Gemini 4 Carbon 与 Argon 对比：该选哪个 Gemini 4 模型？
Gemini 4 Carbon 与 Argon 的请求格式和价格相同。我们通过 API 用相同的三个提示词测试两者，对比思考 token、延迟和答案。
以 Markdown 阅读交互式编程和快速迭代先用 Gemini 4 Argon；如果 Argon 的答案漏掉了你在意的内容，再把任务交给 Gemini 4 Carbon。这也是 Google 自己的建议：两款模型接受相同的请求，上下文都是 1,048,576 token，首发优惠价也相同。差别在于 Carbon 回答前会投入多少思考。
你能找到的大多数对比文章都是围绕 10 月 28 日的公告写的，当时只有一小批网络安全防御方能用 Carbon。2026 年 11 月 10 日，情况变了：Google 向所有付费 Gemini API 开发者开放了 Carbon。于是我们实际调用了它，再把相同提示词发给 Argon。
两者有哪些相同之处
Google 的迁移指南说得很直接：如果你已经在用 gemini-4-argon，“升级到 gemini-4-carbon 无需修改请求结构”。只改模型字符串，其他不动。
| Gemini 4 Carbon | Gemini 4 Argon | |
|---|---|---|
| 模型 ID | gemini-4-carbon | gemini-4-argon |
| 上下文窗口 | 1,048,576 token，由输入、思考和输出共用 | 相同 |
| 单次响应输出 | 流式 65,536，非流式 32,768 | 相同 |
| 长文本分段生成 | 通过续写最高可达 1M token | 相同 |
| 思考级别 | low、medium（默认）、high | 相同 |
| 输入 | 文本、图片、音频、视频、PDF | 相同 |
| 工具 | Search、Maps、代码执行、网址上下文、文件搜索、计算机操作、函数 | 相同 |
| 显式上下文缓存 | 不支持；仅支持隐式缓存 | 相同 |
两者都忽略 temperature、topP 和 topK，也都没有列出 minimal 思考级别（我们传入该值时，Carbon 返回了 HTTP 400）。如果你的代码能调用其中一个模型，发给另一个的请求也符合格式要求。
Google 说两者有什么区别
Google 将 Carbon 描述为“专为挑战推理深度极限的任务而构建”的模型。同一份指南还说，Carbon“每轮花费更多思考 token 来充分探索并验证自己的工作，因此与 Argon 相比，每轮 token 用量和延迟都会增加”。Google 为 Carbon 推荐的用途是根因调试、架构工作、高信息密度多模态内容的综合分析、证明和安全审计；为 Argon 推荐的则是“交互式编程、日常功能开发和快速的生产迭代”。
其余差异来自 Google 自己的公告，其中列出了 Carbon 更强的网络安全成绩、更少的无依据断言，以及更诚实的智能体行为。我们没有复现这些基准测试，因此不会把那些数字当作自己的实测结果复述。阅读 Google 的 Carbon 公告时，请记住这一点。
相同提示词测试：我们测到了什么
2026 年 11 月 11 日，我们通过 SeedRouter 的原生 Gemini 端点，向两款模型发送了三个答案已知的提示词。每次请求都使用 thinkingLevel: "medium" 和 maxOutputTokens: 8192，各尝试一次，不重试。输出一栏统计可见答案；思考一栏采用 thoughtsTokenCount 上报的值。
| 提示词 | 模型 | 答案正确 | 输出 token | 思考 token | 秒 |
|---|---|---|---|---|---|
| 1000! 的末尾零个数 | Carbon | 是（249） | 66 | 71 | 5.2 |
| 1000! 的末尾零个数 | Argon | 是（249） | 107 | 249 | 8.9 |
| x² − y² = 2026 的整数解 | Carbon | 是（无解，奇偶性证明） | 220 | 224 | 9.0 |
| x² − y² = 2026 的整数解 | Argon | 是（无解，两种证明） | 313 | 0 | 7.3 |
修复 Python top_k 错误 | Carbon | 是 | 37 | 392 | 18.4 |
修复 Python top_k 错误 | Argon | 是 | 32 | 0 | 7.0 |
有三点比较明显。
Carbon 并非每次都思考更多。 阶乘问题中，Argon 用了 249 个思考 token，Carbon 用了 71 个。另外两题中，Argon 给出了答案，但没有上报任何思考 token；Carbon 则分别用了 224 和 392 个思考 token。三个提示词合计，Carbon 计费输出为 1,010 token（答案加思考），Argon 为 701。在这个很小的样本中，Carbon 约多用 44%，总体方向与 Google 的说法一致，但并非每次如此。
