokens per evaluated task | 約 123K | 約 116K |
| Reasoning tokens per evaluated task | 約 72K | 約 68K |
這些第三方量測描述的是評估者的測試組態，並非你的 API 部署的延遲或吞吐量保證。隨著評估者更新結果與 Google 擴大 Carbon 存取，這份比較可能會改變。
Carbon 較高的 token 生成速率與更長的首個 token 延遲，反映了請求中不同階段。對聊天介面而言，輸出開始前的等待可能主導體驗；對自動化工作而言，請同時評估端到端完成時間與成功率。吞吐量本身不足以決定哪個模型能更快完成有用的任務。
Gemini 4 Carbon vs Gemini 4 Argon: Cost
請分別比較官方 token 費率與供應商計費，接著計算每個被接受結果的成本。即使公布的 token 價格相同，當 thinking、失敗嘗試與工具使用不同時，帳單仍可能不同。
API Pricing by Provider
兩者在 Google 的導入期 token 費率相同。CometAPI 列出 Argon 的不同費率；本比較未確認 Carbon 的 CometAPI 價格。以下所有供應商價格均反映本文於 2026 年 10 月 29 日的快照。
|
| Google | Introductory input / 1M tokens | $2.00 | $2.00 |
| Google | Introductory output, including thinking / 1M tokens | $10.00 | $10.00 |
| Google | Introductory cached input / 1M tokens | $0.10 | $0.10 |
| Google | Subsequent input / 1M tokens | $4.00 | $4.00 |
| Google | Subsequent output, including thinking / 1M tokens | $20.00 | $20.00 |
| Google | Subsequent cached input / 1M tokens | $0.20 | $0.20 |
| Google | Introductory period | End date not announced | Through November 30, 2026 |
| Google | Public production access | Restricted rollout | Available |
| CometAPI | Ordinary input / 1M tokens | Not confirmed | $1.60 |
| CometAPI | Ordinary output / 1M tokens | Not confirmed | $8.00 |
Argon 在 Google 的導入期至 2026 年 11 月 30 日結束，12 月 1 日起適用後續費率。Carbon 目前無導入期結束日期的公告。其快取輸入數字係由宣布的 95% 折扣推算；實作與適用細節仍待確認。
在估算帳單前，請確認你所選供應商與帳戶的費率、快取規則、長上下文計費與工具支援。Google 宣布的 Carbon 費率並不代表 CometAPI 的 Carbon 價格。
Cost Example: 1,000 Requests
對於每次請求包含 100,000 個輸入 token 與 25,000 個計費輸出 token（包含 thinking token）的情境，導入期標準費率為：
- 輸入：100,000 × $2 / 1,000,000 = $0.20。
- 輸出（含 thinking）：25,000 × $10 / 1,000,000 = $0.25。
- 總計：每次請求 $0.45，或 1,000 次相同請求共 $450。
在後續費率下，相同任務的成本為 $0.90。若 25,000 僅描述最終可見答案，請在估算前加上任何會另外計費的 thinking token。本範例不含 grounding、外部工具與其他服務費用。
以所示的 CometAPI Argon 費率，具有 100,000 個輸入與 25,000 個計費輸出的請求成本為 $0.16 + $0.20 = $0.36，或 1,000 次相同請求共 $360。此估算不含快取效果、重試與其他服務費用；也不估算透過 CometAPI 部署 Carbon 的成本。
每個被接受任務的成本 = 模型與工具總支出 ÷ 被接受的任務完成數。請在測試前定義接受標準，將失敗嘗試與重試納入支出，並將人工審查時間另外記錄。
Where Can You Access Gemini 4 Carbon and Gemini 4 Argon?
Official Provider Access
截至 2026 年 10 月 29 日，Argon 可透過 Gemini API 與 Google AI Studio 使用。Carbon 初期僅限特定的資安防守者與受信任合作夥伴；尚未確認廣泛開放的開發者端點與更廣的發布日期。請先從你的帳戶已啟用的路徑開始，並檢查其模型識別碼與支援功能。
開始使用時，建立 CometAPI API 金鑰，選擇 gemini-4-argon 模型，並將你的應用程式設定為使用該供應商文件化的聊天端點。先以具代表性的文字請求起步，檢視回應，並在擴大工作量前檢查用量與計費。
CometAPI 採用其自有的計費費率。請確認你計畫使用的路徑對工具、thinking 控制與長回應的支援。相容的聊天介面並不代表支援所有原生 Gemini 功能。
截至 2026 年 10 月 29 日，Carbon 在 CometAPI 的可用性與生產模型識別碼尚未確認。請維持 Argon 的運行，僅在供應商文件化了 Carbon 存取且你的整合通過相關檢查後再切換。
Should You Choose Gemini 4 Carbon or Argon?
