Gemini 4 Carbon vs Grok 4.7: Daftar Harga Bilang 3x, Faktur Tidak Bilang Apa Pun

Gemini 4 Carbon tercantum pada $10 per juta token keluaran. Grok 4.7 tercantum pada $6. Berdasarkan dua angka yang setiap halaman harga cetak tebal, Carbon dua pertiga lebih mahal untuk berbicara dan dua kali lebih mahal untuk membaca, dan kesimpulan yang jelas adalah Grok 4.7 menjadi pilihan terbaik dari sisi nilai. Lalu Anda mengukur berapa biaya sebuah tugas yang sudah selesai, dan kedua model itu hanya berselisih satu sen: $7,76 untuk Gemini 4 Carbon dibandingkan $7,77 untuk Grok 4.7 pada Intelligence Index milik Artificial Analysis. Tagihan yang sama, dengan selisih dua puluh lima poin indeks kemampuan di antara keduanya. Itulah seluruh argumen perbandingan ini, dan itu bukan sesuatu yang bisa ditunjukkan oleh daftar harga kedua vendor.

Waktu ini penting untuk cara Anda membaca sisanya. Gemini 4 Carbon dapat dipanggil melalui Gemini API berbayar pada 10 November 2026, dua belas hari setelah Google mengumumkannya kepada kelompok tertutup. Grok 4.7 dirilis oleh xAI pada 21 September 2026 dan telah dapat dirutekan sejak saat itu. Yang satu baru sepekan tersedia untuk publik; yang lain sudah tujuh pekan digunakan dalam produksi.

Dua kartu tarif yang tampak lebih berbeda daripada kenyataannya

Mulailah dari struktur mentahnya, karena penjenjangan adalah titik di mana keduanya berbeda dalam praktik.

• Harga output — Carbon $10 per juta hingga 30 November 2026, lalu $20. Grok 4.7 $6 per juta di bawah 200.000 token input, lalu $12.

• Harga input — Carbon $2, lalu $4 mulai 1 Desember. Grok 4.7 $2, naik menjadi $4 di atas batas 200k. Struktur identik, angka identik, tanggal berbeda.

• Input yang di-cache — Carbon $0.10 per juta sekarang, $0.20 setelah 1 Desember, hanya caching implisit. Grok 4.7 $0.50, naik menjadi $1.00 untuk prompt panjang, dengan diskon 75% pada tarif fresh.

• Konteks — Carbon 1.048.576 token. Grok 4.7 500.000. Carbon memiliki jendela yang lebih besar dengan faktor dua.

• Batas keluaran — Carbon 65.536 token secara sinkron, hingga 1.048.576 dengan decode panjang. Grok 4.7 hingga 450.000. Dalam praktiknya, Grok menulis jawaban yang lebih panjang dalam satu panggilan daripada yang ditulis Carbon secara default.

• Modalitas masukan — Carbon menerima teks, gambar, audio, video, dan PDF. Grok 4.7 menerima teks, gambar, dan file.

• Bobot — keduanya tertutup. Tidak ada yang dapat di-hosting sendiri, sehingga keduanya memiliki eksposur risiko vendor yang sama.

• Upaya penalaran — Carbon thinking pada low, medium, dan high; Grok 4.7 pada low, high, dan xhigh. Angka yang dipublikasikan dikutip pada high dan xhigh secara berurutan, yang merupakan hal pertama yang perlu diperiksa sebelum menyalin skor utama apa pun.

Dua asimetri dalam daftar itu benar-benar berperan. Konteks 1M Carbon dua kali lipat Grok, yang penting untuk pekerjaan seluruh repositori atau multi-dokumen. Batas keluaran 450K Grok tujuh kali lipat batas sinkron Carbon, yang penting jika hasil akhirnya sendiri panjang — laporan yang dihasilkan, berkas yang dimigrasikan, rangkaian patch yang panjang. Model yang dapat menampung satu juta token masukan tetapi hanya menulis kembali 65K bukanlah model keluaran panjang, bagaimanapun jendela konteksnya terbaca di lembar spesifikasi.

