Gemini 4 Carbon vs DeepSeek V4 Pro: Apa yang Sebenarnya Anda Dapatkan dari 37 Poin Indeks dan Biaya 4.4x per Tugas

Put G​emini 4 Carbon and DeepSeek V4 Pro on the same scale and the result is not close: 60 against 23 on Artificial Analysis Intelligence Index v5.0.1, a 37-point gap between the fourth-best model on the board and one sitting below the median. Put them on the cost scale and it is not close either, in the other direction — $7.76 per index task against $1.77. The interesting question is not which is better. It is which of those two numbers you are actually paying for in the work you have, because for a large share of production traffic the 37 points go unused while the 4.4x bill arrives every month.

Both models are callable today, which makes this a real comparison rather than a roadmap exercise. G​emini 4 Carbon opened to paid API developers on 10 November 2026 after a twelve-day gated rollout. DeepSeek V4 Pro has been generally available since 13 August 2026 as the 0813 checkpoint, with open weights under MIT.

Dua model yang dibangun di atas asumsi yang berlawanan

Spesifikasi menjelaskan sebagian besar perbedaan perilaku sebelum benchmark mana pun melakukannya.

• Price, standard rate — G​emini 4 Carbon: $2 in / $10 out per million until 30 November 2026, then $4 / $20. DeepSeek V4 Pro: $0.66 / $1.98 off-peak and $1.32 / $3.96 at peak, straight from D​eepSeek's own rate card.

• Cached input — Carbon $0.10 per million now, $0.20 after 1 December, implicit caching only. D​eepSeek $0.022 off-peak and $0.044 at peak, a 97% discount on the fresh-token rate.

• Konteks dan keluaran — keduanya memiliki jendela 1 juta token. Carbon membatasi keluaran sinkron pada 65.536 token dan mengizinkan hingga 1.048.576 token dengan dekode panjang; V4 Pro membatasi pada 384.000.

• Input modality — Carbon takes text, image, audio, video and PDF. V4 Pro is text only, and D​eepSeek's own pricing page says vision is not supported on v4-pro.

• Bobot — Carbon bersifat tertutup. V4 Pro dirilis di bawah lisensi MIT, dengan mixture-of-experts berparameter 1,6 triliun dan 49 miliar parameter aktif, sehingga Anda dapat menghosting sendiri, melakukan fine-tuning, dan mendistribusikan ulang sesuai dengan lisensinya.

• Kontrol upaya — Carbon mengekspos pemikiran pada tingkat rendah, sedang, dan tinggi. V4 Pro mengekspos dial penalaran pada tingkat rendah, tinggi, dan maks.

Garis modalitas bukan catatan kaki. Jika pipeline Anda menyerap tangkapan layar, PDF hasil pindai, atau rekaman panggilan, V4 Pro tidak bisa menjadi model di bagian stack itu dengan harga berapa pun, dan perbandingannya menyempit menjadi satu kandidat. Jika lalu lintas Anda adalah kode, log, dan dokumen teks, kesenjangannya benar-benar menjadi sebuah pilihan.

37 poin, diuraikan

Celah komposit sebesar itu biasanya hanya beberapa evaluasi yang melakukan seluruh pekerjaan, dan itulah yang ditunjukkan oleh papan independen untuk pasangan ini. Artificial Analysis mengukur Carbon pada upaya tinggi dan V4 Pro 0813 pada upaya maksimum; kedua angka itu milik evaluator tersebut, bukan milik vendor.

• Biaya per tugas Intelligence Index — Carbon $7.76, V4 Pro $1.77. Rasio itu sudah memperhitungkan verbositas, jadi ini adalah angka ekonomi tunggal yang paling adil di antara keduanya.

• Token output yang dihabiskan pada indeks — Carbon 205 juta, V4 Pro 119 juta, dibandingkan median 72,8 juta. Kedua model banyak bicara; Carbon sekitar 1,7x lebih banyak, dan di situlah sebagian selisih harga berasal, bukan hanya dari tarif per token.

