Choose your path
使用 CometAPI 設定 Gemini 4 Carbon API。遵循 Python 與 REST 範例、驗證回應、分析 PDF 與圖片，並處理串流。
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)使用 Gemini 4 Carbon API in CometAPI 透過原生 Gemini 的 GenerateContent 介面，為你的應用加入推理與文件分析能力。先從短文字請求開始，確認生成已完成並儲存答案，再逐步加入 PDF 輸入、圖片、串流或結構化 JSON。本指南為每一步提供設定與回應處理的程式碼。
gemini-4-carbon。無免費層 — 需付費 Gemini API / Cloud Billing。low（快速/便宜）、medium（預設、均衡）、high（深度推理）。Gemini 4 Carbon 發佈視覺。圖片：Google。Original artwork。
Gemini 4 Carbon 是 Google 的前沿推理模型，面向長期代理式工作流程、複雜軟體工程、資安與科學研究。其建構於 Gemini 4 Argon 之上，透過更深層的推理與延展驗證迴圈，處理需要持續解題而非單次回覆的多步任務。與 Argon 相比，Carbon 針對更高要求的工作負載而設計，在這些場景中，正確性與任務完成度比盡量節省 token 更重要。Google 已於 2026-11-10 宣佈付費開發者存取。其多模態輸入支援可組合文字與視覺等媒體輸入；輸出為文字。CometAPI 提供折扣 API 存取。
在 API 整合上，先從一個可驗證結果的單一任務開始：摘要文件、從事件紀錄擷取欄位、或審查螢幕擷圖。一個更廣的代理工作流程可以在此工作請求運作良好後，再擴充已確認支援的工具與回應行為。
官方模型規格區分了共享的上下文預算與每個前景區段的輸出限制。這些是模型層級限制；你的閘道也可能施加請求大小與功能限制。
在擴充整合前，檢查 Carbon 如何處理上下文、生成設定、快取與存取。下表將每一限制與實務對策配對，幫助你避免無效請求、不完整結果與意料外成本。
| 區域 | 限制或要求 | 對開發者的影響 |
|---|---|---|
| 統一 token 預算 | 輸入與輸出共用 1,048,576 個 token，包含思考與函式呼叫。 | 在加入對話歷史或檔案前，預留輸出空間。 |
| 長解碼 | 單一前景區段在串流時允許最多 65,536 輸出 token，非串流時為 32,768； | 更長的生成需要續寫。 |
| 思考層級 | Low、Medium、High；預設為 Medium | 對 GenerateContent，傳送 LOW、MEDIUM 或 HIGH；MINIMAL 會被拒絕。 |
| 思考預算 | 舊版參數 thinking_budget 會被拒絕 | 從請求建構器中移除 thinking_budget，改用 Python 的 thinking_config.thinking_level，或 REST JSON 的 thinkingConfig.thinkingLevel。 |
| 取樣 | 自訂 temperature、top_p 與 top_k 會被忽略 | 使用 thinking_level 選擇推理深度，並使用 response_schema 要求結構化輸出。 |
| 上下文快取 | 支援隱式快取；不支援顯式建立快取 | 將可重複使用的上下文放在前面，變動的問題放在最後。移除顯式建立快取與 cached_content 相關呼叫。 |
| API 成本 | 思考 token 以輸出計費 | 同時計入思考與可見輸出。 |
| 資安存取 | 專門的資安存取受限 | 檢查是否有資格使用專門的 Fairwind 存取。標準 Carbon 存取本身不會授權更寬鬆的資安變體。 |
| 可靠性 | 可能出現幻覺、偶發逾時與較高的 token 使用量 | 驗證事實、程式碼與擷取欄位。 |
Google 的 Carbon 開發者指南記載 API 規範；其模型卡描述可靠性與專門存取限制。在生產啟用前，請先確認 CometAPI 路由的對應功能。
先從 MEDIUM 開始，依任務與所需品質再做調整。
更高的思考層級不會自動保證每個任務更好。請以你的工作負載進行基準，比較任務完成度、延遲與總 token 使用量，再變更生產預設。
| 基準測試 | 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） 與 Argon（High） 頁面顯示以下快照（檢查於 2026-11-12）。這些是基準結果，不代表 CometAPI 的延遲測量。
| 指標 | Carbon (High) | Argon (High) |
|---|---|---|
| Intelligence Index | 60 | 50 |
| 輸出速度 | 80 tokens/s | 65 tokens/s |
| 第一個答案 token 的等待時間 | 67.83 s | 37.64 s |