Angka yang merekonsiliasi kedua harga tersebut

Artificial Analysis mengukur kedua model pada indeks sembilan evaluasi yang sama, versi v5.0.1, dan menerbitkan biaya per tugas indeks yang memperhitungkan berapa banyak token yang benar-benar dihabiskan setiap model untuk menyelesaikan pekerjaan. Pengukuran itulah sebabnya perbandingan ini tidak berjalan seperti yang disarankan kartu tarif.

• Intelligence Index — Gemini 4 Carbon 60 dengan upaya tinggi, keempat dari 74. Grok 4.7 35 pada xhigh, keempat puluh satu dari 74. Pengaturan medium dan low Carbon mencetak skor 58 dan 54; pengaturan high dan low Grok sama-sama berada pada 35 dan 31.

• Biaya per tugas indeks — Carbon $7,76, Grok $7,77. Selisih satu sen, menguntungkan model yang lebih mahal.

Token keluaran pada indeks — Carbon 205 juta, Grok 148 juta, dibandingkan dengan median 72,8 juta.

• Waktu per tugas indeks — Carbon 25,6 menit, Grok 25,9 menit. Sekali lagi setara.

• Kecepatan output — Carbon 80 token per detik, Grok 67. Carbon adalah generator yang lebih cepat meskipun lebih mahal.

• Waktu hingga token jawaban pertama — Carbon 66,85 detik, Grok 53,64 detik. Keduanya jauh di luar median 12 detik untuk kelas harganya, dan Grok adalah yang lebih cepat di antara keduanya untuk memulai.

Rekonsiliasinya adalah verbositas, bukan diskon. Carbon menghasilkan 39% lebih banyak token keluaran per tugas daripada Grok, dan harga keluarannya 67% lebih tinggi, namun total biaya tugas berada dalam selisih satu sen karena harga token Grok bukan satu-satunya masukan ke dalam tagihan — volume masukan, token penalaran, dan bentuk per tugas semuanya berkontribusi. Apa pun dekomposisi persisnya, pembacaan praktisnya adalah yang akan tetap bertahan pada derivasi ulang apa pun: perbandingan per token antara kedua model ini hampir tidak memberi tahu Anda apa pun tentang biaya sebuah beban kerja, dan harga utama kedua vendor berbeda lebih besar daripada perbedaan biaya terukur per hasil.

Dua puluh lima poin bukanlah dua puluh lima poin di semua tempat

Kesenjangan komposit sebesar ini biasanya tetap bertahan saat didekomposisi; pertanyaannya adalah di mana ia bertahan dan di mana tidak. Tiga catatan penting sebelum siapa pun menyusun anggaran berdasarkan 60 versus 35.

Yang pertama adalah upaya. Angka 60 Carbon berada pada upaya tinggi, angka 35 Grok pada xhigh. Keduanya merupakan setelan pilihan vendor, bukan setelan yang disetarakan, sehingga perbandingannya adalah antara masing-masing model yang dijalankan sesuai keinginan pembuatnya, bukan pada komputasi yang setara. Turunkan salah satunya dan selisihnya akan menyempit atau melebar tergantung ujung mana yang Anda ubah: Carbon pada setelan rendah adalah 54, Grok pada setelan rendah adalah 31.

Yang kedua adalah bahwa indeks v5.0.1 merupakan gabungan dari sembilan evaluasi, dan papan tersebut tidak memublikasikan skor per tolok ukur untuk kedua model — setiap subgrafik di kedua halaman menampilkan "Tidak ada API yang tersedia untuk publik." Jadi pernyataan yang jujur adalah bahwa Carbon memenangkan komposit dengan selisih 25 poin dan tidak ada orang di luar Artificial Analysis yang saat ini dapat mengatakan evaluasi mana dari sembilan evaluasi tersebut yang menghasilkan margin itu. Siapa pun yang memublikasikan rincian per tolok ukur untuk pasangan ini sedang mengutip vendor atau mengarangnya.

Yang ketiga adalah bahwa indeks itu adalah salah satu instrumen. Instrumen itu bagus, baru saja direvisi dan diterapkan secara konsisten pada kedua model, tetapi itu bukan keputusan produk. Model yang kehilangan 25 poin komposit masih dapat memenangkan tugas yang Anda miliki, dan dua bagian berikutnya membahas kasus-kasus ketika hal itu terjadi.

