Gemini 4 Carbon vs Grok 4.7 : la grille tarifaire annonce 3x, la facture ne dit rien

Gemini 4 Carbon est affiché à 10 $ par million de jetons de sortie. Grok 4.7 est affiché à 6 $. Sur les deux chiffres que toutes les pages tarifaires mettent en gras, Carbon coûte deux tiers de plus pour parler et deux fois plus pour lire, et la conclusion évidente est que Grok 4.7 est le choix au meilleur rapport qualité-prix. Puis vous mesurez ce que coûte une tâche terminée, et les deux modèles arrivent à un centime d'écart : 7,76 $ pour Gemini 4 Carbon contre 7,77 $ pour Grok 4.7 sur l'Intelligence Index d'Artificial Analysis. Pour la même facture, vingt-cinq points d'indice de capacité les séparent. C'est tout l'argument de cette comparaison, et ce n'est pas un argument que la grille tarifaire de l'un ou l'autre fournisseur peut vous montrer.

Le calendrier importe pour la façon dont vous lisez la suite. Gemini 4 Carbon est devenu appelable sur l’API Gemini payante le 10 novembre 2026, douze jours après que Google l’a annoncé à une cohorte fermée. Grok 4.7 a été livré par xAI le 21 septembre 2026 et est routable depuis. L’un est entre les mains du public depuis une semaine ; l’autre compte sept semaines d’utilisation en production.

Deux grilles tarifaires qui semblent plus éloignées qu’elles ne le sont

Commencez par la structure brute, car c'est dans la hiérarchisation que les deux divergent en pratique.

• Prix de sortie — Carbon 10 $ par million jusqu’au 30 novembre 2026, puis 20 $. Grok 4.7 6 $ par million en dessous de 200 000 jetons d’entrée, puis 12 $.

• Prix d’entrée — Carbon 2 $, puis 4 $ à partir du 1er décembre. Grok 4.7 2 $, passant à 4 $ au-delà du seuil des 200k. Structure identique, chiffres identiques, dates différentes associées.

• Entrée mise en cache — Carbon 0,10 $ par million désormais, 0,20 $ après le 1er décembre, cache implicite uniquement. Grok 4.7 0,50 $, passant à 1,00 $ sur les prompts longs, avec une remise de 75 % sur le tarif des entrées fraîches.

• Contexte — Carbon : 1 048 576 tokens. Grok 4.7 : 500 000. Carbon dispose d’une fenêtre deux fois plus grande.

• Plafond de sortie — Carbon : 65 536 tokens en mode synchrone, jusqu’à 1 048 576 avec un décodage long. Grok 4.7 : jusqu’à 450 000. En pratique, Grok rédige des réponses plus longues en un seul appel que Carbon ne le fait par défaut.

• Modalité d'entrée — Carbon accepte le texte, les images, l'audio, la vidéo et les PDF. Grok 4.7 accepte le texte, les images et les fichiers.

• Weights — les deux sont en source fermée. Aucun des deux ne peut être auto-hébergé, ils présentent donc la même exposition au risque lié au fournisseur.

• Effort de raisonnement — Carbon thinking à faible, moyen et élevé ; Grok 4.7 à faible, élevé et xhigh. Les chiffres publiés sont cités respectivement à élevé et xhigh, ce qui est la première chose à vérifier avant de recopier le moindre score phare.

Deux asymétries dans cette liste jouent un vrai rôle. Le contexte de 1 M de Carbon est le double de celui de Grok, ce qui compte pour le travail sur un dépôt entier ou sur plusieurs documents. Le plafond de sortie de 450 K de Grok est sept fois la limite synchrone de Carbon, ce qui compte si le livrable est lui-même long — un rapport généré, un fichier migré, une longue série de patches. Un modèle qui peut contenir un million de tokens d’entrée mais n’en renvoyer que 65 K n’est pas un modèle à sortie longue, quoi qu’affiche la fenêtre de contexte sur une fiche technique.

Le nombre qui concilie les deux prix

Artificial Analysis mesure les deux modèles sur le même indice à neuf évaluations, version v5.0.1, et publie un coût par tâche de l’indice qui intègre le nombre de tokens que chaque modèle dépense réellement pour achever le travail. C’est cette mesure qui explique pourquoi cette comparaison ne se déroule pas comme le laisse présager la grille tarifaire.

• Indice d’intelligence — Gemini 4 Carbon 60 en effort élevé, quatrième sur 74. Grok 4.7 35 en xhigh, quarante et unième sur 74. Les réglages moyen et faible de Carbon obtiennent 58 et 54 ; les réglages élevé et faible de Grok atteignent respectivement 35 et 31.

• Coût par tâche d’indexation — Carbon 7,76 $, Grok 7,77 $. Un centime d’écart, à l’avantage du modèle le plus cher.

• Tokens de sortie sur l’index — Carbon 205 millions, Grok 148 millions, contre une médiane de 72,8 millions.

• Temps par tâche d’indexation — Carbon 25,6 minutes, Grok 25,9 minutes. Encore au même niveau.

• Vitesse de sortie — Carbon 80 tokens par seconde, Grok 67. Carbon est le générateur le plus rapide bien qu’il soit le plus cher.