| 每個 Intelligence Index 任務時間 | 25.5 min | 30.0 min |
| 評估全程的輸出 token 總數 | 205M | 113M |
| 每個 Intelligence Index 任務成本 | $7.76 | $9.95 |
輸出 token 總數為整個評估，而非單次請求。任務成本使用 Artificial Analysis 的定價假設，而非 CometAPI 目前折扣。Carbon 雖然在第一個答案 token 前等待更久，但更快完成基準任務且報告成本更低；僅以 token 量無法決定價值。
當更深度的驗證能改進困難的程式碼審查、研究或其他錯誤代價高的工作時，使用 Carbon。將 Argon 用於日常程式與知識任務，但請以自身工作負載確認節省效果。用相同提示比較總花費（除以可接受結果數），並同時觀察完成時間與失敗率。
你需要一個擁有模型存取與足夠額度的 CometAPI 帳戶、Python 環境，以及基本的腳本執行能力。使用一個專案目錄放置下列檔案，以便每個示例共用相同的用戶端組態。
當你希望在一個提供者下管理存取與計費，同時評估 Carbon 與其他模型時，CometAPI 很有用。其 Carbon 路由同時提供原生 Gemini 的 GenerateContent 與相容 OpenAI 的 Chat 介面，你可以選擇適合應用的請求格式。
在本指南中，原生路由讓你以 CometAPI 金鑰與基底 URL 重用 Google Gen AI SDK。當前預設群組價格比 Google 導入價低 20%。將模型 ID 放在組態中，以便在不重寫應用情況下比較 Carbon 與 Argon；在加入工具、檔案上傳或長續寫前，請先確認路由支援。
登入 CometAPI，建立或開啟你的 API 金鑰，並將其存為環境變數。避免將金鑰直接放入原始碼或提交至版本庫。
使用適合你 Shell 的指令。在你將執行 Python 的同一個終端設定變數；以你的金鑰替換佔位字串。
在 PowerShell 設定金鑰與模型。
$env:COMETAPI_KEY = "YOUR_COMETAPI_KEY"
$env:COMETAPI_MODEL = "gemini-4-carbon"
在 Bash 設定金鑰與模型。
export COMETAPI_KEY="YOUR_COMETAPI_KEY"
export COMETAPI_MODEL="gemini-4-carbon"
在你的專案環境安裝 SDK。使用 python -m pip 讓安裝程式綁定到將執行示例的詮釋器。
安裝或更新 Google Gen AI SDK。
python -m pip install --upgrade google-genai
CometAPI 文件提供原生 Gemini 端點與自訂 SDK 基底 URL。對此端點使用你的 CometAPI 金鑰。以下設定適用於 GenerateContent 請求。
| 設定 | 值 |
|---|---|
| SDK | google-genai |
| Base URL | https://api.cometapi.com |
| API 版本 | v1beta |
| REST 認證標頭 | x-goog-api-key |
| 金鑰環境變數 | COMETAPI_KEY |
| 模型環境變數 | COMETAPI_MODEL |
| 模型 ID | gemini-4-carbon |
將以下設定儲存為 carbon_client.py。它定義一次 client，並提供本指南用於純文字回應的 completed_text。此輔助函式會檢查候選的完成原因，避免將空或被截斷的結果誤判為成功。
建立 carbon_client.py，包含 CometAPI client 與文字回應驗證器。
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
在 carbon_client.py 同層建立 first_request.py 並加入下列程式碼。它使用 MEDIUM 思考與 4,096 的輸出預算傳送簡短清單提示，透過 completed_text(response) 檢查完成，並將答案以 UTF-8 儲存為 answer.txt。於專案目錄執行 python first_request.py，然後開啟 answer.txt，確認五個檢視點皆具參考價值。檢查列印的使用量中繼資料以了解 token 消耗（包含思考）；正常完成不代表答案品質即合格。若請求失敗或回傳不完整輸出，請先至疑難排解章節檢查認證、錯誤細節與完成原因，再重試。
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
## Gemini 4 Carbon API 如何分析檔案？
從與 carbon_client.py 相同的目錄執行這些示例。它們將本機檔案載入為內嵌內容片段，讓初始流程不依賴獨立的檔案上傳服務。
PDF 理解包含視覺內容：Gemini 能同時解讀文字、表格、圖表與圖片。[Google 的文件處理指南](https://ai.google.dev/gemini-api/docs/document-processing)說明支援最多 1,000 頁的 PDF，仍受檔案大小與上下文限制。頁數係上限，並不保證每個文件都能適配某個閘道的請求。