• Kecepatan dan latensi — Carbon 80 token keluaran per detik dengan 66,85 detik hingga token jawaban pertama; V4 Pro 67 token per detik dengan 67,71 detik. Pada sumbu ini keduanya hampir identik, dan keduanya cukup lambat sehingga tidak satu pun cocok digunakan dalam jalur obrolan interaktif tanpa streaming dan kesabaran.

• Sensitivitas upaya — Carbon mencetak skor 60 pada pengaturan tinggi, 58 pada sedang, dan 54 pada rendah. Konfigurasi tanpa penalaran V4 Pro mencetak skor 13 versus 23 pada maks. Model yang lebih murah kehilangan jauh lebih banyak saat penalaran diturunkan, jadi "menjalankannya dengan murah" bukanlah sakelar gratis di kedua sisi.

On the vendor side the numbers are loud and unaudited, and they do not overlap enough to compare directly. D​eepSeek's own card for the 0813 build reports Terminal-Bench 2.1 at 87.9, DeepSWE at 62.7, CyberGym at 83.3, SWE-bench Verified at 80.6 and a Codeforces rating of 3206 — all vendor-reported, none reproduced by a neutral party at the time of writing. G​oogle's card for Carbon reports SEC-bench Pro at 88.2%, ExploitGym at 54.8% and CWE-bench at 71.0%. Note what happens if you try to line those up: CyberGym and ExploitGym are different harnesses, Terminal-Bench 2.1 and Terminal-Bench 4.0 are different versions of a moving target, and only one of the two vendors published a cyber score on a benchmark the other also ran. Any chart setting 83.3 beside 54.8 is comparing a scale to a different scale.

Jam penagihan yang tidak dianggarkan oleh siapa pun

D​eepSeek's price is not one price, and this is the most under-reported difference between the two models. V4 Pro bills at half rate outside a defined peak window: peak is 01:00–04:00 and 06:00–10:00 UTC, Monday to Friday, excluding Chinese public holidays. Everything else — nights, weekends, holidays — is off-peak.

Tujuh jam per hari kerja dari 24 jam, lima hari seminggu, adalah sekitar 21% dari minggu kalender. Jika pekerjaan batch Anda dijadwalkan oleh cron dalam UTC, itu mudah diselaraskan. Jika traffic Anda adalah produk live dengan kurva siang hari AS atau Eropa, sebagian yang signifikan darinya masuk ke dalam jendela puncak dan tarif campuran riil Anda berada di antara $0,66 dan $1,32, bukan pada angka di halaman pemasaran.

Jam Carbon berjalan ke arah sebaliknya. Tarifnya datar hingga 30 November lalu berlipat ganda. Dua model, dua sumber variasi tagihan yang sepenuhnya berbeda: satu bervariasi menurut jam dalam sehari, yang lain menurut tanggal kalender. Keduanya tidak terlihat dari satu angka per token, dan perbandingan yang menyebutkan $4/$20 versus $0.66/$1.98 sedang menggambarkan skenario terburuk di satu sisi dan skenario terbaik di sisi lain.

Versi jujurnya: pada tarif pengenalan Carbon dibandingkan tarif puncak V4 Pro, Carbon 1,5x untuk input dan 2,5x untuk output. Setelah 1 Desember dibandingkan tarif off-peak, angkanya 6x dan 10x. Angka biaya per tugas 4,4x berada di antara keduanya dan merupakan angka yang layak dijadikan dasar perencanaan, karena angka itu memperhitungkan berapa banyak token yang benar-benar dibutuhkan masing-masing model untuk menyelesaikan tugas.

Ketika kesenjangan itu layak dibayar

Alih-alih sebuah putusan, empat pembagian yang tetap kokoh bila diuji terhadap bagaimana kedua model itu sebenarnya dibentuk.

Cyber and vulnerability work. This is Carbon's home ground and the reason G​oogle gated it to defenders first. Carbon reads code, images and PDFs in one call, which is what a vulnerability triage pipeline needs, and G​oogle's own reported numbers put it at the top of the cyber boards it chose to publish. V4 Pro has respectable self-reported cyber scores and cannot see a screenshot. For a security team, Carbon at 6x the input price is not obviously the wrong call.