Di mana Grok 4.7 menang mutlak

Tiga di antaranya, dan yang pertama bukan tolok ukur.

Kematangan. Grok 4.7 telah tersedia secara umum selama tujuh minggu. Gemini 4 Carbon baru dapat dipanggil selama satu hari setelah peluncuran yang berubah wujud dua kali dalam dua pekan — pengumuman terbatas pada 28 Oktober, API berbayar pada 10 November, harga berlipat ganda pada 1 Desember. Sebuah tim yang membutuhkan sebuah model agar tetap sama pada kuartal berikutnya, pada saat ini, hanya memiliki tepat satu opsi di antara pasangan ini yang memiliki rekam jejak.

Output panggilan tunggal yang panjang. 450.000 token dibandingkan 65.536 sinkron. Jika tugasnya adalah "menulis seluruh file" alih-alih "menjawab pertanyaan," batas maksimum yang menentukan sebelum indeks melakukannya.

Kepastian biaya untuk prompt panjang, jika input Anda kecil. Langkah Grok ke $4/$12 hanya berlaku di atas 200.000 token input, dan di bawah ambang itu tarif output $6-nya adalah sepertiga dari $20 Carbon pasca-Desember. Untuk beban kerja dengan input sedang dan output berat — peringkasan, penyusunan draf, transformasi — aritmetikanya memang mendukung Grok, dan biaya per tugas indeks yang nyaris identik merupakan pernyataan tentang campuran sembilan evaluasi tersebut, bukan hukum universal.

Di sisi lain, input cache Grok seharga $0.50 per juta adalah lima kali lipat dari $0.10 milik Carbon saat ini. Bagi pipeline RAG yang mengirim ulang korpus 100.000 token yang sama pada setiap panggilan, satu baris itu bisa lebih berbobot daripada semua hal di atasnya. Ini adalah cara paling umum sebuah tim memilih model yang salah di antara keduanya: mereka membandingkan tarif output dan tidak pernah menghitung ekonomi cache berdasarkan pola trafik mereka sendiri.

Di mana Carbon sepadan dengan harganya

Argumen untuk Carbon lebih sempit daripada skor indeksnya dan lebih kuat daripada yang disiratkan oleh harganya.

Asupan multimodal. Input audio dan video adalah pemisah paling jelas dalam seluruh perbandingan ini. Carbon menerima keduanya; Grok 4.7 tidak mencantumkan keduanya. Pipeline yang harus menonton rekaman layar atau mentranskripsikan sekaligus menalar atas sebuah panggilan hanya punya satu kandidat di sini, dan sebanyak apa pun poin indeks tidak bisa menutup celah itu.

Pekerjaan siber dan kerentanan. Google membangun Carbon untuk itu, membatasi rilis pertamanya hanya untuk para pembela siber, dan melaporkan SEC-bench Pro sebesar 88,2%, ExploitGym sebesar 54,8%, dan CWE-bench sebesar 71,0% — semuanya dilaporkan oleh vendor dan belum direproduksi, tetapi arahnya konsisten dengan tujuan yang dinyatakan model tersebut dan dengan fakta bahwa Google memilih merilisnya kepada para pembela sebelum pengembang. xAI tidak membuat klaim siber yang sebanding untuk Grok 4.7.

Konteks seluruh repositori. Jendela 1M dibandingkan dengan 500K. Plafon dua kali lipat adalah perbedaan nyata untuk tugas berskala monorepo, dan untuk kasus spesifik "menjaga seluruh layanan dalam konteks dan bernalar melintasinya," Grok tidak dapat mengikuti.

Dan satu penyeimbang yang jujur: keunggulan Carbon dibeli dengan latensi. Dengan 66,85 detik hingga token pertama dan 25,6 menit per tugas indeks, Carbon bukanlah model untuk diletakkan di balik antarmuka permintaan-respons tanpa kesabaran yang besar. Grok juga tidak, dengan 53,64 detik. Jika produk Anda membutuhkan respons di bawah 10 detik, perbandingan ini adalah antara dua model yang sama-sama kalah, dan jawabannya adalah model yang lebih kecil dan lebih cepat di sisi mana pun.