小型、暫時性 PDF 建議用內嵌輸入。對於較大的檔案或多輪提問，Google 建議使用 Files API 以避免重複傳送完整檔案。在經由 CometAPI 使用該流程前，請先確認其上傳端點與檔案引用支援；以下內嵌示例仍是實務上的起點。
### 摘要本機 PDF
Google 為 GenerateContent 記載了[內嵌 PDF 輸入](https://ai.google.dev/gemini-api/docs/document-processing)。將一份小型、非敏感的 report.pdf 放入專案目錄，儲存以下為 analyze_pdf.py，並執行 python analyze_pdf.py。
傳送本機 PDF 並儲存完成的摘要。
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)
在擴充到更大文件前，請先將摘要與原檔比對。請求大小限制與檔案引用支援取決於閘道。Google 對 Office 格式或 Cloud Storage 引用的支援，並不代表你的 CometAPI 路由就支援這些輸入。
### 審查本機螢幕擷圖
對於[內嵌影像輸入](https://ai.google.dev/gemini-api/docs/image-understanding)，MIME 類型需與檔案匹配。將名為 screen.png 的 PNG 擷圖放在腳本旁。將以下儲存為 analyze_image.py 並執行 python analyze_image.py，以檢視可見文字與版面。
不依賴公開圖片 URL，分析一張 PNG 擷圖。
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))
將每個回報的問題與擷圖比對。若改傳 JPEG，請同時更改檔名與 MIME 類型；僅改附檔名不會轉換影像格式。
## 如何串流 Gemini 4 Carbon 的回應？
### 顯示串流文字並檢查完成狀態
串流以伺服器傳送事件（SSE）回傳回應片段，使應用在生成持續進行時可顯示部分輸出。
SDK 透過 generate_content_stream 提供[文字串流生成](https://ai.google.dev/gemini-api/docs/text-generation)。若直接用 HTTP，CometAPI 使用 streamGenerateContent 並設定 alt=sse。
將以下儲存為 stream_response.py 並執行 python stream_response.py。它會即時顯示收到的文字，最後驗證串流是否以正常完成原因結束。若拋出例外，畫面上已顯示的文字屬部分結果，不視為可接受答案。
讀取串流文字並要求正常完成後才接受。
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}")
### 萃取結構化 JSON
對於[受架構約束的輸出](https://ai.google.dev/gemini-api/docs/structured-output)，請求 application/json，並定義應用預期的欄位。以下示例從一段簡短事件紀錄中擷取兩個欄位，然後檢查其型別，再輸出結果。
將以下儲存為 structured_output.py 並執行 python structured_output.py。它會在解析 JSON 前重用回應驗證器。
萃取事件欄位、檢查完成、驗證欄位型別。
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))
你應收到包含 service 與 impact 的物件。架構相容不代表事實正確：請將擷取值與輸入比對，並在儲存或採取行動前套用你的商務規則。
## Gemini 4 Carbon API 價格
Google 的[導入定價](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/)至 2026-11-30；標準費率自 12/1 生效。請在規劃後續預算前，先檢查你帳戶的即時費率。
兩者皆屬 Gemini 4 家族，但鎖定不同工作負載。
| API 定價層級 | 每 100 萬 token 的輸入 | 每 100 萬 token 的輸出 |
| ----------------------- | ---------------------- | ---------------------- |
| Standard（至 11/30） | $2.00 | $10.00 |
| Standard（12/1 起） | $4.00 | $20.00 |
| Batch（至 11/30） | $1.00 | $5.00 |
| Batch（12/1 起） | $2.00 | $10.00 |
| Flex（至 11/30） | $1.00 | $5.00 |