这次测试中，思考没有改变答案。 两者三题全对，也用相同方式重写了函数：降序排序后取切片 [:k]。两者都没指出，原来的 ranked[-k:] 在 k 为 0 时同样会出错，因为 -0 就是 0，切片会返回整个列表。修正后的代码恰好也处理了这种情况。这类简单提示词无法说明 Carbon 额外的检查何时有价值，只能显示它的成本。
延迟随思考量变化，而非由模型名称决定。 Carbon 最慢的一次回答是代码修复（18.4 秒），也正是思考最久的一次。阶乘题中，它反而比 Argon 更快。
三个提示词无法证明模型质量，却能说明该怎么做自己的测试：找五个或十个 Argon 目前答错或需要再处理一遍的任务，以相同设置交给两款模型，对比每美元能得到多少正确答案，而不是每个答案用了多少 token。
费用：token 单价相同，每个答案的 token 用量不同
两款模型在 Gemini API 上的首发优惠价相同，因此实际费用差异来自 token 数量，主要是思考。Google 公布的每 1M token 首发优惠费率如下（核对于 2026 年 11 月 11 日），有效期至 2026 年 11 月 30 日：
| 截至 2026 年 11 月 30 日 | 自 2026 年 12 月 1 日起 | |
|---|---|---|
| 输入 | $2.00 | $4.00 |
| 输出，含思考 | $10.00 | $20.00 |
| 缓存输入 | $0.10 | $0.20 |
以上是 Google 定价页上的标价。下方是我们平台当前的 token 费率，同一分组内两款模型的费率相同：
Gemini 4 Carbon
美元 / 100 万 token
| 项目 | 美元 / 100 万 token |
|---|---|
| 输入 | US$0.90 |
| 输出（含思考） | US$4.50 |
| 缓存输入 | US$0.045 |
标准处理费率，不随上下文长度阶梯涨价。缓存输入仅按缓存费率计费一次。Search 和 Maps 的 grounding 费用与这些 token 费用分开计算。
Gemini 4 Argon
美元 / 100 万 token
| 美元 / 100 万 token | googlellm | googlellm-vertext |
|---|---|---|
| 输入 | US$0.90 | US$1.00 |
| 输出（含思考） | US$4.50 | US$5.00 |
| 缓存输入 | US$0.045 | US$0.05 |
缓存 token 属于输入的一部分，不是额外输入。每个续写请求有各自的用量，失败的请求不收费。
思考 token 按输出费率计费，因此即使单价相同，同一个任务若 Carbon 用了 400 个思考 token，而 Argon 没用思考 token，Carbon 的费用也会更高。如果将整个工作负载迁到 Carbon，要为更高的输出用量留预算，并把 maxOutputTokens 设得足够高，避免思考耗尽额度、截断答案。Google 建议至少设为 32,768。
如何将请求从 Argon 切换到 Carbon
修改 URL 中的模型：
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}}'生产环境测试中有两点实用经验。第一，可能耗时较长的任务都用流式请求。我们有一次非流式音频请求运行约两分钟，答案尚未返回，网络边缘就因等待超时返回了 HTTP 524；同一请求用流式则在 84 秒内正常完成。第二，将 thinkingLevel 保持在 medium，除非任务需要 high。我们的检查中，一道简单因数分解题在高思考级别下用了 493 个思考 token，中级别用了 193 个，答案相同。
完整请求参考见 Gemini 4 Carbon API 文档。你也可以在 Gemini 4 Carbon 页面和 Gemini 4 Argon 页面用自己的提示词试用两款模型。
常见问题
Gemini 4 Carbon 比 Argon 更好吗？
在 Google 的基准测试中是的，尤其是长周期智能体工作和安全任务。我们测试的三个简单提示词，两款模型都答对了，其中两题 Carbon 用了更多输出 token。优势要在难题上看；请测试 Argon 答错的那些任务。
Gemini 4 Carbon 和 Argon 有什么区别？
思考投入不同。请求格式、上下文窗口、工具、模态和首发优惠价都相同。Carbon 每轮投入更多思考来验证自己的工作，因此在难题上更慢，输出 token 用量也更多。
Gemini 4 Carbon 比 Argon 贵吗？
token 单价不更贵：两者发布时，Google 标价都是每 1M token 输入 $2、输出 $10。但按每个答案算，Carbon 通常更贵，因为它花费更多思考 token，而这些 token 按输出计费。
从 Gemini 4 Argon 切换到 Carbon，不改代码可以吗？
可以。Google 的指南说无需修改请求结构。将 gemini-4-argon 改成 gemini-4-carbon，再检查输出上限和超时设置。
Gemini 4 Carbon 会取代 Argon 吗？
不会。对于大多数软件和知识工作，Google 仍将 Argon 作为速度更快的选项，将 Carbon 用于最难的问题。两者都会继续提供。