Klasifikasi, ekstraksi, dan perutean bervolume tinggi. Kirim ini ke V4 Pro. Kesenjangan komposit 37 poin hampir tidak menunjukkan apa pun tentang apakah sebuah model dapat menandai tiket dukungan atau menarik bidang dari sebuah faktur, dan pada $0,66 per juta token input, model murah menang secara aritmetika jauh sebelum ia kalah dalam hal kualitas. Sebagian besar tim membeli berlebihan di sini.

Pekerjaan dokumen konteks panjang. Kedua jendela berukuran 1 juta token, jadi kapasitas mentahnya setara. Pembedaannya adalah modalitas dan batas atas output: Carbon menyerap PDF hasil pindai dan menulis hingga 1 juta token; V4 Pro membutuhkan teks yang sudah diekstrak dan berhenti di 384K. Jika pipeline Anda sudah melalui OCR, V4 Pro membawa jendela 1 juta yang sama dengan sepersepuluh harga output.

Apa pun yang mungkin harus Anda hosting sendiri. Hanya V4 Pro yang menjadi pilihan. Bobot MIT berarti tidak ada vendor yang dapat menarik model, mengubah harganya, atau membatasinya di balik sebuah program — yang bukan kekhawatiran hipotetis pada tahun ketika ketentuan akses Carbon berubah dua kali dalam empat belas hari dan harganya berubah lagi pada 1 Desember.

Jawaban perutean, dengan catatan jujur

Versi matang dari keputusan ini bukanlah memilih salah satu. Melainkan menjalankan V4 Pro untuk sebagian besar trafik dan mengeskalasi kasus-kasus sulit ke model frontier, yang justru merupakan komposisi yang memang menjadi alasan routing DSL kami ada: cabang murah yang menangani volume, kondisi eskalasi yang terpicu saat keyakinan rendah atau validasi gagal, dan satu endpoint yang kompatibel dengan OpenAI di depan keduanya.

What is on that endpoint today is deepseek/deepseek-v4-pro at D​eepSeek's own $0.66/$1.98, alongside google/gemini-4-argon at $2/$10 — Argon being the G​emini 4 model that carries the same 1M window and a 50 on the same index, at half Carbon's post-December output price. G​emini 4 Carbon is not in our catalogue; it is reached through G​oogle's paid API, and a Carbon branch in a pipeline is a direct integration. Because provider list price is passed through with 0% markup across the 200-plus models on the key, a vendor rate change lands the day it happens, which for Carbon means 1 December.

Failover otomatis adalah bagian yang mengubah perhitungan pada model murah. Alasan tim membeli kapasitas frontier secara berlebihan adalah takut mendapat jawaban buruk pada 5% permintaan yang penting. Failover dan eskalasi memungkinkan model murah menangani 95% permintaan yang memang bisa ditanganinya dengan baik, sementara model mahal tetap dapat dijangkau melalui satu endpoint ketika suatu permintaan berada di luar cakupannya — alih-alih membayar tarif frontier untuk setiap token demi mengasuransikan ekor yang sebenarnya bisa dirutekan.

Apa yang akan mengubah rekomendasi ini?

Two developments, both plausible within a quarter. If a neutral evaluator runs Carbon on a cyber benchmark that D​eepSeek also published, the two scorecards become comparable for the first time and the gap stops being an inference. And if D​eepSeek ships the V4.1-Pro that its own migration note pointed at, the cheap side of this comparison gets stronger without the expensive side moving — which would make the escalation split even more attractive than it is now.

Sampai saat itu, posisi yang dapat dipertahankan memang tidak glamor: V4 Pro untuk volume, Carbon hanya bila input multimodal atau kemampuan siber menjadi penopang utama, dan tidak ada kontrak jangka panjang yang ditandatangani oleh pihak mana pun pada harga yang berlipat ganda dalam dua puluh hari.