| Priority（至 11/30） | $3.60 | $18.00 |
其他定價細節：
* 快取輸入：至 11/30 為每百萬 token $0.10，12/1 起為 $0.20。
* Batch 與 Flex 為能容忍其服務特性的工作負載提供較低成本處理。
* 思考 token 以輸出 token 計費。
* 內部工具指令與函式宣告消耗的 token 亦可能計費。
Google 明確建議多數軟體工程與知識工作使用 Argon，將 Carbon 保留給需要更深推理與延展驗證的任務。
實務建議：當錯誤結果代價高、或任務需要大量探索與驗證時選擇 Carbon；當你需要以更有效率的 token 預算獲得強勁推理時選擇 Argon。
### CometAPI 價格
截至 2026-11-12，[CometAPI 預設群組價目](https://www.cometapi.com/models/google/gemini-4-carbon/)為每百萬輸入 token $1.60、每百萬輸出 token（含思考）$8.00、快取命中每百萬快取輸入 token $0.08。這些費率比 Google 導入價低 20%。
CometAPI 定價可能隨 Google 官方費率變動。請比較當前官方費率與你帳戶折扣，而不要將今日價格視為永久。若同樣維持 20% 折扣，你的費率為新官方價 × 0.80；在預算前請確認實際 CometAPI 費率。其他帳戶群組的折扣可能不同。
一次含 100,000 個未快取輸入 token 與 10,000 個輸出 token（含思考）的請求，在上述 CometAPI 費率下，僅 token 成本為 $0.24：輸入 $0.16 加輸出 $0.08。相同數量在 Google 導入價為 $0.30，在 12 月費率為 $0.60。合計 110,000 個 token 符合模型共享預算。
此估算不含工具、重試與任何帳戶特定調整。輸出成本包含思考 token，因此較高的思考層級即使可見答案很短也會提高費用。
### 如何最佳化 Gemini 4 Carbon API 成本？
最佳化「正確且可用結果的成本」。若必須重做或手動修補，較便宜的請求也不划算。
1. 有意識地選擇推理層級。從 MEDIUM 起步，對單純工作測試 LOW；在確定品質提升足以抵銷額外時間與 token 後再使用 HIGH。
2. 透過隱式快取重用穩定上下文。Google 的 [Argon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-argon) 與 [Carbon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-carbon) 流程不支援顯式建立上下文快取；支援隱式快取。將可重複的說明與文件放前面、變動問題放最後。Google 記載至少 4,096 token 的共同前綴有機會共享。請在你的 CometAPI 路由驗證實際快取命中與計費；重複不保證折扣。
3. 減少不必要工作。傳送相關頁面或節錄、只請求所需輸出欄位、並設定足夠的輸出預算。思考計入輸出使用量，過小上限易導致截斷與重試。
4. 度量整個工作流程。包含推理、工具使用、重試與被拒答案在總花費中。儲存有效回應，以免下游儲存失敗引發再次生成。
5. 以實證價值決定路由。以相同任務比較 Carbon 與 Argon。僅在提供者支援且工作負載能容忍其處理特性時，才考慮 Batch 或 Flex。
追蹤每個可接受結果的成本 = 總流程花費 ÷ 可接受結果數。於變更模型、提示或思考層級後，與延遲與品質一併回顧。
## 應使用哪種 Gemini 4 Carbon API 介面？
開發者可透過原生 Gemini API 與相容 OpenAI 的 Chat API，使用 [Gemini 4 Carbon API in CometAPI](https://www.cometapi.com/models/google/gemini-4-carbon/)。請選擇符合你應用請求格式與功能需求的介面。
| 介面 | 適用時機 | 整合檢查 |
| ----------------------------- | --------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------- |
| 原生 Gemini GenerateContent | 本指南的 Python 與 REST 示範；已使用 contents 與 generationConfig 的應用 | 使用上方所示的 Gemini 基底 URL 與欄位名稱 |
| 相容 OpenAI 的 Chat API | 已以聊天訊息結構化的既有應用 | 在調整程式碼前，檢查 Carbon 路由的端點、欄位與支援功能 |
相容性與特定端點與請求結構相關。不要將 OpenAI Responses 的欄位送至原生 Gemini 端點，或假設相容 Chat 的路由同時實作 Responses。啟用工具的應用需要從函式呼叫到對應結果的完整迴路，而不只是成功的文字提示。
