Gemini 4 Carbon vs Argon : quel modèle Gemini 4 choisir ?

Utilisez Gemini 4 Argon pour le code interactif et les cycles rapides, puis confiez une tâche à Gemini 4 Carbon quand la réponse d’Argon passe à côté d’un point qui compte pour vous. C’est aussi le conseil de Google : les deux modèles acceptent la même requête, partagent le même contexte de 1 048 576 tokens et ont été lancés au même prix de lancement. Ce qui change, c’est la quantité de raisonnement de Carbon avant sa réponse.

La plupart des comparatifs que vous trouverez datent de l’annonce du 28 octobre, quand seul un petit groupe de défenseurs en cybersécurité pouvait utiliser Carbon. Cela a changé le 10 novembre 2026 : Google a ouvert Carbon à tous les développeurs payants de l’API Gemini. Nous l’avons donc testé, puis avons soumis les mêmes prompts à Argon.

Ce qui reste identique

Le guide de migration de Google est clair : si vous utilisez déjà gemini-4-argon, « passer à gemini-4-carbon ne nécessite aucune modification du schéma de requête ». Vous changez la chaîne qui désigne le modèle, rien d’autre.

Les deux ignorent temperature, topP et topK, et aucun ne répertorie de niveau de raisonnement minimal (Carbon a renvoyé HTTP 400 lorsque nous l’avons envoyé). Si votre code fonctionne avec l’un, il envoie une requête valide à l’autre.

Les différences selon Google

Google décrit Carbon comme le modèle « conçu pour les tâches qui repoussent les limites de la profondeur du raisonnement ». Dans le même guide, Google précise que Carbon « consomme davantage de tokens de raisonnement par tour pour explorer en profondeur et vérifier son travail, ce qui augmente la consommation de tokens et la latence par tour par rapport à Argon ». Google destine Carbon au débogage des causes racines, aux travaux d’architecture, à la synthèse multimodale dense, aux démonstrations et aux audits de sécurité. Argon est destiné au « code interactif, au développement quotidien de fonctionnalités et aux cycles de production rapides ».

Le reste des différences provient de l’annonce de Google. Elle fait état, pour Carbon, de meilleurs résultats en cybersécurité, de moins d’affirmations non étayées et d’une plus grande honnêteté dans les tâches agentiques. Nous n’avons pas reproduit ces benchmarks et ne reprendrons donc pas leurs chiffres comme si nous l’avions fait. Gardez cela en tête en lisant l’annonce de Carbon de Google.

Mêmes prompts, deux modèles : nos mesures

Le 11 novembre 2026, nous avons envoyé trois prompts dont nous connaissions les réponses aux deux modèles, via le point de terminaison Gemini natif de SeedRouter. Chaque requête utilisait thinkingLevel: "medium" et maxOutputTokens: 8192, avec une seule tentative et aucun nouvel essai. La sortie correspond à la réponse visible ; le raisonnement correspond à ce que rapportait thoughtsTokenCount.

Trois points ressortent.

Carbon n’a pas toujours raisonné davantage. Sur la question de factorielle, Argon a consommé 249 tokens de raisonnement, contre 71 pour Carbon. Sur les deux autres, Argon a répondu sans aucun token de raisonnement rapporté, tandis que Carbon en a utilisé 224 et 392. Sur les trois prompts, Carbon a facturé 1 010 tokens de sortie (réponse et raisonnement), contre 701 pour Argon. Cela représente environ 44 % de plus sur ce tout petit échantillon : la tendance annoncée par Google se retrouve, mais pas dans chaque cas.

Le raisonnement n’a pas changé les réponses ici. Les deux modèles ont répondu juste aux trois questions. Ils ont réécrit la fonction de la même façon : tri décroissant, puis extraction de la tranche [:k]. Aucun n’a signalé que le code initial ranked[-k:] se comporte aussi mal lorsque k vaut 0, car -0 est simplement 0 et la tranche renvoie toute la liste. Le code corrigé gère ce cas au passage. Des prompts aussi faciles ne peuvent pas montrer où les vérifications supplémentaires de Carbon sont utiles ; ils montrent seulement leur coût.

La latence suivait le raisonnement, pas le nom du modèle. La réponse la plus lente de Carbon concernait la correction du code (18,4 secondes), celle où il a raisonné le plus longtemps. Sur la question de factorielle, il a été plus rapide qu’Argon.