Menjalankan keduanya, mana jawaban yang sebenarnya

Alasan perbandingan ini sulit menghasilkan vonis adalah bahwa kedua model dirancang untuk tahap berbeda dari pipeline yang sama. Carbon untuk ujung intake, tempat modalitas dan konteks mendominasi dan volume rendah. Grok untuk ujung output panjang, tempat pekerjaannya menghasilkan banyak teks dari prompt yang dibatasi, dan tempat tarif output $6 mengalahkan tarif $20. Sebagian besar tim yang membutuhkan salah satunya membutuhkan keduanya, dan kesalahannya adalah mendaftar untuk dua kontrak, dua SDK, dan dua hubungan penagihan untuk mendapatkannya.

Satu endpoint yang kompatibel dengan OpenAI adalah jalan pintasnya, dan endpoint itu tersedia hari ini untuk separuh pasangan ini yang dapat dirutekan: grok/grok-4.7 berada di OrcaRouter dengan harga $2/$6 milik xAI sendiri — harga daftar yang sama, diteruskan dengan markup 0%, termasuk tingkatan $4/$12 di atas 200.000 token input — bersama google/gemini-4-argon pada $2/$10 untuk pekerjaan sisi Gemini yang tidak memerlukan set modalitas Carbon. Gemini 4 Carbon sendiri tidak ada dalam katalog; layanan ini diakses melalui API berbayar Google, dan bagian pipeline tersebut merupakan integrasi langsung.

DSL perutean adalah bagian yang membuat pemisahan ini praktis, bukan sekadar aspirasi: permintaan yang sama dapat disusun untuk mencoba jalur murah dan melakukan eskalasi saat terjadi kegagalan validasi, dengan failover otomatis jika penyedia mengalami degradasi. Hal itu lebih penting di sini daripada biasanya, karena model mahal dalam pasangan ini telah mengubah ketentuan aksesnya dua kali dalam empat belas hari. Pipeline yang dapat memindahkan cabang ke model berbeda tanpa redeploy adalah satu-satunya versi arsitektur ini yang bertahan terhadap roadmap vendornya sendiri.

Pilih berdasarkan batasan yang benar-benar Anda miliki.

• Jika hasil kerja berupa output panjang dari prompt yang dibatasi — Grok 4.7, dan periksa volume cache Anda terlebih dahulu.

• Jika input menyertakan audio, video, atau PDF hasil pemindaian — Carbon, karena tidak ada alternatif dalam pasangan ini.

• Jika tugasnya adalah analisis keamanan atau triase kerentanan — Carbon, berdasarkan angka siber yang dilaporkan Google dan pilihan gating perusahaan itu sendiri, dengan catatan bahwa tidak satu pun dari angka-angka tersebut telah direproduksi secara independen.

• Jika Anda memerlukan seluruh repositori dalam konteks — jendela 1M Carbon, dengan menerima latensi.

• Jika Anda membutuhkan model yang ketentuannya tidak akan berubah bulan depan — Grok 4.7, dan ini adalah argumen yang lebih kuat daripada kedengarannya.

• Jika Anda tidak dapat memutuskan — jalankan keduanya. Biaya terukur per tugas berada dalam kisaran satu sen, jadi uji coba dua minggu memakan biaya kira-kira setara dengan biaya satu model, dan menghasilkan jawaban yang lebih baik daripada skor komposit mana pun.

Apa yang tidak dapat diberitahukan oleh daftar-daftar ini adalah model mana yang lebih cerdas, karena "lebih cerdas" adalah ukuran yang keliru pada jarak ini. Dua puluh lima poin indeks adalah selisih yang besar jika diukur dengan benar, dan itu tetap membuat model yang di atas kertas lebih murah setara dalam biaya per hasil serta unggul dalam batas keluaran, kematangan, dan waktu ke token pertama. Itu bukan kontradiksi dalam benchmark. Itulah yang terjadi ketika dua model dibuat untuk pekerjaan yang berbeda tetapi dipasarkan dengan kata yang sama.