## 如何從 Gemini 4 Argon 遷移到 Gemini 4 Carbon API？
若你的 Argon 應用已使用 CometAPI 的原生 Gemini GenerateContent 路由，先將組態中的模型改為 gemini-4-carbon。第一次比較時，保持金鑰、基底 URL、提示與驗證邏輯不變。 [Argon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-argon) 與 [Carbon](https://docs.cloud.google.cn/gemini-enterprise-agent-platform/models/guides/gemini-4-carbon) 共享許多 Gemini 4 的請求慣例；只有在仍殘留舊參數時，才需要清理。
### 1. 變更模型並進行受控比較
在本指南的設定中，將 COMETAPI_MODEL 從 gemini-4-argon 改為 gemini-4-carbon，然後重啟 Python 程序以重新載入變數。兩個模型都用相同的代表性提示與思考層級。以下獨立示例重用 carbon_client.py 並明確選擇 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. 檢查請求設定與對話歷史
在 GenerateContent 保持 LOW、MEDIUM 或 HIGH。移除任何殘留的 thinking_budget、MINIMAL 或顯式 cached_content 使用。不要倚賴 temperature、top_p 或 top_k 來控制結果。移除 frequency_penalty、presence_penalty 與 candidate_count 大於 1 的值。若你呼叫工具，請保留對應的函式呼叫 ID、名稱與回應順序。這些是相容性檢查，而非 Argon 新移除的功能。
### 3. 發佈前驗證品質、成本與延遲
將相同測試集送入兩個模型。檢查任務成功、JSON 驗證、工具執行、完整完成、計費 token 與耗時。保留 Argon 組態、先導入少量流量至 Carbon，僅在符合驗收與預算目標後再擴大。
### 4. 將長輸出支援與模型切換分離
先從能在單一前景區段完成的請求開始。若需要續寫，先確認 CometAPI 是否支援所需端點與回應欄位。僅更改模型名稱並不會在本指南的 v1beta 閘道上啟用 Google 的 v1beta1 續寫流程。在生成正常完成前，將部分輸出視為未完成。
## 結論
以第一個成功請求作為整合測試的起點。只加入你的應用需要的輸入型態與回應格式，然後在代表性任務上檢查完整輸出、錯誤處理與成本。先將少量流量導入新整合，再逐步擴大；若結果有變，保留可用的既有組態以供回退。
## Gemini 4 Carbon 常見問答
### Gemini 4 Carbon 的上下文視窗有多大？
Gemini 4 Carbon 支援 1,048,576 個 token 的統一輸入與輸出上下文限制。此預算包含輸入、推理、函式呼叫與生成輸出。
### Gemini 4 Carbon 最強的基準是哪些？
其突出的報告結果包含 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%、GraphWalks 96.2%。這些結果凸顯其在資安、長上下文與代理式推理的能力。
### Gemini 4 Carbon 與 Gemini 4 Argon 如何比較？
在多項報告基準上，Carbon 較 Argon 有明顯提升，包括 Artificial Analysis Intelligence Index（59 vs. 50）、SWE-sweep（9.6% vs. 4.3%）、SEC-bench Pro（88.2% vs. 83.4%）。其主要差異在於更強的延展推理與複雜代理任務表現。
### Gemini 4 Carbon 比 Claude Opus 5.5 更好嗎？
沒有單一模型在所有基準都領先。Carbon 在 Artificial Analysis Intelligence Index、Terminal-Bench 4.0、GraphWalks 與資安評估上得分較高，而 Claude Opus 5.5 則在 OSWorld-2.1 與 FrontierSWE 2（Google 的比較）領先。
### Gemini 4 Carbon 支援哪些思考層級？
Gemini 4 Carbon 支援 LOW、MEDIUM 與 HIGH，預設為 MEDIUM。開發者可運用這些設定在推理深度、延遲與 token 消耗間取得平衡。
### Gemini 4 Carbon 能處理影像、音訊與影片嗎？
可以。其模型卡列出支援文字、影像、音訊與影片作為輸入模態；輸出模態為文字。
### Gemini 4 Carbon 的知識截斷時間？
Google 於 2026 年 11 月的模型卡列出 2026 年 3 月為知識截斷。之後的事件與進展，除非透過外部工具或使用者提供的上下文補充，模型可能不了解。
| RiemannBench |
| 80.00% |
| 76.00% |
| 72.00% |
| 69.60% |