|
| An application shipping now | Argon | Task acceptance rate, endpoint behavior, and operating cost |
| Complex debugging or code migrations | Evaluate Carbon when access is available | Repository tests, review quality, and retries |
| Authorized vulnerability research | Evaluate Carbon within the permitted access program | Security controls, finding validity, and patch correctness |
| Large-document or codebase analysis | Argon baseline; Carbon candidate | Evidence accuracy and omissions across identical source inputs |
| An interactive user interface | Benchmark the available Argon endpoint first | First-token delay and total time under real traffic |
Choosing a Starting Point and an Upgrade Candidate
當你需要現在就部署時，選擇 Argon。其可用的 API 與文件化的上下文、模態與工具，讓你能測試完整的應用，包括延遲與成本。
當有存取權且工作內容值得時，再評估 Carbon。優先考慮困難的儲存庫變更、長上下文綜合，或授權的防禦性資安任務。當它在你的延遲與預算限制內，能帶來更多被接受的修補或發現、較少重試、或較少審查工作時再升級。
An Argon Baseline and Carbon Upgrade Path
在維持 Argon 工作流程運行的同時，建立一組固定的代表性任務。當 Carbon 可透過受支援的路徑存取時，使用相同的任務、相當的工具權限與接受標準進行測試。不要對受限或未文件化的端點建立自動切換；僅在確認相容性與工作負載結果後再做路由決策。
Production Evaluation
比較模型時請保持評估集固定。記錄模型版本、thinking 設定、提示詞、工具權限、token 使用量、首個 token 延遲、總時長，以及結果是否通過審查。較高的基準分數有助於決定要測試什麼；上線決策應以你工作負載上的結果為依據。
- 同時包含例行請求與失敗成本高的困難案例。
- 重複任務並交替模型順序，以降低一次性結果的影響。
- 量測整個工作流程中的延遲中位數與尾端延遲、token 使用、重試次數與被接受結果。
- 根據可觀察的驗證結果設定重試上限與升級條件。
Conclusion
有用的升級是能改善你完成工作的那一個。選擇一小組代表性任務，定義可接受結果的標準，並同時衡量模型與審查成本。當你的帳戶取得 Carbon 存取時，使用同一組任務即可看出其基準優勢是否能轉化為足夠的價值，值得你切換。
FAQ
Can an Argon prompt be reused unchanged with Carbon?
它可以作為評估的起點，但並不能證明 API 行為相容。請在存取可用時，保持任務與接受標準一致，並驗證 Carbon 已文件化的模型識別碼、請求結構、工具格式與限制。提示詞重用與整合相容性是兩個不同的問題。
Should reasoning settings be matched when comparing the models?
在端點提供可比控制的情況下請對齊，並記錄任何差異。Google 的最高 thinking 基準結果描述的是特定的評估設定；這並不能預測以 Argon 預設中等設定部署時的品質或延遲。Argon 的 thinking 控制提供低、中、高等級，因此請同時比較能滿足應用接受門檻的最低設定，以及一組追求最高品質的設定。
Can a benchmark lead establish a production service guarantee?
不能。基準測試的表現無法確立端點的可用性承諾、區域可用性、資料處理條款或支援安排。請另外與你的供應商檢視這些條件，並在依賴任一模型處理關鍵工作流程前，測試預期的請求大小與流量型態。
| GraphWalks, 256K–1M (BFS F1) | 96.2% | 84.2% | +12.0 pp |
| RiemannBench | 80.0% | 76.0% | +4.0 pp |
| Terminal-Bench-Science 0.1 | 64.8% | 52.9% | +11.9 pp |
| CWE-bench | 71.0% | 68.0% | +3.0 pp |
| ExploitGym | 54.8% | 42.0% | +12.8 pp |
| SEC-bench Pro | 88.2% | 83.4% | +4.8 pp |
Gemini 4 Carbon 與 Gemini 4 Argon：基準測試、定價，以及該如何選擇 - CometAPI