• {{1}}Temps jusqu’au premier token de réponse — Carbon 66,85 secondes, Grok 53,64 secondes. Les deux se situent bien au-delà de la médiane de 12 secondes pour leur gamme de prix, et Grok est le plus rapide des deux à démarrer.{{/1}}

Le rapprochement s’explique par la verbosité, non par une remise. Carbon émet 39 % de jetons de sortie en plus par tâche que Grok, et son prix de sortie est 67 % plus élevé, pourtant le coût total par tâche reste à moins d’un centime près, car le prix des jetons de Grok n’est pas le seul élément qui entre dans la facture — le volume d’entrée, les jetons de raisonnement et la forme propre à chaque tâche y contribuent tous. Quelle que soit la décomposition exacte, la lecture pratique est celle qui résisterait à toute nouvelle dérivation : une comparaison par jeton entre ces deux modèles ne vous dit presque rien sur ce que coûte une charge de travail, et l’écart entre les prix affichés des deux fournisseurs est plus grand que celui entre leurs coûts mesurés par résultat.

Vingt-cinq points ne sont pas vingt-cinq points partout.

Un écart composite de cette taille survit généralement à la décomposition ; la question est de savoir où c’est le cas et où ça ne l’est pas. Trois mises en garde avant que quiconque n’établisse un budget sur la base de 60 contre 35.

Le premier est l’effort. Le 60 de Carbon est à effort élevé, le 35 de Grok à xhigh. Les deux sont les réglages préférés des fournisseurs plutôt que des réglages appariés, donc la comparaison se fait entre chaque modèle exécuté comme son concepteur l’entend, et non à puissance de calcul égale. Baissez l’un ou l’autre et l’écart se resserre ou s’élargit selon l’extrémité que vous déplacez : Carbon à faible est à 54, Grok à faible est à 31.

Le second point est que l’indice v5.0.1 est la fusion de neuf évaluations, et le classement ne publie pas de scores par benchmark pour l’un ou l’autre des deux modèles — chaque sous-graphique des deux pages affiche « No publicly available API. » L’affirmation honnête est donc que Carbon remporte le score composite avec 25 points d’avance et que personne en dehors d’Artificial Analysis ne peut actuellement dire laquelle des neuf évaluations a produit cet écart. Quiconque publie une ventilation par benchmark de ce duo cite soit un fournisseur, soit l’invente.

Le troisième point est que l’indice n’est qu’un instrument. C’est un bon instrument, révisé récemment et appliqué de manière cohérente aux deux modèles, mais il ne constitue pas une décision produit. Un modèle qui perd 25 points composites peut encore réussir la tâche qui est la vôtre, et les deux sections suivantes traitent des cas où c’est le cas.

Là où Grok 4.7 l’emporte haut la main

Trois d'entre eux, et le premier n'est pas un benchmark.

Maturité. Grok 4.7 est disponible en général depuis sept semaines. Gemini 4 Carbon est appelable depuis un jour après un déploiement dont la forme a changé deux fois en quinze jours — annonce sous conditions le 28 octobre, API payante le 10 novembre, doublement du prix le 1er décembre. Une équipe qui a besoin qu’un modèle soit la même chose au prochain trimestre n’a, à cet instant, exactement qu’une option dans ce duo avec un historique.

Sortie longue en un seul appel. 450 000 jetons contre 65 536 en mode synchrone. Si la tâche consiste à « écrire tout le fichier » plutôt qu’à « répondre à la question », le plafond tranche avant l’index.

Des coûts prévisibles sur les longs prompts, si votre entrée est courte. Le passage de Grok à 4 $/12 $ ne s’active qu’au-delà de 200 000 jetons d’entrée, et sous ce seuil, son tarif de sortie de 6 $ représente un tiers des 20 $ de Carbon après décembre. Pour une charge de travail à entrée modérée et sortie intensive — synthèse, rédaction, transformation —, l’arithmétique favorise effectivement Grok, et le coût quasi identique par tâche d’indexation est une affirmation sur ce mélange particulier de neuf évaluations, pas une loi universelle.

Face à cela, l’entrée mise en cache de Grok à 0,50 $ par million est cinq fois plus élevée que les 0,10 $ actuels de Carbon. Pour un pipeline RAG qui renvoie le même corpus de 100 000 tokens à chaque appel, cette seule ligne peut peser plus lourd que tout ce qui précède. C’est la façon la plus courante pour une équipe de choisir le mauvais modèle entre ces deux : elle compare les tarifs de sortie et ne calcule jamais l’économie du cache selon la forme de son propre trafic.

Là où Carbon vaut son prix

L'argument en faveur de Carbon est plus étroit que ne le suggère son score d'indice, et plus solide que ne le laisse penser son prix.

Prise en charge multimodale.L'entrée audio et vidéo constitue la distinction la plus nette de toute cette comparaison. Carbon accepte les deux ; Grok 4.7 ne mentionne ni l'un ni l'autre. Un pipeline qui doit analyser un enregistrement d'écran ou transcrire puis raisonner sur un appel n'a qu'un seul candidat ici, et aucun nombre de points d'index ne comble cet écart.