Trois prompts ne prouvent rien sur la qualité. Ils indiquent en revanche comment mener votre propre test : prenez cinq ou dix tâches sur lesquelles Argon échoue actuellement ou a besoin d’un second passage, envoyez-les aux deux modèles avec les mêmes réglages, puis comparez le nombre de réponses correctes par dollar, plutôt que le nombre de tokens par réponse.

Coût : même prix par token, nombre de tokens par réponse différent

Les deux modèles ont été lancés au même prix de lancement de l’API Gemini. La différence à payer vient donc du nombre de tokens, surtout du raisonnement. Google affiche les tarifs de lancement suivants par 1M tokens (vérifiés le 11 novembre 2026), valables jusqu’au 30 novembre 2026 :

Ce sont les prix catalogue de Google, tirés de sa page des tarifs. Nos tarifs actuels par token figurent ci-dessous ; ils s’appliquent de la même manière aux deux modèles au sein d’un même groupe :

Les tokens de raisonnement étant facturés au tarif de sortie, une tâche où Carbon en utilise 400 et Argon aucun coûte plus cher avec Carbon, même à tarifs identiques. Si vous transférez toute une charge de travail vers Carbon, prévoyez une consommation de sortie plus élevée et réglez maxOutputTokens assez haut pour que le raisonnement ne coupe pas la réponse. Google suggère au moins 32 768.

Passer une requête d’Argon à Carbon

Changez le modèle dans l’URL :

curl "https://api.seedrouter.ai/v1beta/models/gemini-4-carbon:streamGenerateContent?alt=sse" \
  -H "Authorization: Bearer $SEEDROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"contents":[{"role":"user","parts":[{"text":"Review this migration plan for ordering mistakes."}]}],"generationConfig":{"thinkingConfig":{"thinkingLevel":"medium"},"maxOutputTokens":32768}}'

Deux remarques pratiques issues de nos tests en production. D’abord, utilisez le streaming pour tout ce qui risque de durer. L’une de nos requêtes audio sans streaming a tourné environ deux minutes avant de se terminer par HTTP 524 à la périphérie du réseau, avant l’arrivée de la réponse ; la même requête a fonctionné en streaming en 84 secondes. Ensuite, gardez thinkingLevel sur medium, sauf si une tâche exige high. Lors de nos vérifications, le raisonnement high sur une petite question de factorisation a consommé 493 tokens de raisonnement, contre 193 en medium, pour la même réponse.

La référence complète des requêtes figure dans la documentation API de Gemini 4 Carbon. Vous pouvez essayer les deux modèles avec vos propres prompts sur la page Gemini 4 Carbon et la page Gemini 4 Argon.

FAQ

Gemini 4 Carbon est-il meilleur qu’Argon ?

Sur les benchmarks de Google, oui, surtout pour les tâches agentiques longues et les travaux de sécurité. Sur nos trois prompts simples, les deux modèles ont répondu correctement, et Carbon a utilisé davantage de tokens de sortie sur deux d’entre eux. L’avantage apparaît sur les tâches difficiles ; testez celles sur lesquelles Argon se trompe.

Quelle est la différence entre Gemini 4 Carbon et Argon ?

L’effort de raisonnement. Le format de requête, la fenêtre de contexte, les outils, les modalités et le prix de lancement sont les mêmes. Carbon raisonne davantage par tour pour vérifier son travail ; il est donc plus lent et consomme plus de tokens de sortie sur les prompts difficiles.

Gemini 4 Carbon coûte-t-il plus cher qu’Argon ?

Pas par token : les deux ont été lancés à $2 en entrée et $10 en sortie par 1M tokens au catalogue de Google. Par réponse, Carbon coûte généralement plus cher, car il consomme davantage de tokens de raisonnement, facturés au tarif de sortie.

Peut-on passer de Gemini 4 Argon à Carbon sans modifier le code ?

Oui. Le guide de Google indique qu’aucune modification du schéma de requête n’est nécessaire. Remplacez gemini-4-argon par gemini-4-carbon et vérifiez votre limite de sortie et vos délais d’expiration.

Gemini 4 Carbon remplace-t-il Argon ?

Non. Google conserve Argon comme option plus rapide pour la plupart des tâches logicielles et intellectuelles, et positionne Carbon sur les problèmes les plus difficiles. Les deux restent disponibles.