Travaux sur la cybersécurité et les vulnérabilités. Google a conçu Carbon pour cela, a réservé la première version aux défenseurs en cybersécurité et annonce des résultats de 88,2 % pour SEC-bench Pro, 54,8 % pour ExploitGym et 71,0 % pour CWE-bench — tous rapportés par l'éditeur et non reproduits, mais la tendance concorde avec l'objectif déclaré du modèle et avec le fait que Google a choisi de le diffuser aux défenseurs avant les développeurs. xAI ne formule aucune affirmation cyber comparable pour Grok 4.7.

Contexte de l’ensemble du dépôt. Une fenêtre de 1M contre 500K. Un plafond deux fois supérieur fait une vraie différence pour les tâches à l’échelle d’un monorepo, et dans le cas précis où il faut « garder l’ensemble du service en contexte et raisonner à travers lui », Grok ne peut pas suivre.

Et un contrepoids honnête : l’avantage de Carbon se paie en latence. À 66,85 secondes jusqu’au premier jeton et 25,6 minutes par tâche d’indexation, ce n’est pas un modèle à placer derrière une interface requête-réponse sans une patience considérable. Grok non plus, à 53,64 secondes. Si votre produit a besoin de réponses en moins de 10 secondes, cette comparaison oppose deux modèles qui perdent tous les deux, et la réponse est un modèle plus petit et plus rapide, d’un côté comme de l’autre.

En exécutant les deux, quelle est la véritable réponse ?

La raison pour laquelle cette comparaison résiste à tout verdict, c’est que les deux modèles sont conçus pour des étapes différentes d’un même pipeline. Carbon pour l’entrée du flux, là où la modalité et le contexte dominent et où le volume est faible. Grok pour la sortie longue, là où le travail consiste à produire beaucoup de texte à partir d’un prompt délimité, et où un tarif de sortie de 6 $ l’emporte sur un tarif de 20 $. La plupart des équipes qui ont besoin de l’un ont besoin des deux, et l’erreur consiste à souscrire deux contrats, deux SDK et deux relations de facturation pour les obtenir.

Un point de terminaison compatible OpenAI est le raccourci, et il est disponible dès aujourd'hui pour la moitié routable de cette paire : grok/grok-4.7 se trouve sur OrcaRouter au tarif propre à xAI de 2 $/6 $ — le même prix catalogue, répercuté avec 0 % de marge, y compris le palier de 4 $/12 $ au-delà de 200 000 jetons d'entrée — aux côtés de google/gemini-4-argon à 2 $/10 $ pour le travail côté Gemini qui n'a pas besoin de l'ensemble de modalités de Carbon. Gemini 4 Carbon lui-même n'est pas au catalogue ; il est accessible via l'API payante de Google, et ce segment du pipeline est une intégration directe.

Le DSL de routage est la partie qui rend la répartition pratique plutôt que théorique : la même requête peut être composée pour essayer le chemin économique et déclencher une escalade en cas d’échec de validation, avec un basculement automatique si un fournisseur se dégrade. Cela compte davantage ici que d’habitude, car le modèle coûteux de cette paire a modifié deux fois ses conditions d’accès en quatorze jours. Un pipeline capable de déplacer une branche vers un autre modèle sans redéploiement est la seule version de cette architecture qui survive à la feuille de route de son propre fournisseur.

Choisissez en fonction de la contrainte que vous avez réellement.

• Si le livrable est une sortie longue issue d’une invite bornée — Grok 4.7, et vérifiez d’abord votre volume de cache.

• Si les données d'entrée comprennent de l'audio, de la vidéo ou des PDF numérisés — Carbon, car il n'existe aucune alternative dans cette paire.

• Si la tâche est une analyse de sécurité ou un tri de vulnérabilités — Carbon, sur la base des chiffres cyber rapportés par Google et du choix de filtrage de l’entreprise elle-même, avec la réserve qu’aucun de ces chiffres n’a été reproduit de manière indépendante.

• Si vous avez besoin de tout le dépôt en contexte — la fenêtre de 1M de Carbon, en acceptant la latence.

• Si vous avez besoin d’un modèle dont les conditions ne changeront pas le mois prochain — Grok 4.7 —, et c’est un argument plus solide qu’il n’y paraît.

• Si vous n’arrivez pas à trancher — lancez les deux. Le coût mesuré par tâche est inférieur à un centime, si bien qu’un comparatif de deux semaines coûte à peu près ce que coûte un seul modèle, et il produit une meilleure réponse que n’importe quel score composite.

Ce qu’aucune de ces listes ne peut vous dire, c’est quel modèle est plus intelligent, car « plus intelligent » est la mauvaise grandeur à cette distance. Vingt-cinq points d’indice constituent un écart important lorsqu’il est mesuré correctement, et cela laisse néanmoins le modèle moins cher sur le papier à égalité sur le coût par résultat et en tête sur le plafond de sortie, la maturité et le délai jusqu’au premier token. Ce n’est pas une contradiction dans les benchmarks. C’est ce qui se produit lorsque deux modèles sont conçus pour des tâches différentes et commercialisés avec le même mot.